OPTIMASI KINERJA SINGLE-STAGE OBJECT DETECTION MODEL PADA DETEKSI TUMOR OTAK

Much Nurqolis, NIM.: 23206051005 (2025) OPTIMASI KINERJA SINGLE-STAGE OBJECT DETECTION MODEL PADA DETEKSI TUMOR OTAK. Masters thesis, UIN SUNAN KALIJAGA YOGYAKARTA.

Preview	Text (OPTIMASI KINERJA SINGLE-STAGE OBJECT DETECTION MODEL PADA DETEKSI TUMOR OTAK) 23206051005_BAB-I_IV-atau-V_DAFTAR-PUSTAKA.pdf - Published Version Download (4MB) | Preview
	Text (OPTIMASI KINERJA SINGLE-STAGE OBJECT DETECTION MODEL PADA DETEKSI TUMOR OTAK) 23206051005_BAB-II_sampai_SEBELUM-BAB-TERAKHIR.pdf Restricted to Registered users only Download (6MB) | Request a copy

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.

Share this knowledge with your friends :

Actions (login required)

View Item