Klasifikasi Penyakit Stroke Berdasarkan Citra CT Scan Berbasis EfficientNetV2-B0

Vito Widiyanta, Oktavian (2026) Klasifikasi Penyakit Stroke Berdasarkan Citra CT Scan Berbasis EfficientNetV2-B0. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (670kB)
	PDF BAB_I.pdf Download (218kB)
	PDF BAB_II.pdf Download (587kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (379kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (510kB)
	PDF BAB_V.pdf Restricted to Registered users only Download (208kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (231kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (678kB)
	Archive (ZIP) 00000074775_2521_LembarPengesahan.pdf Restricted to Registered users only Download (66kB)

Abstract

Stroke merupakan salah satu penyebab kematian dan kecacatan tertinggi di dunia, dengan Indonesia mencatatkan angka kematian tertinggi di kawasan Asia Tenggara. Diagnosis stroke umumnya dilakukan menggunakan citra Computed Tomography Scan (CT Scan), namun interpretasinya masih bergantung pada tenaga ahli radiologi yang ketersediaannya terbatas di berbagai fasilitas kesehatan. Penelitian ini bertujuan untuk menerapkan model EfficientNetV2-B0 berbasis deep learning guna melakukan klasifikasi penyakit stroke berdasarkan citra CT Scan ke dalam tiga kelas, yaitu Bleeding, Ischemia, dan Normal, serta mengevaluasi kinerjanya menggunakan metrik accuracy, precision, recall, dan F1-score. Dataset yang digunakan adalah Brain Stroke CT Dataset yang diperoleh dari platform Kaggle, dengan total 6.650 citra. Tahapan penelitian meliputi data cleaning, data splitting dengan rasio 70:15:15, oversampling pada data latih menggunakan augmentasi citra, serta pelatihan model menggunakan pendekatan transfer learning dengan bobot awal ImageNet dan kondisi base model frozen. Model dilengkapi dengan layer tambahan berupa Global Average Pooling 2D, Batch Normalization, Dense, Dropout, dan layer output dengan aktivasi softmax. Hasil evaluasi pada data uji menunjukkan bahwa model memperoleh test accuracy sebesar 93,17% dan test loss sebesar 0,1959. Pada kelas Bleeding, model memperoleh precision sebesar 0,93, recall sebesar 0,81, dan F1-score sebesar 0,87. Pada kelas Ischemia, model memperoleh precision sebesar 0,90, recall sebesar 0,86, dan F1-score sebesar 0,88. Sementara itu, kelas Normal memperoleh performa terbaik dengan precision sebesar 0,94, recall sebesar 0,98, dan F1-score sebesar 0,96. Hasil penelitian menunjukkan bahwa model EfficientNetV2-B0 mampu mengklasifikasikan citra CT Scan stroke dengan performa yang cukup baik.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Vito Widiyanta, Oktavian (00000074775)
Contributors:	Aditiyawan, Aditiyawan (8994550022)
Keywords:	CT Scan, Deep Learning, EfficientNetV2-B0, Stroke, Transfer Learning
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	23 Jul 2026 08:04
URI:	https://kc.umn.ac.id/id/eprint/47942

Actions (login required)

View Item