Penyakit tuberkulosis (TB), yang disebabkan oleh bakteri Mycobacterium tuberculosis, merupakan penyakit menular yang sangat berbahaya. Di Indonesia, TB adalah penyakit menular paling mematikan setelah COVID-19 dan menempati urutan ke-13 sebagai penyebab kematian global. Deteksi dini TB sangat penting untuk meningkatkan peluang kesembuhan, namun keterbatasan jumlah ahli radiologi menjadi tantangan utama. Teknologi deep learning, khususnya Convolutional Neural Network (CNN), mejadi solusi efektif untuk masalah ini. Oleh karena itu, pada penelitian ini akan membandingkan dua arsitektur CNN, yaitu AlexNet dan VGG-19, dalam mendeteksi TB pada citra rontgen paru-paru, dengan penerapan metode perbaikan kualitas citra, seperti Histogram Equalization (HE), Adaptive Histogram Equalization (AHE), Contrast Limited Adaptive Histogram Equalization (CLAHE), dan Gamma Correction. Dataset yang digunakan diperoleh dari Kaggle dan mencakup citra rontgen paru-paru normal serta TB. Evaluasi performa dilakukan berdasarkan akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa VGG-19 dengan CLAHE memberikan performa terbaik dengan akurasi 93.5%, presisi 98.88%, recall 88%, dan F1-score 93.12%. VGG-19 dengan Gamma Correction juga menunjukkan hasil yang sangat baik dengan akurasi 91%, presisi 97.67%, recall 84%, dan F1-score 90.32%. Temuan ini menggarisbawahi efektivitas kombinasi CNN dan metode pemrosesan citra dalam meningkatkan deteksi TB.
Affiliations come from OpenAlex; journal OAI-PMH metadata carries none. Authors without an OpenAlex ID are matched by name, which can merge or split people.