Penerapan Attention-Based Multiple Instance Learning untuk Klasifikasi Citra Histopatologi Kanker Prostat

Sutiono, Vincent (2026) Penerapan Attention-Based Multiple Instance Learning untuk Klasifikasi Citra Histopatologi Kanker Prostat. Pro-Step Report, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (3MB)
	PDF BAB_I.pdf Download (738kB)
	PDF BAB_II.pdf Download (2MB)
	PDF BAB_III.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (5MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (347kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (610kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (13MB)
	PDF LEMBAR_PENGESAHAN.pdf Restricted to Registered users only Download (52kB)

Abstract

Diagnosis histopatologi kanker prostat secara konvensional masih dihadapkan pada tantangan subjektivitaspatolog(interobservervariability) serta tingginya kemiripan morfologi jaringan ganas dengan kondisi jinak seperti Benign Prostatic Hyperplasia (BPH). Untuk menekan kesalahan diagnostik, penelitian ini mengimplementasikan teknologi Deep Learning denganpendekatanattention-basedMultipleInstanceLearning(MIL)pada citra Whole Slide Image (WSI) jaringan prostat. Evaluasi komprehensif dilakukan terhadap tiga representasi arsitektur utama, yaitu Convolutional Neural Network (CNN), Transformer, dan Hybrid. Metodologi penelitian mencakup proses pembagian patch berukuran 512 x 512 piksel, white filtering untuk mengeliminasi background, ekstraksi fitur, pemisahan data berbasis patient-level split untuk mencegah bias akibat dataleakage,serta pelatihan model dengan metode 5-fold cross validation. Berdasarkan hasil pengujian evaluasi metrik, model UNI2-h dari kelompok Transformer menunjukkan performa paling unggul dan konsisten dengan capaian Akurasi 0,97, Sensitivitas 0,97,Spesifisitas0,98,F1-Score0,97,sertanilai Area Under the Curve (AUC) sebesar 0,99. Hasilinimembuktikanbahwa mekanismeattentionyangdidukungpretrainingpadadomainhistopatologi secara spesifik terbukti efektif membedakan jaringan jinak dan ganas dengan tingkat false positive dan false negative yangsangatrendah,tetapi validasilebihlanjutmenggunakanvariasidatamulticentermasihdiperlukan untuk menguji ketahanan generalisasi model.

Item Type:	Technical Report (Pro-Step Report)
Creators:	Sutiono, Vincent (00000070476)
Contributors:	Shabrina, Nabila Husna (0321099301)
Keywords:	Kanker Prostat, Whole Slide Image, Multiple Instance Learning,Deep Learning, Histopatologi
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 004 Computer Science, Data Processing, Hardware
Divisions:	Faculty of Engineering & Informatics > Computer Engineering
Date Deposited:	25 Jul 2026 11:59
URI:	https://kc.umn.ac.id/id/eprint/48163

Actions (login required)

View Item