View/Open

Author
PUTRA, FAARIS PRAYOGA

Date Published
15 Jan 2026

Advisor
Rudi Setiawan, S.T., M.T. ,
Dr. Azian Azamimi ,
I Gde Eka Dirgayussa, M.Si.,

Subject
Teknik Biomedis

Publisher

Perdarahan intrakranial (ICH) merupakan kegawatdaruratan neurologis yang memerlukan deteksi dan penanganan cepat karena keterlambatan diagnosis dapat meningkatkan risiko kematian serta kecacatan permanen. Penelitian ini mengembangkan dan mengevaluasi model deep learning hibrida Cascade untuk klasifikasi multi-label lima subtipe ICH, yaitu intraparenchymal, intraventricular, subarachnoid, subdural, dan epidural, menggunakan RSNA Intracranial Hemorrhage Dataset. Dua konfigurasi arsitektur cascade yang digunakan adalah Cascade EfficientNetV2–ConvNeXt dan Modified Cascade EfficientNetV2–ConvNeXt yang menggunakan stage 3 dan stage 4 ConvNeXt. Model dibandingkan dengan EfficientNetV2 dan ConvNeXt tunggal menggunakan metrik Accuracy, Precision, Recall, F1-Score, dan AUC-ROC. Hasil penelitian menunjukkan bahwa ConvNeXt tunggal mencapai AUC-ROC tertinggi sebesar 0,96. Model Modified Cascade menghasilkan F1-score tertinggi sebesar 0,79, lebih tinggi dibandingkan EfficientNetV2 sebesar 0,74 dan ConvNeXt sebesar 0,77, yang menunjukkan keseimbangan precision dan recall yang lebih stabil. Model ini juga berhasil diintegrasikan ke dalam Web-GUI sebagai proof of concept sistem pendukung klasifikasi ICH. Hasil ini menunjukkan bahwa pendekatan cascade efektif meningkatkan stabilitas klasifikasi multi-label, sedangkan ConvNeXt tetap unggul pada kemampuan diskriminasi.

URI
https://repo.itera.ac.id/depan/submission/SB2602050011

Keyword
Cascade ConvNeXt CT Scan Efficientnet-v2 Perdarahan Intrakranial (ICH)