Model Diagnosis Penyakit Ginjal Menggunakan Algoritma Klasifikasi Transfer Learning Adaptive NSC-GCN

Revanza, M. Raya (2023) Model Diagnosis Penyakit Ginjal Menggunakan Algoritma Klasifikasi Transfer Learning Adaptive NSC-GCN. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 06111940000116-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (6MB) | Request a copy

Abstract

Penyakit ginjal adalah masalah kesehatan penting di dunia, termasuk di Indonesia dengan prevalensi sekitar 200.000 penderita setiap tahun dan biaya yang besar untuk perawatan. Ginjal dapat mengalami kerusakan struktural atau gangguan fungsi akibat beberapa faktor seperti usia, kecelakaan, atau obat-obatan berbahaya. Ada metode yang digunakan untuk mempelajari penyakit ginjal, seperti pendekatan Biomarkers dan Artificial Intelligence (AI). Terdapat kelebihan dan kekurangan masing-masing metode sehingga masih perlu dilakukan banyak pengembangan terhadap metode-metode tersebut. Graph Convolutional Network (GCN) sekarang sedang menjadi perhatian dalam komunitas machine learning beberapa tahun terakhir karena sangat efektif dalam induksi fitur simpul berbasis graf yang dapat digunakan untuk diagnosa dan pengklasifikasian penyakit ginjal. Meskipun GCN memiliki potensi yang sangat baik dalam pengklasifikasian citra medis, GCN rentan mengalami masalah over-smoothing yang akan sangat mempengaruhi performasi model apabila jumlah lapisan graf konvolusi pada desain GCN melebihi lima lapisan. Bukan cuma itu, tetapi apabila dataset yang digunakan untuk melatih model tidaklah banyak, maka akan rentan untuk terjadi masalah over-fitting yang menyebabkan menurunnya performansi model saat melakukan pengujian. Sehingga perlu dilakukannya modifikasi untuk menyelesaikan masalah tersebut. Maka pada penelitian ini akan dibuat sebuah model modifikasi yang bisa mengatasi masalah yang sebelumnya belum selesai seperti masalah over-fitting dan representasi graf yang masih belum sempurna serta model yang tetap bisa mengatasi masalah over-smoothing, luaran dari penelitian ini mendapatkan hasil yang cukup baik yaitu dengan akurasi mencapai nilai 91.98%, presisi 85.15%, sensitivitas 85.15% Skor F1 85.15% pada data tes, model yang dibuat pada penelitian juga berhasil menyelesaikan masalah-masalah yang diangkat pada penelitian yaitu oversmoothing, dan model yang dibuat mampu menahan over-fitting hingga sebesar 2.08%. Hasil dari penelitian ini diharapkan dapat memberikan kontribusi terhadap pengembangan pembelajaran mesin dan artificial intelegence dalam dunia medis.
===============================================================================================================================
Kidney disease is a significant health problem worldwide, including in Indonesia, with a prevalence of around 200,000 cases per year and a high cost of treatment. The kidneys can experience structural damage or functional disorders due to various factors such as age, accidents, or harmful medications. There are several methods used to study kidney disease, such as Biomarkers and Artificial Intelligence (AI) approaches. Each method has its advantages and limitations, requiring further development. In recent years, Graph Convolutional Networks (GCNs) have gained attention in the machine learning community because they are highly effective in inducing graph-based node features, which can be used for diagnosing and classifying kidney disease. Although GCNs have great potential in classifying medical images, they are susceptible to over-smoothing issues, which significantly impact model performance when the number of graph convolution layers exceeds five. Furthermore, if the dataset used to train the model is limited, it is prone to overfitting problems, leading to a decline in model performance during testing. Therefore, modifications are necessary to address these issues. In this study, a modified model is developed to overcome previous unresolved issues, such as overfitting, imperfect graph representation, and the ability to handle over-smoothing. The results of this research show promising outcomes, with an accuracy of 91.98%, precision of 85.15%, sensitivity of 85.15%, and F1 Score of 85.15% on the test data. The model successfully addresses the challenges raised in the study, including oversmoothing, and it manages to mitigate overfitting by 2.08%. The findings of this research are expected to contribute to the development of machine learning and artificial intelligence in the medical field.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	penyakit ginjal, graf, konvolusi, kidney disease, graph, convolution
Subjects:	Q Science > QA Mathematics Q Science > QA Mathematics > QA336 Artificial Intelligence Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Mathematics > 44201-(S1) Undergraduate Thesis
Depositing User:	M. Raya Revanza
Date Deposited:	11 Sep 2023 03:39
Last Modified:	11 Sep 2023 03:39
URI:	http://repository.its.ac.id/id/eprint/104006

Actions (login required)

View Item