FURJI (2025) PENGEMBANGAN APLIKASI WEB DETEKSI MALIGNANT LYMPHOMA TERINTEGRASI MACHINE LEARNING. 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 (395kB)
[thumbnail of Abstrak] Text (Abstrak)
Abstrak.pdf
Restricted to Registered users only
Download (220kB)
[thumbnail of Bab I] Text (Bab I)
Bab I.pdf
Download (209kB)
[thumbnail of Bab II] Text (Bab II)
Bab II.pdf
Restricted to Registered users only
Download (236kB)
[thumbnail of Bab III] Text (Bab III)
Bab III.pdf
Restricted to Registered users only
Download (533kB)
[thumbnail of Bab IV] Text (Bab IV)
Bab IV.pdf
Restricted to Registered users only
Download (892kB)
[thumbnail of Bab V] Text (Bab V)
Bab V.pdf
Restricted to Registered users only
Download (184kB)
[thumbnail of Daftar Pustaka] Text (Daftar Pustaka)
Daftar Pustaka.pdf
Restricted to Registered users only
Download (194kB)
[thumbnail of Naskah Publikasi] Text (Naskah Publikasi)
Naskah Publikasi.pdf
Restricted to Registered users only
Download (480kB)
[thumbnail of Full Text] Text (Full Text)
Full Text.pdf
Restricted to Repository staff only
Download (2MB)

Abstract

Limfoma ganas, sekelompok keganasan limfoid yang heterogen, menimbulkan tantangan diagnostik yang signifikan karena beragamnya subtipe dan ketergantungan pada analisis citra histopatologi. Penelitian ini mengembangkan aplikasi berbasis web yang terintegrasi dengan pembelajaran mesin untuk mengotomatisasi klasifikasi tiga subtipe limfoma: Leukemia Limfositik Kronis (CLL), Limfoma Folikular (FL), dan Limfoma Sel Mantel (MCL). Model pembelajaran mendalam ResNet50, DenseNet121, dan DenseNet201 dievaluasi menggunakan dataset 748 citra histopatologi dari Kaggle, yang diproses melalui pengubahan ukuran (224x224 piksel), normalisasi, dan pengkodean one-hot. Pembelajaran transfer dengan bobot ImageNet yang telah dilatih sebelumnya dan penyetelan halus menunjukkan DenseNet201 sebagai model terbaik, mencapai akurasi 99,73% dan loss 0,0247, mengungguli DenseNet121 (99,47%, 0,0251) dan ResNet50 (56,15%, 0,5631). Matriks konfusi dan metrik evaluasi (presisi, recall, F1-score ≈ 0,99) mengkonfirmasi ketangguhan DenseNet201 dalam membedakan subtipe limfoma. Aplikasi web berbasis Flask memungkinkan pengunggahan citra secara real-time dan prediksi diagnostik tanpa memerlukan perangkat keras khusus, mendukung penerapan di lingkungan dengan sumber daya terbatas. Pengujian menunjukkan potensinya untuk mengurangi keterlambatan diagnosis, meningkatkan akurasi, dan meningkatkan aksesibilitas terhadap alat deteksi limfoma canggih. Penelitian ini menyoroti peran AI dalam onkologi, menawarkan solusi yang dapat diskalakan untuk meningkatkan kesetaraan dan presisi dalam layanan kesehatan.

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: Deep learning, Histopathological images, Malignant lymphoma, Machine learning, Image classification, Convolutional Neural Networks, Medical imaging, Lymphoma detection
Divisions: Fakultas Teknik > S1 Teknologi Informasi
Depositing User: Bima
Date Deposited: 01 Aug 2025 01:43
Last Modified: 01 Aug 2025 01:43
URI: https://etd.umy.ac.id/id/eprint/51962

Actions (login required)

View Item View Item