Scoping Review Pendekatan Machine Learning dengan Feature Fusion untuk Deteksi Dan Klasifikasi Penyakit Gastrointestinal

Abstract

Penyakit saluran cerna merupakan salah satu penyebab utama gangguan kesehatan yang membutuhkan diagnosis dini dan akurat. Pemeriksaan endoskopi merupakan metode standar dalam diagnosis, namun interpretasi citra endoskopi secara manual sangat bergantung pada pengalaman klinisi dan berpotensi menimbulkan kesalahan diagnosis. Penelitian ini mengusulkan metode deteksi dan klasifikasi penyakit saluran cerna berbasis citra endoskopi menggunakan pendekatan machine learning dengan feature fusion. Beberapa arsitektur Convolutional Neural Network (CNN) pralatih digunakan sebagai ekstraktor fitur, yaitu ResNet-50, EfficientNet-B0, dan Inception-V3. Fitur yang dihasilkan kemudian digabungkan pada level fitur dan diklasifikasikan menggunakan algoritma Support Vector Machine dan Random Forest. Dataset yang digunakan adalah Kvasir-V2 yang terdiri dari delapan kelas penyakit saluran cerna. Evaluasi dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa penerapan feature fusion mampu meningkatkan performa klasifikasi dibandingkan penggunaan satu model CNN tunggal. Metode yang diusulkan berpotensi menjadi sistem pendukung keputusan untuk membantu diagnosis penyakit saluran cerna berbasis citra endoskopi.