PENINGKATAN INTERPRETABILITAS GRAD-CAM++ PADA KLASIFIKASI CT SCAN GINJAL MELALUI REGULARISASI ENTROPI CAM PADA RESNET-50

KSATRIA BAGAS MAKAYASHA, . (2026) PENINGKATAN INTERPRETABILITAS GRAD-CAM++ PADA KLASIFIKASI CT SCAN GINJAL MELALUI REGULARISASI ENTROPI CAM PADA RESNET-50. Skripsi thesis, UNIVERSITAS PEMBANGUNAN NASIONAL VETERAN YOGYAKARTA.

	Text ABSTRAK.pdf Download (124kB)
	Text COVER.pdf Download (107kB)
	Text DAFTAR ISI.pdf Download (244kB)
	Text DAFTAR PUSTAKA.pdf Download (182kB)
	Text HALAMAN PENGESAHAN PEMBIMBING.pdf Download (2MB)
	Text HALAMAN PENGESAHAN PENGUJI.pdf Download (2MB)
	Text NASKAH TA_123210099_KSATRIA BAGAS MAKAYASHA.pdf Restricted to Repository staff only Download (3MB)

Abstract

ABSTRAK

Klasifikasi citra CT scan ginjal menggunakan pembelajaran mendalam telah menunjukkan performa yang sangat tinggi, namun masih menghadapi permasalahan utama berupa rendahnya interpretabilitas model akibat sifat “black-box” pada arsitektur Convolutional Neural Network (CNN). Penelitian ini bertujuan untuk meningkatkan kualitas interpretabilitas visual model klasifikasi citra CT scan ginjal berbasis ResNet-50 melalui penerapan regularisasi entropi pada Class Activation Map (CAM), tanpa mengorbankan performa klasifikasi secara signifikan.
Penelitian ini menggunakan pendekatan kuantitatif dengan desain eksperimental. Dataset yang digunakan berupa citra CT scan ginjal yang terdiri dari empat kelas diagnosis, yaitu Cyst, Normal, Stone, dan Tumor. Model baseline dibangun menggunakan arsitektur ResNet-50 dengan bobot pra-latih ImageNet dan dilatih menggunakan weighted cross-entropy untuk menangani ketidakseimbangan data. Selanjutnya, dilakukan fine-tuning model menggunakan metode CAM fostering, yaitu dengan menambahkan penalti regularisasi entropi pada peta aktivasi CAM diferensiabel yang dihasilkan dari lapisan konvolusi terakhir.
Evaluasi interpretabilitas dilakukan menggunakan Grad-CAM++ pada lapisan layer4 sebagai metode visualisasi pasca-pelatihan, dengan metrik kuantitatif berupa Entropy, Radius, dan Signal-to-Noise Ratio (SNR). Hasil pengujian menunjukkan bahwa model hasil fine-tuning mampu mempertahankan performa klasifikasi yang sangat tinggi, dengan nilai akurasi dan macro-F1 pada data uji mencapai nilai maksimum. Dari sisi interpretabilitas, terjadi peningkatan yang signifikan, ditunjukkan oleh penurunan nilai Entropy dari 0.6168 menjadi 0.3313 dan penurunan Radius dari 0.4254 menjadi 0.2394, serta peningkatan nilai SNR secara drastis. Evaluasi kualitatif melalui visualisasi Grad-CAM++ juga menunjukkan bahwa peta atensi model hasil fine-tuning lebih terfokus dan terlokalisasi pada area patologis dibandingkan model baseline.
Berdasarkan hasil tersebut, dapat disimpulkan bahwa penerapan regularisasi entropi CAM pada ResNet-50 efektif dalam meningkatkan interpretabilitas Grad-CAM++ tanpa menurunkan performa klasifikasi. Metode ini berpotensi mendukung transparansi dan keandalan sistem klasifikasi citra medis berbasis pembelajaran mendalam.

Kata kunci: CT scan ginjal, ResNet-50, Grad-CAM++, interpretabilitas, regularisasi entropi CAM.

Item Type:	Tugas Akhir (Skripsi)
Additional Information:	KSATRIA BAGAS MAKAYASHA (Penulis - 123210099) ; BAMBANG YUWONO (Pembimbing)
Uncontrolled Keywords:	CT scan ginjal, ResNet-50, Grad-CAM++, interpretabilitas, regularisasi entropi CAM
Subjek:	Q Science > Q Science (General) T Technology > T Technology (General)
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	Indah Lestari
Date Deposited:	20 Jan 2026 04:52
Last Modified:	20 Jan 2026 04:52
URI:	http://eprints.upnyk.ac.id/id/eprint/46577

Actions (login required)

View Item