MUHAMMAD FAHRI, - (2025) PERBANDINGAN AKURASI ARSITEKTUR EFFICIENTNETB0, VGG16, DAN INCEPTION-V3 DALAM DETEKSI TUMOR GINJAL PADA CITRA CT-SCAN. Bulletin of Computer Science Research, 5 (4). pp. 696-705. ISSN ISSN 2774-3659 (Media Online)

Preview	Text (JURNAL ARTIKEL) MUHAMMAD FAHRI 11950113429 - MUHAMMAD FAHRI.pdf - Published Version Download (4MB) | Preview
Preview	Text (PERNYATAAN PUBLIKASI MAHASISWA) Surat Pernyataan - MUHAMMAD FAHRI.pdf - Published Version Download (850kB) | Preview
Preview	Text (PERNYATAAN PUBLIKASI DOSEN) Formulir Persetujuan Publikasi - MUHAMMAD FAHRI.pdf - Published Version Download (1MB) | Preview

Abstract

Gangguan pada fungsi ginjal dapat memicu munculnya berbagai penyakit, termasuk tumor ginjal. Deteksi dini tumor ginjal sangat penting untuk meningkatkan efektivitas pengobatan dan peluang pemulihan pasien. Pemanfaatan teknologi deep learning dalam klasifikasi citra medis menjadi pendekatan menjanjikan, terutama untuk mendeteksi kelainan pada organ ginjal melalui gambar CTScan. Penelitian ini membandingkan performa tiga arsitektur Convolutional Neural Network (CNN), yakni EfficientNet-B0, InceptionV3, dan VGG16, dalam mendeteksi tumor ginjal. Dataset yang digunakan diperoleh dari situs Kaggle berupa gambar CT-scan dengan kelas normal dan tumor, lalu dibagi dalam rasio data latih dan data uji 80:20. Hyperparameter yang digunakan adalah Stochastic Gradient Descent (SGD) dengan learning rate 0,001 dan 0,0001. Evaluasi dilakukan menggunakan confusion matrix dengan metrik accuracy, precision, recall, dan F1-score . Berdasarkan hasil pengujian, model VGG16 yang dikonfigurasi dengan learning rate 0,001 mencapai performa klasifikasi tertinggi, dengan accuracy, precision, recall, dan F1-score masing-masing sebesar 99,46%.

Actions (login required)

View Item