Klasifikasi Kanker Paru Menggunakan InceptionV3 Dan EfficientNet Dengan Visualisasi Grad-CAM Untuk Mendukung Diagnosis Klinis
Tahun 2025 · Penulis: Nabillah Salsabilla
Faculty of Computer Science, Universitas Jember
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Kanker paru merupakan salah satu penyakit dengan penderita terbanyak didunia. Kanker paru sangat sulit diagnosis karena timbul dan menunjukkan gejala pada stadium lanjutan. Oleh karena itu, untuk meminimalisir kejadian tersebut, membutuhkan dukungan keputusan klinis yang akurat dan efisiensi. Berdasarkan tersebut penelitian melakukan pengklasifikasian nodule paru pada citra rontgen toraks menggunakan dua arsitektur Deep learning, yaitu InceptionV3 dan EfficienetNetB0, serta mengevaluasi hasil klasifikasi melalui teknik visualisasi Grad-CAM. Dataset yang digunakan ada dua jenis dari data publik JSRT dan data primer dari Rumah Sakit X di Jember, dengan total citra terbagi dalam kategori nodule dan non-nodule. Data primer dikumpulkan berdasarkan kriteria pasien kanker paru dewasa yang telah melalui anotasi oleh ahli radiologi. Model dilatih menggunakan platform Kaggle dengan dukungan GPU P100, dan melalui serangkaian eksperimen terhadap beberapa konfigurasi hyperparameter seperti dropout, batch size, dan learning rate. Implementasi dilakukan menggunakan citra berukuran 224x224 piksel, optimizer Adam, learning rate 0.0001, batch size 8, dan 60 epoch. Hasil pengujian menunjukkan bahwa model InceptionV3 memiliki performa yang lebih unggul dengan akurasi mencapai 99.005, recall 99.00%. dan nilai loss 0.0613. InceptionV3 memiliki generalisasi yang baik antara data training, validation, testing. Sebaliknya EfficientNetB0 memiliki jumlah parameter lebih kecil, menunjukkan performa yang kurang stabil dan terdapat indikasi overvitting ringan, terutama pada skenario pembagian data 80:20. Visualisasi Grad-CAM digunakan sebagai evaluasi area fokus model dalam proses klasifikasi. InceptionV3 berhasil memfokuskan aktivasi pada area nodule secara konsisten, sementara EfficientNetB0 masih menunjukkan penyebaran perhatian yang tidak tepat meskipun hasil prediksi benar. Hasil penelitian menunjukkan bahwa InceptionV3 lebih unggul dalam akurasi, stabilitas, dan kemudahan pemahaman visual, sehingga lebih direkomendasikan untuk diterapkan dalam mendukung keputusan klinis berbasis citra rontgen toraks.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,884
Tahun 2024 · Penulis: Dandy Satrio Wibowo
Penggunaan Pre-Trained Convolutional Neural Networks dan Explainable AI dalam Klasifikasi Penyakit Alzheimer berdasarkan Citra MRI Otak
Penyakit Alzheimer adalah penyakit yang menyebabkan kematian pada sel-sel saraf otak dan menurunkan volume otak seiring berjalannya waktu. Penyakit Alzheimer memiliki lima tahapan perkembangannya, yaitu tahap preclinical, mild cognitive impairment (MCI), mild,
- Cosine 0,873
Tahun 2025 · Penulis: Cindi Dewi Aprilia
Deteksi Kanker Paru-Paru pada Citra Chest X-Ray untuk Pasien Rumah Sakit Di Jember Menggunakan Deep Object Detection
Penelitian ini bertujuan mengembangkan sistem deteksi nodul paru sebagai indikator awal kanker paru-paru menggunakan algoritma YOLOv11 pada citra Xray. Tantangan utama dalam deteksi nodul adalah ukurannya yang kecil dan kemiripannya dengan struktur lain pada p
- Cosine 0,865
Tahun 2025 · Penulis: Augusta Ahmad Bintang Widigdo
Klasifikasi Penyakit Tiroid Menggunakan Support Vector Machine dengan Optimasi Firefly dan Seleksi Fitur Lasso
Kanker tiroid merupakan jenis kanker yang menyerang kelenjar tiroid, yaitu organ berbentuk kupu-kupu yang terletak di bagian depan leher dan berperan penting dalam mengatur metabolisme tubuh. Deteksi dini kanker ini sangatlah krusial, mengingat gejalanya serin