Penerapan Algoritma Transformer untuk Deteksi Penyakit Ginjal Kronis pada Citra Medis

Hendraloka, Evan (2025) Penerapan Algoritma Transformer untuk Deteksi Penyakit Ginjal Kronis pada Citra Medis. MBKM thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (445kB)
	PDF BAB_I.pdf Download (278kB)
	PDF BAB_II.pdf Download (365kB)
	PDF BAB_III.pdf Download (291kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Download (189kB)
	PDF DAFTAR_PUSTAKA.pdf Download (244kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (1MB)
	PDF LEMBAR_PENGESAHAN.pdf Download (52kB)

Abstract

Penyakit ginjal kronis dikenal sebagai penyakit ginjal kronis (CKD), merupakan salah satu masalah kesehatan yang semakin meningkat di seluruh dunia, termasuk di Indonesia. Tujuan dari penelitian ini adalah untuk mengembangkan model deep learning berbasis arsitektur transformer seperti Vision Transformer (ViT), Swin Transformer, dan Data-efficient Image Transformer (DeiT) untuk mendeteksi CKD secara otomatis menggunakan gambar scan tomografi computed tomography (CT). Studi ini menggunakan tiga skenario dataset yaitu Kaggle, Roboflow, dan kombinasi keduanya untuk meningkatkan akurasi dan generalisasi model. Hasil pelatihan yang sudah dilakukan menunjukkan bahwa DeiT adalah yang terbaik, dengan akurasi pelatihan sebesar 99,91% dan akurasi pengujian sebesar 99,92% pada dataset Kaggle, dan akurasi 100% pada dataset Roboflow dan dataset gabungan. Selain itu, Swin Transformer menunjukkan hasil klasifikasi yang konsisten dan akurasi tinggi. Namun ViT cenderung menghasilkan data uji yang kurang akurat, terutama untuk kelas tumor dan batu ginjal. Diharapkan penelitian ini dapat membantu deteksi CKD secara otomatis dan membantu mengembangkan sistem pendukung diagnosis citra medis.

Item Type:	Thesis (MBKM)
Keywords:	Transformer, DeiT, Swin, ViT, Deep Learning
Subjects:	?? T70 ??
Divisions:	Faculty of Engineering & Informatics > Information System
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	26 Jul 2025 13:02
Last Modified:	26 Jul 2025 13:02
URI:	https://kc.umn.ac.id/id/eprint/39335

Actions (login required)

View Item