Analisis Performa dan Iterpretasi Visual Model Inception-ResNet V2 pada Citra Mammogram

Wibowo, Ahsana Farisia (2026) Analisis Performa dan Iterpretasi Visual Model Inception-ResNet V2 pada Citra Mammogram. S1 thesis, Universitas Andalas.

	Text (Cover dan Abstrak) abstrak.pdf - Published Version Download (725kB)
	Text (BAB 1 Pendahuluan) BAB 1 Pendahuluan.pdf - Published Version Download (243kB)
	Text (BAB 5 Penutup) BAB 5 Penutup.pdf - Published Version Download (226kB)
	Text (Daftar Pustaka) Daftar Pustaka.pdf - Published Version Download (238kB)
	Text (Skripsi Full Text) skripsi fulltext.pdf - Published Version Restricted to Repository staff only Download (7MB) | Request a copy

Abstract

Kanker payudara merupakan salah satu penyebab utama kematian pada wanita di dunia. Deteksi dini melalui mamografi berperan penting dalam meningkatkan peluang keberhasilan pengobatan, namun interpretasi citra mammogram masih berpotensi menghasilkan kesalahan diagnosis. Perkembangan deep learning, khususnya Convolutional Neural Network (CNN), memberikan peluang untuk meningkatkan akurasi klasifikasi citra mammogram. Penelitian ini bertujuan menganalisis grafik hasil pelatihan dan validasi, matriks konfusi dan metrik klasifikasi data uji, kurva Receiver Operating Characteristic (ROC), serta menginterpretasikan visualisasi Gradient-weighted Class Activation Mapping (Grad-CAM) pada model Inception-ResNet V2 dalam mengklasifikasikan citra mammogram ke dalam kelas normal dan abnormal (tumor). Data yang digunakan terdiri atas 3.000 citra mammogram dua dimensi, meliputi 2.800 citra dari platform Kaggle dan 200 citra klinis dari RSUP Dr. M. Djamil Padang. Data dibagi menjadi 2.100 citra data latih (70%), 450 citra data validasi (15%), dan 450 citra data uji (15%). Data diolah menggunakan bahasa pemograman Python yang dijalankan di Google Colab. Hasil penelitian menunjukkan bahwa grafik pelatihan dan validasi memiliki pola yang konsisten tanpa indikasi overfitting yang signifikan. Berdasarkan matriks konfusi, model mampu mengklasifikasikan citra dengan akurasi 92,00%, presisi 91,63%, recall 92,44%, spesifisitas 91,56%, dan F1-score 92,04%. Analisis kurva ROC menghasilkan nilai AUROC sebesar 98,11%, yang menunjukkan kemampuan diskriminasi sangat baik dalam membedakan citra normal dan abnormal. Visualisasi Grad-CAM memperlihatkan bahwa model memfokuskan perhatian pada area jaringan payudara yang relevan dengan proses klasifikasi. Dengan demikian, model Inception-ResNet V2 menunjukkan performa klasifikasi yang baik serta interpretabilitas yang memadai untuk mendukung analisis citra mammogram sebagai alat bantu deteksi kanker payudara.

Actions (login required)

View Item