Axel Wijaya, Kimi (2024) Komparasi Model Transformer untuk Deteksi Metastasis Kanker Prostat Berdasarkan Citra MRI. MBKM Report, Universitas Multimedia Nusantara.
![]() |
PDF
HALAMAN_AWAL.pdf Download (1MB) |
![]() |
PDF
BAB_I.pdf Download (827kB) |
![]() |
PDF
BAB_II.pdf Download (1MB) |
![]() |
PDF
BAB_III.pdf Download (858kB) |
![]() |
PDF
BAB_IV.pdf Restricted to Registered users only Download (2MB) |
![]() |
PDF
BAB_V.pdf Download (692kB) |
![]() |
PDF
DAFTAR_PUSTAKA.pdf Download (717kB) |
![]() |
PDF
LAMPIRAN.pdf Restricted to Registered users only Download (1MB) |
![]() |
PDF
LEMBAR_PENGESAHAN.pdf Download (52kB) |
Abstract
Kanker prostat adalah penyebab kematian terkait kanker peringkat kelima di dunia dan menjadi tantangan kesehatan signifikan di Indonesia. Metode diagnostik tradisional, seperti pengujian Prostate Specific Antigen dan biopsi, sering kali gagal mendeteksi kanker prostat stadium awal atau metastasisnya secara akurat, yang dapat menyebabkan overtreatment. Deteksi metastasis yang akurat sangat penting untuk mendukung pengobatan yang efektif. Penelitian ini bertujuan untuk mengembangkan dan membandingkan model Vision Transformer (ViT) dan Data-efficient Image Transformer (DeiT) dalam mendeteksi metastasis kanker prostat berdasarkan citra MRI, dengan menggunakan kerangka kerja CRISP-DM serta teknik pemrosesan gambar seperti thresholding Otsu untuk meningkatkan kinerja model. Penelitian ini menggunakan dataset MRI berlabel dengan enam kelas metastasis (Mx, M0, M1, M1a, M1b, M1c). Model dilatih menggunakan augmentasi gambar, tuning hyperparameter, dan pemrosesan gambar biner. Kinerja dievaluasi dengan membandingkan akurasi, metrik validasi, dan loss pelatihan pada berbagai konfigurasi. Hasil eksperimen menunjukkan bahwa DeiT mengungguli ViT dalam mendeteksi metastasis, terutama pada dataset kecil berisi 6087 gambar. DeiT mencapai akurasi tinggi yang mencapai 99.67% dan loss yang rendah sebesar 0.0082 saat dilatih dengan gambar MRI biasa menggunakan hyperparameter yang sudah dioptimalkan. Meskipun thresholding Otsu dapat meningkatkan efisiensi komputasi, dampaknya terhadap akurasi tidak terlalu signifikan. Temuan ini menunjukkan bahwa DeiT, dengan efisiensi pelatihan dan performanya yang baik, lebih cocok untuk deteksi metastasis kanker prostat pada dataset yang terbatas.
Item Type: | Technical Report (MBKM Report) |
---|---|
Creators: | Axel Wijaya, Kimi (00000062800) |
Contributors: | Evelin Johan, Monika (0327059501) |
Keywords: | Deep Learning, Deteksi Metastasis, MRI, Kanker Prostat, Transformer |
Subjects: | 000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 004 Computer Science, Data Processing, Hardware > 004.2 Systems Analysis and Design, Information Architecture, Performance Evaluation |
Divisions: | Faculty of Engineering & Informatics > Information System |
Date Deposited: | 07 Jan 2025 12:56 |
URI: | https://kc.umn.ac.id/id/eprint/35456 |
Actions (login required)
![]() |
View Item |