IKA TANIA CHAERANI (2025) IMPLEMENTASI MEKANISME ATTENTION CBAM DAN SE-BLOCK PADA ARSITEKTUR EFFICIENTNETB0 DAN EFFICIENTNETV2B3 UNTUK DETEKSI PENYAKIT ARTERI KORONER. S1 thesis, Universitas Muhammadiyah Yogyakarta.

[thumbnail of Halaman Judul] Text (Halaman Judul)
Halaman Judul.pdf
Download (1MB)
[thumbnail of Lembar Pengesahan] Text (Lembar Pengesahan)
Lembar Pengesahan.pdf
Restricted to Registered users only
Download (655kB)
[thumbnail of Abstrak] Text (Abstrak)
Abstrak.pdf
Restricted to Registered users only
Download (196kB)
[thumbnail of Bab I] Text (Bab I)
Bab I.pdf
Download (246kB)
[thumbnail of Bab II] Text (Bab II)
Bab II.pdf
Restricted to Registered users only
Download (274kB)
[thumbnail of Bab III] Text (Bab III)
Bab III.pdf
Restricted to Registered users only
Download (470kB)
[thumbnail of Bab IV] Text (Bab IV)
Bab IV.pdf
Restricted to Registered users only
Download (600kB)
[thumbnail of Bab V] Text (Bab V)
Bab V.pdf
Restricted to Registered users only
Download (195kB)
[thumbnail of Daftar Pustaka] Text (Daftar Pustaka)
Daftar Pustaka.pdf
Restricted to Registered users only
Download (227kB)
[thumbnail of Lampiran] Text (Lampiran)
Lampiran.pdf
Restricted to Registered users only
Download (218kB)
[thumbnail of Naskah Publikasi] Text (Naskah Publikasi)
Naskah Publikasi.pdf
Restricted to Registered users only
Download (824kB)
[thumbnail of Full Text] Text (Full Text)
Full Text.pdf
Restricted to Repository staff only
Download (4MB)

Abstract

Penyakit arteri koroner (Coronary Artery Disease/CAD) merupakan salah satu penyebab utama kematian global, khususnya di negara berkembang. Deteksi dini sangat penting, namun metode diagnosis konvensional seperti angiografi koroner bersifat invasif dan mahal. Penelitian ini mengevaluasi performa dua arsitektur Convolutional Neural Network (CNN) modern, yaitu EfficientNetB0 dan EfficientNetV2B3, dalam mengklasifikasikan citra Coronary Computed Tomography Angiography (CCTA) ke dalam dua kelas: normal dan abnormal. Selain model dasar, dilakukan eksplorasi penambahan mekanisme attention berupa Convolutional Block Attention Module (CBAM) dan Squeeze-and-Excitation Block (SE-Block) untuk meningkatkan performa klasifikasi. Hasil menunjukkan bahwa EfficientNetV2B3 secara konsisten mengungguli EfficientNetB0. Model EfficientNetV2B3 dengan CBAM mencapai akurasi tertinggi sebesar 99,57%, diikuti oleh EfficientNetV2B3 tanpa attention (99,15%), serta EfficientNetB0 dengan CBAM (98,72%). Penambahan CBAM terbukti lebih efektif dibandingkan SE-Block dalam meningkatkan akurasi dan generalisasi model. Penelitian ini menunjukkan bahwa kombinasi arsitektur CNN modern dengan attention mechanism berpotensi besar dalam mendukung sistem diagnosis non-invasif yang cepat dan akurat untuk deteksi penyakit arteri koroner.

Dosen Pembimbing: Slamet Riyadi, Ir., S.T., M.Sc., Ph.D. and Cahya Damarjati, S.T., M.Eng., Ph.D. | NIDN0509087801, NIDN0515038702
Item Type: Thesis (S1)
Uncontrolled Keywords: Coronary Artery Disease, Deep Learning, EfficientNetB0, EfficientNetV2B3, Attention Mechanism, CBAM, SE-Block, CCTA
Divisions: Fakultas Teknik > S1 Teknologi Informasi
Depositing User: Bima
Date Deposited: 17 Jul 2025 03:57
Last Modified: 17 Jul 2025 03:57
URI: https://etd.umy.ac.id/id/eprint/51903

Actions (login required)

View Item View Item