Optimasi Model ResNet-50 dengan Feature-Refined Attention Module untuk Deteksi Fraktur Tulang X-ray

Abie Diaz Doviano, Christopher (2026) Optimasi Model ResNet-50 dengan Feature-Refined Attention Module untuk Deteksi Fraktur Tulang X-ray. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (527kB)
	PDF BAB_I.pdf Download (261kB)
	PDF BAB_II.pdf Download (910kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (596kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (229kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (305kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (933kB)
	Archive (ZIP) 00000067692_2521_LembarPengesahan.pdf Restricted to Registered users only Download (65kB)

Abstract

Fraktur tulang memiliki prevalensi tinggi di Instalasi Gawat Darurat (IGD) yang menuntut diagnosis cepat, namun variasi morfologi dan keterbatasan tenaga ahli di fasilitas kesehatan kecil meningkatkan risiko kesalahan interpretasi citra X-ray. Salah satu pendekatan deep learning, yaitu Convolutional Neural Network sering menghadapi kendala vanishing gradient yang diatasi oleh arsitektur ResNet-50. Meski populer dalam citra medis, ResNet-50 standar masih rentan terhadap overfitting pada dataset terbatas dan seringkali gagal menangkap detail fitur pada area fraktur yang kompleks. Penelitian ini bertujuan mengembangkan sistem klasifikasi fraktur ekstremitas otomatis berdasarkan pada kerangka kerja Cross- Industry Standard Process for Data Mining. Tahapan dimulai dengan pemrosesan dataset FracAtlas dan Bone Fracture X-ray Dataset melalui stratified splitting serta augmentasi data. Pada fase pemodelan, integrasi Convolutional Block Attention Module diterapkan pada pretrained ResNet-50 sebagai mekanisme feature-refining untuk mempertajam ekstraksi fitur relevan. Efektivitas model divalidasi melalui tahap evaluasi menggunakan metrik accuracy, precision, recall, dan F1-score guna membandingkan performanya terhadap model baseline ResNet-50. Hasil pengujian pada 411 data uji menunjukkan peningkatan signifikan dibandingkan model baseline. ResNet-50 dengan CBAM mencapai accuracy 97,81%, melonjak 14,60% dari model standar sebesar 83,21%. Peningkatan performa juga terlihat pada F1- score yang naik drastis sebesar 25,38% poin menjadi 96,77%. Selain akurasi, efisiensi waktu pelatihan berkurang signifikan dari 38,59 menit menjadi 14,79 menit. Sebagai implementasi praktis, sistem diintegrasikan ke dalam aplikasi berbasis web menggunakan Streamlit dan telah dilakukan proses user acceptance testing dengan hasil kelayakan 90%. Penelitian ini membuktikan bahwa strategi feature-refine melalui CBAM efektif meningkatkan akurasi diagnosis fraktur pada ekstremitas guna mendukung pengambilan keputusan medis yang lebih cepat dan akurat.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Abie Diaz Doviano, Christopher (00000067692)
Contributors:	Kristiyanti, Dinar Ajeng
Keywords:	convolutional block attention module, deep learning, deteksi fraktur tulang, ekstremitas atas bawah, ResNet-50
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:	21 Jul 2026 07:58
URI:	https://kc.umn.ac.id/id/eprint/47792

Actions (login required)

View Item