PENERAPAN GRAD-CAM PADA MODEL DEEP LEARNING UNTUK INTEREPRETASI HASIL DETEKSI PNEUMONIA PADA CITRA X-RAY

Setiadi, Kukuh (2026) PENERAPAN GRAD-CAM PADA MODEL DEEP LEARNING UNTUK INTEREPRETASI HASIL DETEKSI PNEUMONIA PADA CITRA X-RAY. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER - ABSTRAK) COVER.pdf - Published Version Download (1MB)
	Text (BAB I) BAB I.pdf - Published Version Download (177kB)
	Text (BAB II) BAB II.pdf - Published Version Restricted to Registered users only Download (749kB)
	Text (BAB III) BAB III.pdf - Published Version Restricted to Registered users only Download (384kB)
	Text (BAB IV) BAB IV.pdf - Published Version Restricted to Registered users only Download (509kB)
	Text (BAB V) BAB V.pdf - Published Version Download (88kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf - Published Version Restricted to Registered users only Download (211kB)
	Archive (SOURCE CODE) Sourcecode - 22.11.4871.zip Restricted to Repository staff only Download (5MB)
	Text (PUBLIKASI) Publikasi.pdf - Published Version Restricted to Repository staff only Download (794kB)

Abstract

Pneumonia merupakan infeksi saluran pernapasan akut yang menjadi salah satu penyebab utama peningkatan angka kesakitan dan kematian, khususnya pada anak-anak. Di Indonesia, jumlah kasus pneumonia terus meningkat, sehingga diperlukan diagnosis yang cepat dan akurat. Pemeriksaan X-Ray dada menjadi metode utama dalam diagnosis pneumonia, namun interpretasi manual oleh radiolog bersifat subjektif dan rentan terhadap kesalahan. Oleh karena itu, dibutuhkan sistem pendukung diagnosis yang lebih objektif dan konsisten. Penelitian ini menerapkan model deep learning berbasis Convolutional Neural Networks (CNN) untuk mendeteksi pneumonia pada citra X-Ray dada, serta mengintegrasikan metode Gradient-weighted Class Activation Mapping (GradCAM) guna meningkatkan interpretabilitas model. Tahapan penelitian meliputi pra-pemrosesan data, pelatihan dan fine-tuning model, evaluasi kinerja menggunakan metrik klasifikasi, serta visualisasi hasil prediksi melalui GradCAM. Hasil pengujian menunjukkan bahwa model mencapai akurasi sebesar 90,38% dengan kinerja yang seimbang pada setiap kelas. Visualisasi Grad-CAM memperlihatkan fokus model pada area paru-paru yang relevan secara klinis pada kasus pneumonia. Temuan ini menunjukkan bahwa model tidak hanya memiliki kinerja yang baik, tetapi juga mampu memberikan interpretasi visual yang mendukung kepercayaan klinis, sehingga berpotensi digunakan sebagai alat bantu diagnosis pneumonia.

Actions (login required)

View Item