Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Silalahi, Gratia Yudika Morado
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Optimasi Arsitektur Trans-MUF untuk Klasifikasi Multikelas Stadium DM-CKD Menggunakan Citra Fundus Retina dan Data Klinis dengan Mekanisme Mixture-of-Experts Silalahi, Gratia Yudika Morado; Yudistira, Novanto; Dewi, Candra
Jurnal Pengembangan Teknologi dan Ilmu Komputer Vol 10 No 7 (2026): Juli 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Diabetes Melitus (DM) dan Chronic Kidney Disease (CKD) merupakan komorbiditas progresif yang memerlukan deteksi stadium dini secara non-invasif. Penelitian ini mengusulkan modifikasi arsitektur Trans-MUF untuk klasifikasi empat kelas stadium DM-CKD menggunakan citra fundus retina dan data klinis tabular. Image encoder Trans-MUF pretrained dibekukan sebagai feature extractor yang menghasilkan representasi visual 512-dimensi dari input 5-channel. Tabular MLP baru dengan arsitektur FC(8→64→128) memproses delapan fitur klinis termasuk eGFR, HbA1c, dan GDP. Kedua representasi digabungkan melalui late fusion concatenation menjadi vektor 640-dimensi yang diproyeksikan ke empat kelas oleh Fusion Classifier. Ekstensi Mixture-of-Experts (MoE) dengan empat expert network dan gating network linear juga dievaluasi sebagai pengganti Fusion Classifier. Eksperimen dilakukan pada dataset 591 citra dari 280 pasien RS Panti Nirmala Malang dengan pembagian patient-level 70/15/15. Model Trans-MUF 5-Channel Multimodal mencapai akurasi 85,06%, Macro F1 0,8680, dan Macro AUC 0,9485 pada test set 87 sampel, melampaui skenario unimodal. Analisis SHAP mengkonfirmasi eGFR sebagai fitur tabular paling berpengaruh secara konsisten. Mekanisme MoE tidak meningkatkan kinerja pada skala dataset ini, konsisten dengan prediksi teoritis bahwa spesialisasi expert membutuhkan skala data yang lebih besar.
Co-Authors Candra Dewi Novanto Yudistira