Perpustakaan Digital ITB

Penelitian ini bertujuan menganalisis ketahanan (robustness) dan kemampuan interpretabilitas (interpretability) model ensemble deep learning untuk klasifikasi tiga kelas citra USG payudara secara lintas domain (cross-domain). Tiga arsitektur pendukung (Shallow CNN, ResNet50, dan Swin-Tiny) dilatih menggunakan dataset BUSI dan dievaluasi pada dataset RS Kota Baru melalui pengujian zero-shot dan adaptasi fine-tuning. Categorical Focal Loss diterapkan guna menangani ketidakseimbangan data dan memprioritaskan metrik malignant recall. Model ensemble dibangun dengan mengintegrasikan ekstraksi fitur backbone menuju algoritma classifier machine learning klasik seperti KNN dan XGBoost. Hasil evaluasi menunjukkan bahwa perpaduan fitur Swin-Tiny dengan classifier KNN menghasilkan performa generalisasi lintas domain terbaik. Penerapan Focal Loss terbukti efektif menekan angka false negative melalui peningkatan malignant recall yang signifikan. Selain itu, analisis Gradient-weighted Class Activation Mapping (Grad-CAM) mengonfirmasi bahwa Swin-Tiny secara konsisten memusatkan atensi pada area lesi yang relevan secara klinis dibandingkan ResNet50. Kesimpulannya, model ensemble berbasis Swin Transformer mampu memberikan prediksi diagnostik yang tangguh dan stabil di berbagai domain rumah sakit sekaligus mempertahankan transparansi keputusan klinis bagi tenaga medis.