Perbandingan EfficientNet-B0 dan EfficientNet-B1 untuk Klasifikasi Citra Histopatologi Kanker Lambung dengan Explainable AI

Willy, Willy (2026) Perbandingan EfficientNet-B0 dan EfficientNet-B1 untuk Klasifikasi Citra Histopatologi Kanker Lambung dengan Explainable AI. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (797kB)
	PDF BAB_I.pdf Download (216kB)
	PDF BAB_II.pdf Download (1MB)
	PDF BAB_III.pdf Restricted to Registered users only Download (716kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (209kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (219kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (627kB)
	Archive (ZIP) 00000079845_2521_LembarPengesahan.pdf Restricted to Registered users only Download (65kB)

Abstract

Kanker lambung masih menjadi salah satu keganasan dengan beban kasus dan kematian yang tinggi. Penelitian ini membandingkan EfficientNet-B0 dan EfficientNet-B1 untuk klasifikasi biner citra histopatologi lambung serta menganalisis area perhatian model menggunakan Grad-CAM dan Grad-CAM++. Setelah validasi dan penyaringan duplikat lintas split, digunakan 4.998 citra GasHisSDB yang terdiri atas 3.499 data latih, 749 data validasi, dan 750 data uji. Kedua model menggunakan bobot pralatih ImageNet, preprocessing dan augmentasi yang sama, serta tahap transfer learning dan fine-tuning pada dua blok fitur terakhir. Pada transfer learning, EfficientNet-B0 memperoleh accuracy 86,80%, precision macro 86,83%, recall macro 86,80%, F1-score macro 86,80%, dan ROC-AUC 0,9481; EfficientNet-B1 memperoleh masing-masing 87,87%, 87,89%, 87,87%, 87,86%, dan 0,9455. Setelah fine-tuning, EfficientNet-B0 memperoleh accuracy 91,73%, precision macro 91,74%, recall macro 91,73%, F1- score macro 91,73%, dan ROC-AUC 0,9800; EfficientNet-B1 memperoleh masing- masing 93,47%, 93,47%, 93,47%, 93,47%, dan 0,9800. EfficientNet-B1 fine- tuning menghasilkan kesalahan paling sedikit, yaitu 49 dari 750 citra uji. Namun, B1 memiliki 6.515.746 parameter dan waktu pelatihan 30,37 menit, sedangkan B0 memiliki 4.010.110 parameter dan memerlukan 29,32 menit. Grad-CAM dan Grad-CAM++ menunjukkan bahwa pada sampel Abnormal, EfficientNet-B1 menghasilkan perhatian yang lebih terlokalisasi pada area dengan kontras warna dan perubahan tekstur yang menonjol, sedangkan EfficientNet-B0 menunjukkan perhatian lebih menyebar pada perubahan intensitas warna, batas jaringan terang- gelap, tekstur blur, dan pola visual yang tidak seragam. Pada sampel Normal, kedua model menyoroti tekstur halus, titik gelap, dan variasi warna lokal. Dengan demikian, B1 lebih sesuai ketika kinerja klasifikasi menjadi prioritas, sedangkan B0 lebih efisien secara komputasi. Hasil XAI dipahami sebagai indikasi area sensitif model, bukan bukti langsung fitur diagnostik kanker, sehingga masih memerlukan validasi menggunakan anotasi lesi atau penilaian patolog.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Willy, Willy (00000079845)
Contributors:	Aditiyawan, Aditiyawan (8994550022)
Keywords:	EfficientNet, fine-tuning, Grad-CAM, histopatologi, kanker lambung xi Perbandingan EfficientNet-B0 dan..., Willy, Universitas Multimedia Nusantara
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	15 Jul 2026 07:58
URI:	https://kc.umn.ac.id/id/eprint/47552

Actions (login required)

View Item