digilib@itb.ac.id +62 812 2508 8800

IMPLEMENTASI DEEP BOLTZMANN MACHINE UNTUK PENINGKATAN KUALITAS DAN KLASIFIKASI CITRA X- RAY DALAM DETEKSI KANKER PARU-PARU

39 views
Save At List
Penulis : Fauzia Puspa Lestari [30219301]
Kontributor / Dosen Pembimbing :
  • Prof. Idam Arif, Ph.D.
  • Dr. rer. nat. Freddy Haryanto, S.Si., M.Si.
  • Dr. rer. nat. Sparisoma Viridi, S.Si.
Jenis Koleksi : Disertasi
Tahun Terbit : 2025
Penerbit : Fisika
Fakultas : Fakultas Matematika dan Ilmu Pengetahuan Alam
Subjek :
Kata Kunci : kanker paru-paru, citra X-ray, Deep Boltzmann Machine, Deep Belief Network, super resolution, klasifikasi, transfer learning
Sumber :
Staf Input/Edit : Yati Rochayati  
File : 1 file
Tanggal Input : 16 Des 2025

Deteksi dini kanker paru-paru melalui citra X-ray menghadapi berbagai tantangan signifikan, mulai dari resolusi citra yang rendah hingga keterbatasan data medis yang berlabel. Penelitian ini mengembangkan pendekatan berbasis Deep Boltzmann Machine (DBM) dan Deep Belief Network (DBN) untuk meningkatkan kualitas dan akurasi klasifikasi citra X-ray dalam konteks diagnosis kanker paru- paru. Tiga pendekatan utama diterapkan: (1) super resolution berbasis DBN yang dikombinasikan dengan transformasi domain frekuensi Discrete Cosine Transform (DCT), (2) klasifikasi citra X-ray menggunakan fitur yang diekstraksi oleh DBN dan CRBM (Convolutional Restricted Boltzmann Machine) dengan algoritma machine learning seperti Random Forest, SVM, dan k-NN, serta (3) transfer learning menggunakan DBM dengan pretraining dari dataset non-medis (MNIST dan CIFAR-10) yang dilanjutkan fine-tuning pada dataset radiologis JSRT. Hasil penelitian menunjukkan bahwa DBN mampu meningkatkan kualitas citra X- ray secara signifikan, dengan rata-rata PSNR > 39 dB dan SSIM mendekati 1. Untuk klasifikasi, kombinasi fitur DBN dan algoritma Random Forest menghasilkan akurasi tertinggi hingga 82.8%. Visualisasi fitur menggunakan PCA dan t-SNE juga menunjukkan separabilitas yang baik antara citra kanker dan non- kanker. Selain itu, strategi transfer learning berbasis DBM dari CIFAR-10 memberikan hasil klasifikasi yang lebih baik dibanding MNIST, dengan peningkatan akurasi hingga 89.4% setelah iterasi mean-field sebanyak 10 langkah. Penelitian ini memberikan kontribusi signifikan terhadap pengembangan sistem diagnosis otomatis berbasis citra X-ray, khususnya pada kondisi dengan keterbatasan data dan sumber daya komputasi. Kebaruan penelitian terletak pada integrasi DBN-DCT untuk super resolution serta pemanfaatan korelasi visual dalam pemilihan dataset sumber untuk transfer learning DBM. Rekomendasi pengembangan selanjutnya mencakup integrasi model secara end-to-end, validasi klinis, dan perluasan ke modality citra medis lain seperti CT atau MRI.

Artikel Terkait