Klasifikasi Penyakit Ginjal pada Citra CT Scan Menggunakan Hybrid VGG16 dan Extreme Gradient Boosting
Jurnal Komputasi · 30.10.2026 · 14 (2) · 203-218
DOI: 10.23960/komputasi.v14i2.482 ↗Kurz gefasst
Fachartikel in der Zeitschrift Jurnal Komputasi, online erschienen am 30.10.2026. Verfasst von Andria Laras Ramadhania und 2 weiteren Autor:innen. Der Volltext ist frei zugänglich (Open Access, CC BY-NC 4.0).
Abstract (Originalsprache)
Penyakit ginjal merupakan kondisi kesehatan serius yang berkembang secara bertahap tanpa gejala mencolok, sehingga banyak kasus baru terdeteksi setelah kondisinya parah, dan memerlukan diagnosis akurat serta dini untuk mencegah komplikasi lebih lanjut. Computed Tomography (CT) banyak digunakan untuk mengidentifikasi kelainan ginjal seperti kista, batu ginjal, dan tumor karena sensitivitasnya yang tinggi, namun interpretasi manual oleh radiolog masih memakan waktu dan rentan terhadap ketidakkonsistenan penilaian akibat kemiripan visual antar kelas. Penelitian ini mengusulkan pendekatan hybrid deep learning yang menggabungkan VGG16 sebagai feature extractor dengan Extreme Gradient Boosting (XGBoost) sebagai classifier untuk mengklasifikasikan citra CT Scan ginjal ke dalam empat kelas, yaitu cyst, normal, stone, dan tumor. Dataset yang digunakan berasal dari repositori publik Kaggle berjumlah 11.756 citra, yang diuji pada tiga skenario berdasarkan orientasi citra, yaitu dataset gabungan, axial, dan coronal, masing-masing dengan dan tanpa augmentasi data, serta dievaluasi menggunakan Stratified k-Fold Cross Validation dan optimasi hyperparameter Bayesian Optimization (Optuna). Hasil penelitian menunjukkan bahwa model terbaik diperoleh pada skenario dataset axial dengan augmentasi, yang menghasilkan train accuracy sebesar 0,9994, rata-rata validation accuracy sebesar 0,9983, dan test accuracy sebesar 0,9964, dengan precision, recall, dan F1-score yang hampir sempurna pada seluruh kelas. Temuan ini menunjukkan bahwa kombinasi VGG16 dan XGBoost mampu membedakan kelas penyakit ginjal pada citra CT Scan dengan performa klasifikasi yang tinggi dan konsisten, serta berpotensi diterapkan sebagai alat bantu diagnosis untuk mendukung interpretasi radiolog secara lebih efisien.
Zitieren
APA
Ramadhania, A. L., Shofiana, D. A., & Citra, E. E. (2026). Klasifikasi Penyakit Ginjal pada Citra CT Scan Menggunakan Hybrid VGG16 dan Extreme Gradient Boosting. Jurnal Komputasi, 14(2), 203-218. https://doi.org/10.23960/komputasi.v14i2.482
Vancouver
Ramadhania AL, Shofiana DA, Citra EE. Klasifikasi Penyakit Ginjal pada Citra CT Scan Menggunakan Hybrid VGG16 dan Extreme Gradient Boosting. Jurnal Komputasi. 2026;14(2):203-218. doi:10.23960/komputasi.v14i2.482
BibTeX
@article{Ramadhania2026,
author = {Ramadhania, Andria Laras and Shofiana, Dewi Asiah and Citra, Erin Eka},
title = {Klasifikasi Penyakit Ginjal pada Citra CT Scan Menggunakan Hybrid VGG16 dan Extreme Gradient Boosting},
journal = {Jurnal Komputasi},
year = {2026},
volume = {14},
number = {2},
pages = {203--218},
doi = {10.23960/komputasi.v14i2.482}
}
EUVIMED