Fatih, Muthiah Kamilah and Sipahutar, Rizky Firmansyah (2026) CBAM-Integrated Detection Pipeline with Weighted Boxes Fusion for High-Sensitivity Screening. Diploma thesis, Universitas YARSI.

	Text 1. HALAMAN JUDUL.pdf Download (245kB)
	Text 4. HALAMAN PENGESAHAN.pdf Download (317kB)
	Text 3. HALAMAN PERNYATAAN ORISINALITAS.pdf Download (227kB)
	Text 2. ABSTRAK.pdf Download (374kB)
	Text 9. BAB 1 BUSINESS UNDERSTANDING.pdf Download (583kB)
	Text 17. DAFTAR PUSTAKA.pdf Download (366kB)
	Text 10. BAB 2 DATA UNDERSTANDING.pdf Restricted to Registered users only Download (508kB)
	Text 11. BAB 3 DATA PREPARATION.pdf Restricted to Registered users only Download (509kB)
	Text 12. BAB 4 MODELING.pdf Restricted to Registered users only Download (1MB)
	Text 13. BAB 5 EVALUASI.pdf Restricted to Registered users only Download (701kB)
	Text 14. BAB 6 DEPLOYMENT.pdf Restricted to Registered users only Download (1MB)
	Text 15. BAB 7 MONITORING DAN MAINTENANCE.pdf Restricted to Registered users only Download (362kB)
	Text 16. BAB 8 KESIMPULAN.pdf Restricted to Registered users only Download (364kB)
	Text 18. LAMPIRAN.pdf Restricted to Registered users only Download (2MB)

Abstract

Kanker serviks merupakan salah satu penyebab utama kematian perempuan di seluruh dunia, terutama di negara berkembang yang menghadapi keterbatasan dalam deteksi dini. Sebagian besar seluruhnya disebabkan oleh infeksi human papillomavirus (HPV), khususnya jenis HPV berisiko tinggi. Namun, keterbatasan kualitas dan kuantitas data menjadi tantangan utama dalam pengembangan model deteksi berbasis kecerdasan buatan. Proyek ini bertujuan untuk meningkatkan performa dan generalisasi model deteksi lesi serviks dengan menambahkan modul pada arsitektur. Strategi penambahan modul pada arsitektur model YOLOv5, YOLOv8, dan YOLOv10 dengan menggunakan modul Convolutional Block Attention Module (CBAM) dan Weighted Boxes Fusion (WBF). Model dikembangkan untuk klasifikasi biner (normal dan abnormal), dengan evaluasi dilakukan menggunakan data train, validasi, dan test, serta metrik Precision, Recall, mAP@50, dan mAP@50–95. Hasil menunjukkan bahwa integrasi CBAM dan WBF secara signifikan meningkatkan kemampuan ekstraksi fitur dan optimalisasi prediksi bounding box dibandingkan model standar. Peningkatan performa yang terukur terlihat pada akurasi deteksi objek kecil dan stabilitas model pada data terbatas, dengan tetap mempertahankan efisiensi waktu inferensi yang kompetitif. Dengan stabilitas kinerja yang dihasilkan, model Artificial Intelligence (AI) yang diusulkan ini berpotensi besar untuk diimplementasikan sebagai sistem pendukung keputusan klinis dalam upaya deteksi dini kanker serviks.

Actions (login required)

View Item