eprintid: 70568
rev_number: 10
eprint_status: archive
userid: 12243
dir: disk0/00/07/05/68
datestamp: 2025-03-24 05:07:50
lastmod: 2025-03-24 05:07:50
status_changed: 2025-03-24 05:07:50
type: thesis
metadata_visibility: show
contact_email: muchti.nurhidaya@uin-suka.ac.id
creators_name: Much Nurqolis, NIM.: 23206051005
title: OPTIMASI KINERJA SINGLE-STAGE OBJECT DETECTION MODEL PADA DETEKSI TUMOR OTAK
ispublished: pub
subjects: 004.
divisions: S2_inf
full_text_status: restricted
keywords: Deteksi MRI Tumor Otak; Explainable AI (XAI); YOLOv8; AI Citra Medis; Optimasi Hyperparameter
note: Ir. Maria Ulfah Siregar, S.Kom., MIT., Ph.D,
abstract: Penelitian ini berfokus pada pemanfaatan kecerdasan buatan (AI) untuk menganalisis citra MRI dalam mendeteksi abnormalitas otak, seperti glioma, meningioma, tumor pituitari, dan kondisi normal. Tiga model utama yang dievaluasi adalah YOLOv8, YOLOv11, dan SSD MobileNet, dengan berbagai pengaturan hyperparameter, termasuk optimasi menggunakan Optuna. Hasil penelitian menunjukkan bahwa YOLOv8 dengan Augmentasi 1 dan Optuna menghasilkan performa terbaik dengan precision sebesar 0.988, recall 0.986, mAP50 0.992, dan mAP50-95 0.813. YOLOv11 juga menunjukkan performa tinggi dengan precision sebesar 0.983, recall 0.983, mAP50 0.990, dan mAP50-95 0.801. Sebaliknya, SSD MobileNet memiliki performa yang lebih rendah, dengan precision tertinggi hanya mencapai 0.7928 meskipun telah dilakukan optimasi.
Penelitian ini menekankan pentingnya interpretabilitas model AI untuk mendukung kepercayaan dalam aplikasi klinis. Teknik Explainable AI (XAI), seperti Eigen-CAM dan LIME, diterapkan untuk memvisualisasikan area penting dalam citra MRI, seperti lokasi tumor yang dianggap relevan oleh model. Visualisasi ini membantu tenaga medis memahami proses pengambilan keputusan model, sehingga memberikan justifikasi terhadap hasil prediksi.
Dengan transparansi melalui integrasi XAI, penelitian ini meningkatkan potensi adopsi AI dalam lingkungan klinis yang membutuhkan akurasi tinggi dan justifikasi jelas. Hasil penelitian ini membuka peluang pengembangan model serupa pada jenis data medis lainnya, seperti CT scan atau radiografi, serta penerapan XAI dalam sistem AI yang lebih kompleks untuk mendukung pengambilan keputusan klinis secara efektif.
date: 2025-01-17
date_type: published
pages: 144
institution: UIN SUNAN KALIJAGA YOGYAKARTA
department: FAKULTAS SAINS DAN TEKNOLOGI
thesis_type: masters
thesis_name: other
citation:   Much Nurqolis, NIM.: 23206051005  (2025) OPTIMASI KINERJA SINGLE-STAGE OBJECT DETECTION MODEL PADA DETEKSI TUMOR OTAK.  Masters thesis, UIN SUNAN KALIJAGA YOGYAKARTA.   
document_url: https://digilib.uin-suka.ac.id/id/eprint/70568/1/23206051005_BAB-I_IV-atau-V_DAFTAR-PUSTAKA.pdf
document_url: https://digilib.uin-suka.ac.id/id/eprint/70568/2/23206051005_BAB-II_sampai_SEBELUM-BAB-TERAKHIR.pdf