Perbandingan Kinerja Model Deep Learning untuk Klasifikasi Citra Silang Serasi

Consetta, Rakha Fathin Izzan (2025) Perbandingan Kinerja Model Deep Learning untuk Klasifikasi Citra Silang Serasi. Project Report. [s.n], [s.l.]. (Unpublished)

Text 5025221156-Project_Report.pdf - Accepted Version Download (1MB)

Abstract

Efisiensi dan akurasi dalam pelayanan transfusi darah merupakan aspek vital, di mana uji silang serasi memegang peranan kunci. Proses manual yang bergantung pada interpretasi visual seringkali menjadi kendala karena bersifat subjektif dan lambat. Untuk mengatasi hal tersebut, otomatisasi menggunakan deep learning menawarkan solusi yang menjanjikan. Laporan Kerja Praktik ini berfokus pada perbandingan kinerja secara sistematis terhadap lima arsitektur model pre-trained modern yakni RegNetY-3.2GF, Swin Transformer V2, ConvNeXt V2 Base, EfficientNetV2 Small, dan Vision Transformer untuk tugas klasifikasi citra uji silang serasi yang telah disegmentasi. Metodologi yang diterapkan meliputi pendekatan transfer learning dengan teknik pembekuan parameter dan dievaluasi melalui tiga skenario pengujian: (1) pengujian dasar dengan hyperparameter seragam, (2) validasi silang K-Fold (K-Fold Cross-Validation) untuk mengukur stabilitas, dan (3) optimasi hyperparameter menggunakan Optuna untuk menemukan performa puncak. Hasil pengujian menunjukkan bahwa model berbasis Transformer (SwinV2 dan ViT) memiliki performa baseline yang sangat kuat. Namun, temuan paling signifikan adalah dampak dramatis dari optimasi hyperparameter, di mana model seperti ConvNeXt V2 dan terutama EfficientNetV2 yang pada awalnya gagal (F1 Score 0.5067 dan 0.3378), berhasil mencapai performa yang sangat kompetitif (F1-Score 0.9535 dan 0.8509 secara berurutan) setelah dioptimalkan. Analisis stabilitas melalui K-Fold mengonfirmasi bahwa Swin Transformer V2 tidak hanya konsisten mencapai performa tertinggi dengan F1-Score 0.9677 setelah optimasi, tetapi juga menunjukkan standar deviasi terendah, membuktikan keandalannya yang superior. Kerja praktik ini menyimpulkan bahwa Swin Transformer V2 merupakan model paling optimal untuk tugas ini karena menawarkan kombinasi terbaik antara akurasi, stabilitas, dan efisiensi. Selain itu, hasil studi ini menegaskan bahwa evaluasi model yang komprehensif, mencakup tuning dan analisis stabilitas, adalah krusial untuk pemilihan model yang andal di lingkungan praktis.

Item Type:	Monograph (Project Report)
Uncontrolled Keywords:	Pelayanan Transfusi Darah, Uji Silang Serasi, Klasifikasi Citra, Deep Learning, Transfer Learning
Subjects:	T Technology > T Technology (General) > T57.5 Data Processing T Technology > TA Engineering (General). Civil engineering (General) > TA1637 Image processing--Digital techniques. Image analysis--Data processing.
Divisions:	Faculty of Information Technology > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Rakha Fathin Izzan Consetta
Date Deposited:	15 Jul 2025 01:57
Last Modified:	15 Jul 2025 01:57
URI:	http://repository.its.ac.id/id/eprint/119744

Actions (login required)

View Item