MODEL HIBRIDA CONVOLUTIONAL NEURAL NETWORK DAN TRANSFORMER UNTUK KLASIFIKASI MULTI-KELAS CITRA CT SCAN PENYAKIT GINJAL

Zishwa Muhammad Jauhar Nafis, NIM.: 23206051015 (2025) MODEL HIBRIDA CONVOLUTIONAL NEURAL NETWORK DAN TRANSFORMER UNTUK KLASIFIKASI MULTI-KELAS CITRA CT SCAN PENYAKIT GINJAL. Masters thesis, UIN SUNAN KALIJAGA YOGYAKARTA.

Preview	Text (MODEL HIBRIDA CONVOLUTIONAL NEURAL NETWORK DAN TRANSFORMER UNTUK KLASIFIKASI MULTI-KELAS CITRA CT SCAN PENYAKIT GINJAL) 23206051015_BAB-I_IV-atau-V_DAFTAR-PUSTAKA.pdf - Published Version Download (2MB) | Preview
	Text (MODEL HIBRIDA CONVOLUTIONAL NEURAL NETWORK DAN TRANSFORMER UNTUK KLASIFIKASI MULTI-KELAS CITRA CT SCAN PENYAKIT GINJAL) 23206051015_BAB-II_sampai_SEBELUM-BAB-TERAKHIR.pdf - Published Version Restricted to Registered users only Download (4MB) | Request a copy

Abstract

Penyakit ginjal merupakan salah satu permasalahan kesehatan global dengan angka prevalensi yang terus meningkat setiap tahunnya. Kondisi ini berpotensi menimbulkan komplikasi serius apabila tidak terdeteksi dan ditangani secara dini. Dalam menunjang diagnosis klinis yang cepat, akurat, dan konsisten, dibutuhkan sistem otomatis yang mampu mendukung pengambilan keputusan medis. Salah satu pendekatan yang dapat digunakan adalah analisis berbasis citra medis. Computed Tomography (CT) merupakan salah satu modalitas pencitraan yang sering digunakan dalam evaluasi morfologi dan struktur ginjal. Namun demikian, proses interpretasi citra CT secara manual masih sangat bergantung pada keahlian radiolog, sehingga proses ini cenderung memakan waktu, bersifat subjektif, dan berisiko menghasilkan kesalahan diagnostik. Pemanfaatan sistem diagnosis berbantuan komputer yang memanfaatkan teknologi Artificial Intelligence (AI), khususnya pendekatan Deep Learning, merupakah salah satu solusi potensial dalam meningkatkan akurasi serta efisiensi proses identifikasi penyakit ginjal oleh tenaga medis. Dalam penelitian ini mengusulkan sebuah model hibrida dengan mengintegrasikan Convolutional Neural Networks (CNN) dalam Vision Transformer (ViT) untuk klasifikasi citra CT ginjal ke dalam empat kategori: normal, kista, tumor, dan batu ginjal. Model ini dirancang dengan arsitektur secara berurutan dimulai dengan blok residual CNN untuk ekstraksi fitur lokal, backbone ViT untuk menangkap konteks global, CNN klasik untuk memperkuat fitur keluaran ViT, dan blok classifier feed-forward untuk prediksi kelas akhir. Evaluasi dilakukan menggunakan dataset publik CT Kidney dan divalidasi melalui metode Hold-Out dan 7-Fold Stratified Cross Validation. Model yang diusulkan mencapai akurasi 99.95% pada validasi dengan teknik Hold-Out dan 99.92% pada 7-Fold Cross-Validation, melampaui kinerja model baseline ResNet50 dan ViT murni, serta pendekatan terbaru lainnya. Pengujian generalisasi pada dua dataset eksternal, dengan sumber dan organ yang berbeda juga menunjukkan performa tinggi setelah dilakukan pelatihan ulang pada masing-masing dataset guna menyesuaikan karakteristik data yang berbeda. Selain itu, studi ablasi menunjukkan kontribusi signifikan dari vii tiap komponen arsitektur terhadap kinerja model keseluruhan. Hasil ini menegaskan bahwa integrasi arsitektur CNN dan Transformer merupakan pendekatan menjanjikan untuk mendukung diagnosis penyakit ginjal secara otomatis, akurat, dan dapat diandalkan di lingkungan klinis.

Share this knowledge with your friends :

Actions (login required)

View Item