OPTIMASI FINE-TUNING VISION TRANSFORMER (ViT) MENGGUNAKAN AUGMENTASI DATA DAN REGULARISASI UNTUK DETEKSI MELANOMA

Fahmi Kariem, . (2026) OPTIMASI FINE-TUNING VISION TRANSFORMER (ViT) MENGGUNAKAN AUGMENTASI DATA DAN REGULARISASI UNTUK DETEKSI MELANOMA. Skripsi thesis, UNIVERSITAS PEMBANGUNAN NASIONAL VETERAN YOGYAKARTA.

	Text 1_Cover_123220028.pdf Download (111kB)
	Text 2_Abstrak_123220028.pdf Download (177kB)
	Text 3_Halaman Pengesahan_123220028.pdf Download (326kB)
	Text 4_Daftar Isi_123220028.pdf Download (193kB)
	Text 5_Daftar Pustaka_123220028.pdf Download (152kB)
	Text 6_Skripsi Full_123220028.pdf Restricted to Repository staff only Download (2MB)

Abstract

Melanoma adalah kanker kulit mematikan yang membutuhkan deteksi dini dengan presisi tinggi. Diagnosis visual menggunakan citra dermoskopi seringkali subjektif dan memakan waktu, sehingga arsitektur Vision Transformer (ViT) hadir sebagai solusi klasifikasi cerdas. Namun, implementasi ViT standar pada dataset medis berskala kecil rentan mengalami kegagalan generalisasi akibat ketiadaan bias induktif (inductive bias). Hal ini memicu overfitting, di mana model hanya menghafal citra mentah alih-alih mengekstraksi fitur patologis melanoma sesungguhnya. Selain itu, ketidakseimbangan kelas pada data medis sering menghasilkan tingginya angka false negative atau pasien kanker diprediksi sehat yang berisiko fatal. Oleh karena itu, diperlukan skenario optimasi pelatihan yang terfokus untuk mengatasi kelemahan mendasar ViT pada dataset terbatas guna menjamin keamanan implementasi klinis.
Penelitian ini mengusulkan strategi Optimized Fine-Tuning pada arsitektur Vision Transformer untuk klasifikasi melanoma. Akuisisi data menggunakan citra dermoskopi dari ISIC Archive dengan kelas benign dan malignant. Pra-pemrosesan data mencakup interpolasi ukuran dan normalisasi z-score. Pengembangan sistem dilakukan melalui evaluasi komparatif tiga skenario: Linear Probing (menahan bobot backbone), Standard Fine-Tuning (membuka seluruh lapisan tanpa regulasi), dan Optimized Fine-Tuning sebagai usulan utama. Skenario optimasi ini menerapkan kombinasi augmentasi berlapis (RandAugment, Mixup, CutMix) untuk memanipulasi ruang fitur secara dinamis. Guna mencegah penghafalan data, diterapkan regularisasi ketat melalui Dropout, pengoptimal AdamW dengan Weight Decay, dan Label Smoothing. Sistem ini juga mengintegrasikan fungsi kerugian Weighted Cross-Entropy dengan memberikan penalti lebih besar pada kelas minoritas untuk mengeliminasi bias prediksi.
Hasil pengujian menunjukkan bahwa skenario Optimized Fine-Tuning efektif mengatasi overfitting dan memberikan kinerja klasifikasi paling unggul. Skenario ini mencapai akurasi 92,57 persen, presisi 92,25 persen, dan F1-Score 92,57 persen pada data uji. Lebih lanjut, model secara kritis mampu meningkatkan sensitivitas (recall) menjadi 91,33 persen, yang berdampak langsung pada penurunan drastis jumlah kesalahan false negative menjadi hanya 26 kasus. Hasil empiris ini membuktikan bahwa kelemahan bawaan Vision Transformer pada data terbatas dapat diatasi secara tuntas melalui intervensi augmentasi dan regularisasi terstruktur. Kontribusi utama penelitian ini adalah terciptanya kerangka pelatihan klasifikasi yang tangguh untuk dataset medis berskala kecil. Sistem ini tidak sekadar mengejar tingginya akurasi matematis, melainkan mengedepankan kelayakan operasional klinis dengan menekan sekecil mungkin risiko fatal akibat kesalahan diagnosis.

Kata Kunci: Vision Transformer, Melanoma, Fine-Tuning, Augmentasi Data, Regularisasi

Item Type:	Tugas Akhir (Skripsi)
Additional Information:	FAHMI KARIEM (Penulis - 123220028) ; RIFKI INDRA PERWIRA (Pembimbing)
Uncontrolled Keywords:	Vision Transformer, Melanoma, Fine-Tuning, Data Augmentation, Regularization
Subjek:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	A.Md Sepfriend Ayu Kelana Giri
Date Deposited:	08 Jun 2026 00:57
Last Modified:	08 Jun 2026 00:57
URI:	http://eprints.upnyk.ac.id/id/eprint/49178

Actions (login required)

View Item