Klasifikasi Lesi Payudara Berbasis Citra Ultrasound Menggunakan Arsitektur Hybrid MobileNetV2 dan Vision Transformer dengan Analisis Interpretasi Grad-CAM++

Shivah Budiarto, Russel (2026) Klasifikasi Lesi Payudara Berbasis Citra Ultrasound Menggunakan Arsitektur Hybrid MobileNetV2 dan Vision Transformer dengan Analisis Interpretasi Grad-CAM++. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_I.pdf Download (229kB)
	PDF BAB_II.pdf Download (6MB)
	PDF BAB_III.pdf Restricted to Registered users only Download (2MB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (2MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (233kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (215kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (1MB)
	Archive (ZIP) 00000070376_2521_LembarPengesahan.pdf Restricted to Registered users only Download (65kB)

Abstract

Kanker payudara merupakan salah satu penyebab utama kematian pada perempuan, sehingga deteksi dini yang akurat dan dapat diinterpretasikan sangat diperlukan. Citra ultrasound banyak digunakan karena bersifat non-invasif dan efektif untuk jaringan payudara padat, namun interpretasinya sulit akibat speckle noise, kontras rendah, dan batas lesi yang tidak tegas. Penelitian ini mengembangkan arsitektur hybrid MobileNetV2 dan Vision Transformer (ViT-B/16) untuk klasifikasi lesi payudara pada dataset BUSI yang terdiri dari tiga kelas, yaitu benign, malignant, dan normal. MobileNetV2 berperan mengekstraksi fitur lokal dan ViT menangkap konteks global, yang kemudian digabungkan melalui feature-level fusion dan diklasifikasikan menggunakan MLP classification head. Strategi transfer learning dengan layer-wise unfreezing diterapkan untuk mengadaptasi bobot pretrained terhadap domain citra ultrasound. Evaluasi performa dilakukan menggunakan stratified 5-fold cross-validation dengan metrik accuracy, precision, recall, dan F1- score, sementara interpretabilitas model dianalisis menggunakan Grad-CAM++ dan dievaluasi secara kuantitatif menggunakan metrik Intersection over Union (IoU). Model memperoleh rata-rata accuracy sebesar 0,9782 dan F1-score sebesar 0,9786, dengan evaluasi IoU menghasilkan rata-rata sebesar 0,2335 pada kelas benign dan malignant. Hasil ini menunjukkan bahwa arsitektur hybrid MobileNetV2 dan Vision Transformer mampu mengklasifikasikan lesi payudara dengan performa tinggi, sekaligus memberikan transparansi prediksi melalui analisis interpretabilitas berbasis Grad-CAM++.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Shivah Budiarto, Russel (00000070376)
Contributors:	Wardhana, Ajie Kusuma
Keywords:	breast ultrasound, Grad-CAM++, hybrid, MobileNetV2, Vision Transformer
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	24 Jul 2026 08:02
URI:	https://kc.umn.ac.id/id/eprint/48023

Actions (login required)

View Item