KLASIFIKASI GAMBAR CITRA MEDIS MAMOGRAFI BERBASIS CONVOLUTIONAL NEURAL NETWORKS (CNNs) DENGAN ARSITEKTUR MODEL MULTI-VIEW (Studi Kasus : RSUD Buleleng)

Purnama, Gede Wahyu (2025) KLASIFIKASI GAMBAR CITRA MEDIS MAMOGRAFI BERBASIS CONVOLUTIONAL NEURAL NETWORKS (CNNs) DENGAN ARSITEKTUR MODEL MULTI-VIEW (Studi Kasus : RSUD Buleleng). Undergraduate thesis, Universitas Pendidikan Ganesha.

[img] Text (COVER)
2015101014-COVER.pdf
Download (900kB)
[img] Text (ABSTRAK)
2015101014-ABSTRAK.pdf
Download (262kB)
[img] Text (BAB 1 PENDAHULUAN)
2015101014-BAB 1 PENDAHULUAN.pdf
Download (269kB)
[img] Text (BAB 2 KAJIAN TEORI)
2015101014-BAB 2 KAJIAN TEORI.pdf
Restricted to Repository staff only
Download (743kB) | Request a copy
[img] Text (BAB 3 METODELOGI PENELITIAN)
2015101014-BAB 3 METODELOGI PENELITIAN.pdf
Restricted to Repository staff only
Download (861kB) | Request a copy
[img] Text (BAB 4 HASIL DAN PEMBAHASAN)
2015101014-BAB 4 HASIL DAN PEMBAHASAN.pdf
Restricted to Repository staff only
Download (2MB) | Request a copy
[img] Text (BAB 5 PENUTUP)
2015101014-BAB 5 PENUTUP.pdf
Restricted to Repository staff only
Download (251kB) | Request a copy
[img] Text (DAFTAR PUSTAKA)
2015101014-DAFTAR PUSTAKA.pdf
Download (233kB)
[img] Text (LAMPIRAN)
2015101014-LAMPIRAN.pdf
Download (713kB)

Abstract

Penelitian ini bertujuan untuk merancang, menguji performa, dan menerapkan model Kecerdasan Buatan (AI) berbasis Convolutional Neural Networks (CNNs) dengan arsitektur multi-view untuk mengklasifikasikan gambar citra medis mamografi berdasarkan kategori BI-RADS, dengan studi kasus di RSUD Buleleng. Kanker payudara merupakan salah satu kanker dengan kasus terbanyak di Indonesia (Ferlay et al., 2024), dan mamografi adalah alat utama untuk deteksi dini kanker payudara (RadiologyInfo, 2023). Dokter ahli yang dapat menangani kasus kanker jumlahnya terbatas (KKI, 2025), sehingga menyebabkan pemeriksaan manual menjadi kurang efisien. Metode penelitian dari penelitian ini terdiri dari beberapa tahap yang mencakup akuisisi dataset primer (RSUD Buleleng) dan sekunder (VinDr-mammo & CBIS-DDSM), pemrosesan data (seleksi data, pelabelan BI-RADS, penyeimbangan dataset, pemrosesan file DICOM, pembagian data dengan stratified k-fold, augmentasi data latih), pengembangan model menggunakan k-fold cross-validation, menguji dan menerapkan model menggunakan aplikasi prototipe berbasis web yang dibuat dengan framework Gradio. Penelitian ini menggunakan model ConvNeXt sebagai feature extractor dalam arsitektur multi-view dan Jaringan Saraf Tiruan (JST) sebagai classifier, dengan berbagai hyperparameter yang diuji. Hasil pengujian menunjukkan model terbaik mencapai Akurasi 53%, F1-score 0.477 dan recall 0.457 pada data RSUD Buleleng. Meskipun model menunjukkan potensi, ditemukan kesulitan dalam mengklasifikasikan BI-RADS. Penggunaan klasifikasi sekunder "rekomendasi aksi" meningkatkan akurasi menjadi 72%, F1-score menjadi 0.53 dan recall menjadi 0.51. Penelitian ini menyimpulkan bahwa model AI yang dikembangkan dapat membantu klasifikasi mamografi, meskipun diperlukan penyempurnaan lebih lanjut. Aplikasi prototipe berbasis web menggunakan Gradio telah dibuat dan dapat diakses oleh siapapun melalui tautan berikut https://huggingface.co/spaces/gdwahyupurnama/klasifikasi-mammografi.

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: Mamografi, Kanker Payudara, Convolutional Neural Networks, Multi-View, BI-RADS, Klasifikasi Multi-kelas, Deep Learning
Subjects: Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions: Fakultas Teknik dan Kejuruan > Jurusan Teknik Informatika > Program Studi Ilmu Komputer (S1)
Depositing User: GEDE WAHYU PURNAMA
Date Deposited: 08 Jul 2025 04:33
Last Modified: 08 Jul 2025 04:33
URI: http://repo.undiksha.ac.id/id/eprint/25218

Actions (login required)

View Item View Item