0409076101 - Muhammad Ichwan, Ir. MT. Penguji 1 0422116603 - Asep Nana Hermana , ST.,MT. Penguji 2 0430078701 - Irma Amelia Dewi S.Kom., M.T Dosen Pembimbing 1 FARIS AKBAR SHIDDIQ / 152019012 Penulis

Pandemi COVID-19, yang bermula pada 2019-2020, telah mengakibatkan kematian massal global, dengan total kasus mencapai 774.771.942 hingga Februari 2024 menurut WHO. Virus SARS-CoV-2 terus bermutasi menjadi varian-varian seperti Delta, Omicron, Deltacron, Eris EG.5, dan EG.2. Bersamaan dengan itu, Adenokarsinoma paru menjadi penyebab utama mortalitas kanker paru di Amerika Serikat. CT-Scan paru menjadi instrumen diagnostik krusial untuk kedua kondisi ini. Studi ini mengaplikasikan model Convolutional Neural Network (CNN), khususnya Densenet161, untuk ekstraksi fitur dari citra CT-Scan paru, yang selanjutnya diklasifikasikan menggunakan Extreme Gradient Boosting (XGBoost). Densenet161 dipilih atas kemampuannya dalam mempelajari fitur-fitur kompleks. Eksperimen membuktikan bahwa kombinasi Densenet161 dan XGBoost menghasilkan akurasi tinggi dalam klasifikasi penyakit paru. Densenet161 mengekstrak fitur dari dataset citra CT-Scan, yang kemudian menjadi input bagi XGBoost. Evaluasi menggunakan metrik relevan menunjukkan keberhasilan model dalam mengklasifikasikan 5 jenis penyakit paru dengan rata-rata akurasi 98%. Pada iterasi ke-13 pelatihan model, dengan hyperparameter n_estimators=500, max_depth=8, learning_rate=0.5, dan subsample=0.4, akurasi mencapai 99.20%. Penelitian ini menekankan signifikansi tuning hyperparameter dalam optimasi performa model. Analisis mendalam mengindikasikan bahwa penggunaan n_estimators yang tinggi berpotensi menyebabkan overfitting. Meski demikian, Densenet161 dan XGBoost menghasilkan akurasi training 98.99% dan akurasi validasi 99.13%, dengan Precision, Recall, dan F1-Score mendekati 100%. Temuan ini menegaskan pentingnya pemilihan kombinasi model yang tepat untuk meningkatkan performa secara signifikan, terutama dalam analisis data kompleks seperti CT-Scan paru. Kata kunci: CT-Scan Paru-Paru, Convolutional Neural Network, Densenet161, XGBoost.