Purpose: This research aims to develop an automatic pneumothorax detection system using Convolutional Neural Networks (CNN) to classify thoracic radiography images. By leveraging CNN's effectiveness in identifying medical abnormalities, the system seeks to enhance diagnostic accuracy, reduce evaluation time, and minimize subjective interpretation errors. The output will provide a predicted label of "pneumothorax" or "non-pneumothorax," facilitating faster clinical treatment and improving diagnostic services while supporting radiologists in making more accurate and efficient decisions for this critical condition.
Methods: This research employs an experimental deep learning approach using Convolutional Neural Networks (CNN) to detect pneumothorax in thoracic radiography images. The CNN model is trained on an annotated dataset with preprocessing steps, including zooming, brightness adjustment, flipping and format adjustment, followed by performance evaluation using accuracy, precision, recall, and F1 score metrics.
Result: The results showed that the CNN model detected pneumothorax with 79.59% accuracy, a loss of 1.3056, and 1,092 correct predictions out of 1,372 test data. Precision was 51.12%, recall 78.62%, and F1 score 61.96%, confirming the system's potential, though further optimization is needed.
Novelty: The novelty of this research lies in developing an automated pneumothorax detection system using a CNN architecture, improving diagnostic accuracy and efficiency. Despite high accuracy, precision and recall can be improved. Future research can focus on optimizing the model and applying data augmentation techniques.

Indonesia adalah negara tropis yang memiliki keanekaragaman jenis tumbuhan. Tumbuhan terdiri atas tiga organ dasar yaitu akar, batang dan daun. Daun merupakan salah satu bagian yang sering digunakan untuk mengklasifikasikan tanaman, karena setiap jenis tanaman memiliki ciri yang berbeda. Bentuk tepian daun bisa digunakan untuk acuan klasifikasi daun. Otak manusia memiliki keterbatasan dalam mengolah atau mengignat informasi jenis-jenis tanaman yang berdasarkan daun. Oleh karena itu dibutuhkan peralihan pengetahuan manual ke suatu sistem digital. Maka dalam penelitian ini dibuat sistem yang mampu melakukan pengenalan daun menggunakan ekstraksi ciri pada daun menggunakan metide Linear Discriminant Analysis ( LDA ) dan jarak Minkowski.Proses pengenalan pola citra daun diawali dengan pengambilan citra daun, kemudian masuk ke tahap prapengolahan untuk membedakan objek dengan latar belakang. Setelah itu masuk ke tahap ekstraksi ciri menggunakan Linear Discriminant Analysis (LDA ) untuk mendapatkan karakteristik ciri dari citra dan Jarak Minkowski untuk melakukan pengenalan dari pola daun.                       Berdasarkan hasil penelitian dengan jumlah data sebanyak 40 kelas dengan masing-masing kelas sebanyak 6 citra, dengan citra latih sebanyak 160 citra daun dan citra uji sebanyak 80 citra daun. Saat pengenalan menggunakan jarak minkowski menggunakan 3 koefisien yaitu koefisien minkowski 1, 2, dan 3. Dari ­ ­masing-masing koefisien minkowski didapatkan persentase keakurasian. Persentasi keakurasian saat menggunakan koefisien minkowski 1 sebesar 41,25%, koefisien minkowski 2 sebesar 33,75%, dan koefisien minkowski 3 sebesar 30%. Persentase keakurasian pada penelitian ini tidak dapat menghasilkan diangka 80% dikarenakan jumlah data sangat mempengaruhi hasil persentase, semakin banyak data yang ada maka nilai persentase juga akan semakin kecil.