Metodologi & Arsitektur AI
Implementasi teknis menggunakan arsitektur ResNet-50 yang dikombinasikan dengan strategi Transfer Learning untuk mencapai akurasi diagnosis yang optimal pada citra medis.
1 Tulang Punggung ResNet-50
"ResNet-50 dipilih karena struktur Deep Residual Learning yang mampu mengatasi kendala degradasi pada jaringan saraf yang sangat dalam."
🔄 Skip Connections
Mekanisme yang memungkinkan gradien mengalir secara langsung melewati beberapa layer, mencegah hilangnya informasi penting selama proses pelatihan jaringan dalam.
🧠 Transfer Learning
Memanfaatkan bobot dari ImageNet sebagai basis pengetahuan visual, memungkinkan model belajar lebih cepat meskipun dengan dataset medis yang spesifik.
🧩 Custom Classifier
Mengganti lapisan Top Layer asli dengan struktur Global Average Pooling dan Dense Layer baru untuk menghasilkan probabilitas 3 kelas penyakit.
2 Strategi Pelatihan Lanjutan
Optimasi performa dilakukan melalui pendekatan matematis dan pemantauan metrik secara real-time selama proses pelatihan berlangsung.
⚖️ Class Weighting
Teknik ini memberikan bobot kerugian (loss) yang lebih tinggi pada kelas minoritas (COVID-19). Tujuannya adalah memastikan model tidak bias terhadap kelas mayoritas dan tetap memiliki sensitivitas klinis yang tinggi.
📉 ReduceLROnPlateau
Mengoptimalkan Learning Rate secara dinamis. Jika akurasi validasi berhenti meningkat selama beberapa periode (patience), sistem otomatis menurunkan kecepatan belajar agar model dapat menemukan titik konvergensi global.
🛑 Early Stopping
Bertugas sebagai pengawas otomatis yang menghentikan pelatihan saat model mulai menunjukkan gejala overfitting (menghafal data), menjamin bahwa bobot yang disimpan adalah versi terbaik untuk data baru.