Analisis Kinerja Model Vision Transformer (ViT) melalui Citra Magnetic Resonance Imaging (MRI) dalam Deteksi Tumor Otak

Benaya, . (2026) Analisis Kinerja Model Vision Transformer (ViT) melalui Citra Magnetic Resonance Imaging (MRI) dalam Deteksi Tumor Otak. FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM, UNIVERSITAS LAMPUNG.

Preview	File PDF ABSTRAK (ABSTRACT).pdf Download (77Kb) | Preview
	File PDF SKRIPSI FULL.pdf Restricted to Hanya staf Download (4Mb) | Minta salinan
Preview	File PDF SKRIPSI TANPA BAB PEMBAHASAN.pdf Download (2358Kb) | Preview

Abstrak (Berisi Bastraknya saja, Judul dan Nama Tidak Boleh di Masukan)

English: Accurate brain tumor detection using Magnetic Resonance Imaging (MRI) poses a significant challenge in medical diagnosis. This study aims to analyze the performance of Vision Transformer (ViT) model in brain tumor classification and identify critical factors affecting its performance. The dataset consists of 7,023 MRI images classified into four classes: glioma, meningioma, pituitary, and no tumor. Research stages include data preprocessing (grayscale, Gaussian blur, thresholding, morphology, contour detection, cropping, and bone color mapping), data augmentation, and ViT model fine-tuning using AdamW optimizer. Experiments were conducted under two scenarios: data balancing through class weighting and augmentation, and comparison between comprehensive versus partial fine-tuning strategies. Results demonstrate that ViT model achieves optimal performance with 97.08% accuracy, 97.01% precision, 97.01% recall, and 97.01% F1-score. Data balancing improves training stability and model generalization with 0.57% accuracy enhancement. Comprehensive fine-tuning proves 7.47% superior compared to partial fine-tuning despite requiring longer computational time. Benchmarking with previous studies confirms ViT performance competitively to the best CNN architectures. This research contributes to the development of reliable artificial intelligence-based diagnostic systems for brain tumor detection. Indonesia: Deteksi tumor otak secara akurat menggunakan citra Magnetic Resonance Imaging (MRI) merupakan tantangan utama dalam diagnosis medis. Penelitian ini bertujuan menganalisis kinerja model Vision Transformer (ViT) dalam klasifikasi tumor otak serta mengidentifikasi faktor-faktor kritis yang memengaruhi performanya. Dataset terdiri atas 7.023 citra MRI yang diklasifikasikan ke dalam empat kelas: glioma, meningioma, pituitary, dan no tumor. Tahapan penelitian mencakup preprocessing data (grayscale, Gaussian blur, thresholding, morfologi, deteksi kontur, cropping, dan bone color mapping), augmentasi data, serta fine-tuning model ViT dengan optimizer AdamW. Eksperimen dilakukan dengan dua skenario: penyeimbangan data menggunakan pembobotan kelas dan augmentasi, serta perbandingan strategi fine-tuning komprehensif versus parsial. Hasil penelitian menunjukkan bahwa model ViT mencapai kinerja optimal dengan akurasi 97,08%, presisi 97,01%, recall 97,01%, dan F1-score 97,00%. Penyeimbangan data meningkatkan stabilitas pelatihan dan generalisasi model dengan peningkatan akurasi sebesar 0,57%. Fine-tuning komprehensif terbukti 7,47% lebih unggul dibandingkan fine-tuning parsial meskipun membutuhkan waktu komputasi lebih lama. Benchmarking dengan penelitian terdahulu mengonfirmasi performa ViT yang kompetitif dengan arsitektur CNN terbaik. Penelitian ini berkontribusi pada pengembangan sistem diagnosis berbasis kecerdasan buatan yang andal untuk deteksi tumor otak.

Jenis Karya Akhir:	Skripsi
Subyek:	500 ilmu pengetahuan alam dan matematika 500 ilmu pengetahuan alam dan matematika > 510 Matematika
Program Studi:	FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM (FMIPA) > Prodi S1 Matematika
Pengguna Deposit:	2602582664 Digilib
Date Deposited:	27 Apr 2026 03:03
Terakhir diubah:	27 Apr 2026 03:03
URI:	http://digilib.unila.ac.id/id/eprint/98646

Actions (login required)

Lihat Karya Akhir