Viegas, Ivonia Fatima (2026) MAMMOGRAPHIC BREAST CANCER DETECTION USING RESNET-50 WITH TRANSFER LEARNING : A CASE STUDY IN TIMOR-LESTE AND INDONESIA. Undergraduate thesis, Universitas Pendidikan Ganesha.
![[img]](http://repo.undiksha.ac.id/style/images/fileicons/text.png) |
Text (COVER)
2215101085-COVER.pdf Download (9MB) |
|
Text (ABSTRAK)
2215101085-ABSTRAK.pdf Download (9MB) |
|
Text (BAB 1 PENDAHULUAN)
2215101085-BAB 1 PENDAHULUAN.pdf Download (9MB) |
|
Text (BAB 2 KAJIAN TEORI)
2215101085-BAB 2 KAJIAN TEORI.pdf Restricted to Repository staff only Download (9MB) | Request a copy |
|
Text (BAB 3 METODOLOGI PENELITIAN)
2215101085-BAB 3 METODOLOGI PENELITIAN.pdf Restricted to Repository staff only Download (9MB) | Request a copy |
|
Text (BAB 4 HASIL DAN PEMBAHASAN)
2215101085-BAB 4 HASIL DAN PEMBAHASAN.pdf Restricted to Repository staff only Download (9MB) | Request a copy |
|
Text (BAB 5 PENUTUP)
2215101085-BAB 5 PENUTUP.pdf Restricted to Repository staff only Download (9MB) | Request a copy |
|
Text (DAFTAR PUSTAKA)
2215101085-DAFTAR PUSTAKA.pdf Download (9MB) |
|
Text (LAMPIRAN)
2215101085-LAMPIRAN.pdf Download (9MB) |
Abstract
Kanker payudara masih menjadi salah satu penyebab utama kematian, dengan diagnosis tahap lanjut yang umum terjadi di daerah dengan sumber daya terbatas seperti Indonesia dan Timor-Leste akibat terbatasnya akses terhadap skrining dan radiolog ahli. Penelitian ini mengembangkan dan memvalidasi model deep learning untuk klasifikasi mamogram guna mengatasi kesenjangan tersebut. Dengan menggunakan arsitektur ResNet-50 dan transfer learning, penelitian ini menggunakan kerangka evaluasi komparatif pada dua kumpulan data: satu kumpulan data primer yang terdiri dari 110 mamogram dari Timor-Leste dan Indonesia, serta kumpulan data publik CBIS-DDSM yang terdiri dari 5.968 gambar. Untuk mengatasi ketidakseimbangan kelas yang parah (87 jinak vs. 23 ganas) pada kumpulan data primer, diterapkan pendekatan pelatihan dua tahap dengan augmentasi super-agresif, weighted random sampling, dan focal loss tuning. Model terbaik pada kumpulan data primer mencapai recall untuk kanker ganas sebesar 50% (2 dari 4 kasus uji) dengan akurasi keseluruhan 82,35% dan spesifisitas 92,31%, yang menjadikannya sebagai dasar kecerdasan buatan pertama yang terdokumentasi untuk populasi tersebut. Sebagai perbandingan, model pada CBIS-DDSM mencapai recall sebesar 93,8% pada ambang batas optimal, yang menunjukkan dampak kritis dari ukuran kumpulan data terhadap kinerja model. Penelitian ini menyimpulkan bahwa meskipun optimalisasi teknik dapat mengimbangi keterbatasan data secara parsial, pengumpulan 50-100 sampel ganas sangat penting untuk mencapai recall yang dapat diterima secara klinis. Aplikasi web fungsional dengan visualisasi Grad-CAM juga dikembangkan, menyediakan alat yang praktis dan dapat dijelaskan untuk validasi klinis di masa depan pada lingkungan dengan sumber daya terbatas.
| Item Type: | Thesis (Undergraduate) |
|---|---|
| Uncontrolled Keywords: | Kanker Payudara, Klasifikasi Mamogram, Deep Learning, ResNet-50, Transfer Learning, Timor-Leste, Indonesia |
| Subjects: | Q Science > Q Science (General) Q Science > QA Mathematics Q Science > QA Mathematics > QA75 Electronic computers. Computer science |
| Divisions: | Fakultas Teknik dan Kejuruan > Jurusan Teknik Informatika > Program Studi Ilmu Komputer (S1) |
| Depositing User: | Ivonia Fatima Viegas |
| Date Deposited: | 23 Jun 2026 07:24 |
| Last Modified: | 23 Jun 2026 07:24 |
| URI: | http://repo.undiksha.ac.id/id/eprint/29968 |
Actions (login required)
 |
View Item |