EKSPERIMEN MODEL VISION TRANSFORMER DAN SWIN TRANSFORMER BERBASIS FINE-TUNING UNTUK MULTILABEL MULTI-KRITERIA PADA CITRA X-RAY PARUPARU

Anggia, Rizky Nanda (2026) EKSPERIMEN MODEL VISION TRANSFORMER DAN SWIN TRANSFORMER BERBASIS FINE-TUNING UNTUK MULTILABEL MULTI-KRITERIA PADA CITRA X-RAY PARUPARU. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER - ABSTRAK) COVER.pdf - Published Version Download (1MB)
	Text (BAB I) BAB I.pdf - Published Version Download (277kB)
	Text (BAB II) BAB II.pdf - Published Version Restricted to Registered users only Download (885kB)
	Text (BAB III) BAB III.pdf - Published Version Restricted to Registered users only Download (1MB)
	Text (BAB IV) BAB IV.pdf - Published Version Restricted to Registered users only Download (3MB)
	Text (BAB V) BAB V.pdf - Published Version Download (109kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf - Published Version Restricted to Registered users only Download (133kB)
	Archive (SOURCE CODE) Sourcecode - 22.11.4825.zip Restricted to Repository staff only Download (6MB)
	Text (PUBLIKASI) Publikasi.pdf - Published Version Restricted to Repository staff only Download (910kB)

Abstract

Penyakit paru-paru merupakan salah satu penyebab utama morbiditas dan mortalitas di dunia, sehingga deteksi dini memiliki peran penting dalam meningkatkan akurasi diagnosis dan efektivitas penanganan medis. Citra rontgen dada (Chest X-ray) merupakan modalitas pencitraan yang paling umum digunakan untuk mendeteksi berbagai penyakit paru, namun proses interpretasinya masih sangat bergantung pada keahlian radiolog dan berpotensi menimbulkan subjektivitas, terutama pada kasus dengan lebih dari satu kondisi patologis dalam satu citra. Kompleksitas ini dapat berdampak pada keterlambatan diagnosis dan ketidakkonsistenan hasil interpretasi. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan dan mengevaluasi pendekatan deteksi otomatis penyakit paru berbasis deep learning menggunakan arsitektur transformer, yaitu Vision Transformer (ViT) dan Swin Transformer. Penelitian dilakukan menggunakan dataset CheXpert-v1.0-small yang terdiri dari citra X-ray dada dengan 12 label penyakit paru yang relevan. Tahapan penelitian meliputi pembersihan dan prapemrosesan data, penanganan label tidak pasti, pembagian data menjadi data latih, validasi, dan uji, serta pelatihan model dalam dua skenario, yaitu baseline (non finetuning) dan fine-tuning. Evaluasi kinerja model dilakukan menggunakan metrik Area Under the Curve – Receiver Operating Characteristic (AUC-ROC) sebagai indikator akurasi klasifikasi multi-label. Hasil penelitian menunjukkan bahwa penerapan fine-tuning mampu meningkatkan performa kedua model secara konsisten, di mana Swin Transformer hasil fine-tuning menunjukkan kinerja paling stabil dengan nilai AUC berada pada rentang 0,75–0,88 pada sebagian besar label penyakit, termasuk pneumonia. Penelitian ini diharapkan dapat dimanfaatkan sebagai dasar pengembangan sistem pendukung keputusan klinis berbasis kecerdasan buatan untuk membantu proses diagnosis penyakit paru secara lebih cepat dan objektif.

Actions (login required)

View Item