Klasifikasi Batu Ginjal Berbasis MobileNetv2 Graph Neural Network dengan Perbandingan Fungsi Aktivasi

Akhmad Irsyad (Mulawarman University)
Muhammad Rivani (Mulawarman University)
Muhammad Fawaz Saputra (Mulawarman University)
Muhammad Zulfariansyah (Mulawarman University)
Muhammad Yusril Arjulio Prayitno (Mulawarman University)
Muhammad Ari Prayogo (Mulawarman University)

Adopsi Teknologi dan Sistem Informasi
Vol. 5 No. 2 (2026): Adopsi Teknologi dan Sistem Informasi (ATASI)

Batu ginjal merupakan gangguan urologi yang umum dan dapat menimbulkan komplikasi serius apabila tidak terdeteksi secara tepat. Interpretasi citra computed tomography (CT) secara manual masih menghadapi kendala akibat ukuran batu yang kecil, kontras rendah, serta variasi citra antar pasien. Penelitian ini mengusulkan model klasifikasi batu ginjal pada citra CT yang menggabungkan MobileNetV2 sebagai backbone ekstraksi fitur dengan graph module berbasis GraphConvLayer untuk mempelajari relasi antarfitur. Citra melalui tahap preprocessing dan augmentasi data sebelum diklasifikasikan melalui GlobalAveragePooling2D, dense layer, dan classifier head. Penelitian ini juga membandingkan dua fungsi aktivasi, yaitu ReLU dan  Swish, guna mengetahui pengaruhnya terhadap kinerja model. Hasil pengujian menunjukkan bahwa ReLU memberikan performa terbaik dengan akurasi 96,59%, presisi 96,94%, recall 96,59%, dan skor F1 96,67%, sedangkan Swish mencapai AUC-ROC tertinggi sebesar 99,74%. Temuan ini menegaskan bahwa pemilihan fungsi aktivasi berpengaruh signifikan terhadap kinerja arsitektur MobileNetV2-Graph dalam klasifikasi batu ginjal, dengan ReLU sebagai konfigurasi paling stabil dan efektif.