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
Aprianto, Anda Bagas
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 
Klasifikasi Kanker Paru-Paru pada Citra CT Scan Menggunakan Model ConvNeXt dengan Pre-processing CLAHE dan Konfigurasi Hyperparameter Aprianto, Anda Bagas; Yudistira, Novanto; Dewi, Candra
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 10 No 2 (2026): Februari 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Kanker paru-paru merupakan penyebab utama kematian akibat kanker secara global yang menuntut penanganan cepat dan akurat. Computed Tomography (CT) scan menjadi standar emas deteksi dini, namun interpretasi manual memiliki kekurangan karena bersifat subjektif dan rentan terhadap false positive akibat kemiripan visual yang kompleks antara nodul jinak dan ganas. Penelitian ini mengusulkan klasifikasi kanker paru-paru menggunakan arsitektur deep learning ConvNeXt-Tiny pada dataset IQ-OTH/NCCD. Pembagian data dilakukan secara image-wise yang memperlakukan setiap citra secara independen, sedangkan ketidakseimbangan kelas ditangani menggunakan mekanisme weighted loss dengan pendekatan inverse frequency guna memberikan bobot penalti lebih besar pada kelas minoritas. Tahapan penelitian meliputi penerapan Contrast Limited Adaptive Histogram Equalization (CLAHE) untuk mempertegas fitur citra serta pencarian konfigurasi hyperparameter optimal. Hasil pengujian membuktikan bahwa integrasi CLAHE dengan clip limit 2.0 dan grid size 8x8 sangat krusial karena mampu meningkatkan accuracy dari 0.9759 menjadi 0.9940. Konfigurasi pelatihan terbaik tercapai pada learning rate 0.0001, batch size 32, serta optimizer Adam. Dalam analisis komparatif, ConvNeXt-Tiny terbukti superior dengan accuracy 0.9880, precision 0.9880, recall 0.9880, F1-score 0.9880, dan ROC-AUC 0.9988, mengungguli model ResNet-50 dan Swin-T yang keduanya hanya mencapai 0.9639. Meskipun memiliki inference time 1.99 detik yang sedikit lebih lambat, penelitian ini menegaskan potensi ConvNeXt-Tiny dengan pre-processing CLAHE sebagai metode yang robust untuk diagnosis klinis.
Co-Authors Candra Dewi Novanto Yudistira