📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 2 dokumenANALISIS ROBUSTNESS DAN INTERPRETABILITAS MODEL ENSEMBLE DEEP LEARNING PADA KLASIFIKASI KANKER PAYUDARA LINTAS DOMAIN
Penelitian ini bertujuan menganalisis ketahanan (robustness) dan kemampuan interpretabilitas (interpretability) model ensemble deep learning untuk klasifikasi tiga kelas citra USG payudara secara lintas domain (cross-domain). Tiga arsitektur pendukung (Shallow CNN, ResNet50, dan Swin-Tiny) dilatih menggunakan dataset BUSI dan dievaluasi pada dataset RS Kota Baru melalui pengujian zero-shot dan adaptasi fine-tuning. Categorical Focal Loss diterapkan guna menangani ketidakseimbangan data dan memprioritaskan metrik malignant recall. Model ensemble dibangun dengan mengintegrasikan ekstraksi fitur backbone menuju algoritma classifier machine learning klasik seperti KNN dan XGBoost. Hasil evaluasi menunjukkan bahwa perpaduan fitur Swin-Tiny dengan classifier KNN menghasilkan performa generalisasi lintas domain terbaik. Penerapan Focal Loss terbukti efektif menekan angka false negative melalui peningkatan malignant recall yang signifikan. Selain itu, analisis Gradient-weighted Class Activation Mapping (Grad-CAM) mengonfirmasi bahwa Swin-Tiny secara konsisten memusatkan atensi pada area lesi yang relevan secara klinis dibandingkan ResNet50. Kesimpulannya, model ensemble berbasis Swin Transformer mampu memberikan prediksi diagnostik yang tangguh dan stabil di berbagai domain rumah sakit sekaligus mempertahankan transparansi keputusan klinis bagi tenaga medis.
PERBANDINGAN METODE EXPLAINABLE ARTIFICIAL INTELLIGENCE (XAI) UNTUK PREDIKSI REMAINING USEFUL LIFE (RUL) PADA BATERAI LITIUM-ION
Prediksi remaining useful life (RUL) pada baterai litium-ion merupakan aspek kritis untuk memastikan keandalan, keamanan, dan efisiensi biaya dalam berbagai aplikasi, mulai dari perangkat elektronik hingga kendaraan listrik. Tantangan utama dalam prediksi RUL adalah kompleksitas data degradasi baterai yang bersifat nonlinier dan dinamis, serta kurangnya interpretabilitas model machine learning konvensional dan deep learning yang sering dianggap sebagai black box. Tugas akhir ini bertujuan untuk membandingkan performa model machine learning konvensional (Random Forest) dan deep learning (LSTM dan GRU) dalam memprediksi RUL baterai litium-ion, serta mengevaluasi metode Explainable Artificial Intelligence (XAI) yang paling efektif untuk menjelaskan hasil prediksi. Dataset yang digunakan berasal dari NASA Battery Dataset, dengan fokus pada data discharge yang divalidasi oleh pemangku kepentingan industri. Hasil penelitian menunjukkan bahwa Random Forest memberikan performa terbaik dengan tingkat error hanya 1,4%, mengungguli LSTM (11,5%) dan GRU (13%). Metode TreeInterpreter dipilih sebagai metode XAI terbaik berdasarkan evaluasi kolektif para pemangku kepentingan, karena kemampuannya memberikan penjelasan yang akurat dan mudah dipahami. Sistem prediksi RUL berbasis situs web berhasil dikembangkan untuk memudahkan pengguna dalam memantau kesehatan baterai secara real-time. Penelitian ini memberikan kontribusi dalam meningkatkan transparansi dan kepercayaan terhadap model prediksi RUL, serta mendukung pengambilan keputusan yang lebih informatif di industri.