ANALISIS KOMPARATIF VISION TRANSFORMER (VIT) MENGGUNAKAN HYBRID FINE-TUNING–XGBOOST UNTUK KLASIFIKASI PENYAKIT KATARAK BERBASIS CITRA MATA

-, Nadiyatulhusna (2026) ANALISIS KOMPARATIF VISION TRANSFORMER (VIT) MENGGUNAKAN HYBRID FINE-TUNING–XGBOOST UNTUK KLASIFIKASI PENYAKIT KATARAK BERBASIS CITRA MATA. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf - Published Version Download (934kB)
	Text (BAB I) BAB I.pdf - Published Version Download (183kB)
	Text (BAB II) BAB II.pdf - Published Version Restricted to Registered users only Download (986kB)
	Text (BAB III) BAB III.pdf - Published Version Restricted to Registered users only Download (215kB)
	Text (BAB IV) BAB IV.pdf - Published Version Restricted to Registered users only Download (701kB)
	Text (BAB V) BAB V.pdf - Published Version Download (90kB)
	Text (DAFTAR PUSTAKA - LAMPIRAN) Daftar Pustaka dan Lampiran.pdf - Published Version Restricted to Registered users only Download (178kB)
	Text (PUBLIKASI) Publikasi.pdf - Published Version Restricted to Repository staff only Download (584kB)

Abstract

Penyakit katarak merupakan penyebab utama kebutaan yang dapat dicegah jika didiagnosis secara dini. Namun, pemeriksaan manual citra fundus seringkali memakan waktu dan bergantung pada keahlian spesialis. Penelitian ini bertujuan mengembangkan dan menganalisis secara komparatif model klasifikasi citra katarak menggunakan arsitektur Vision Transformer (ViT) dengan pendekatan hibrida fine-tuning dan eXtreme Gradient Boosting (XGBoost). Eksperimen menggunakan data sekunder dari repositori Ocular Disease Intelligent Recognition (ODIR) yang dibagi dengan metode Holdout (80% data latih, 20% data uji murni). Untuk mengatasi data tidak seimbang dan mencegah overfitting, skema Stratified 5-Fold Cross Validation dikombinasikan dengan Random Oversampling (ROS) secara internal pada setiap lipatan. Skenario penelitian membandingkan model ViT murni end-to-end (baseline) dengan model Hybrid ViT-XGBoost, di mana ViT bertindak sebagai pengekstraksi fitur laten 768-dimensi dari token CLS dan XGBoost sebagai pengklasifikasi akhir berbasis decision tree ensemble. Hasil pengujian pada 684 sampel data uji murni menunjukkan model Hybrid ViTXGBoost memberikan performa terbaik dengan Akurasi global 97%, Presisi kelas katarak 0,85, Recall 0,84, dan F1-Score 0,85. Sebaliknya, ViT murni menghasilkan Akurasi lebih rendah (96%) dan Presisi katarak jatuh di angka 0,75 akibat 18 kasus False Positive. Hambatan atensi global ViT terhadap noise visual (artifak pencahayaan dan debu lensa sebesar 8,93% dari data) berhasil diredam oleh batas keputusan non-linear XGBoost. Penelitian ini membuktikan model hibrida ini menghasilkan diagnosis yang lebih selektif dan andal untuk diimplementasikan pada sistem pendukung keputusan klinis masa depan bagi praktisi medis.

Actions (login required)

View Item