Perpustakaan Digital ITB

Penggabungan fitur (feature fusion) dari beberapa arsitektur Convolutional Neural Network (CNN) menghasilkan deskriptor citra medis yang komprehensif namun berdimensi tinggi. Pada kondisi High Dimension Low Sample Size (HDLSS) yang lazim di ranah klinis, pengklasifikasi berbasis margin seperti Support Vector Machine (SVM) rentan terhadap fenomena data piling sehingga kemampuan generalisasinya menurun, sementara Distance Weighted Discrimination (DWD) mampu mengatasinya namun memerlukan biaya komputasi yang tinggi. Penelitian ini mengusulkan kerangka kerja hibrida CNN–DWD dan CNN–MLP–DWD yang mengintegrasikan ekstraksi fitur feature fusion dari frozen backbone (ResNet dan DenseNet), Multi-Layer Perceptron (MLP) sebagai reduktor dimensi, dan DWD sebagai pengklasifikasi akhir. Ketepatan lokalisasi fitur divalidasi menggunakan Eigen-CAM, dan evaluasi dilakukan pada tiga dataset citra medis (Breast USG, Breast Mammography, dan Chest X-Ray) di bawah skenario data latih 10% dan 70%. Hasil eksperimen menunjukkan DWD lebih tahan terhadap perturbasi noise dibandingkan SVM dan klasifikator konvesional lainnya, kompresi fitur oleh MLP dari 3072 menjadi 32 dimensi memberikan percepatan pelatihan hingga lebih dari 130 kali lipat tanpa menurunkan akurasi, dan strategi feature fusion secara konsisten mengungguli ekstraktor tunggal. Kerangka kerja yang diusulkan mencapai akurasi 93,16% pada dataset Breast USG serta akurasi 98,01% dengan AUC 99,69% pada dataset Chest X-Ray, melampaui berbagai studi terdahulu.