Implementasi Mobile Vision Transformer (MobileViT) Untuk Klasifikasi Citra Medis Tumor Otak

Meningkatnya kasus Tumor Otak di dunia, Asia, bahkan di Indonesia, sehingga
para ahli radiologi membutuhkan teknologi pendukung diagnosis yang cepat dan
efisien dalam membaca intepretasi citra Magnetic Resonance Imaging (MRI)
dengan keahlian diagnostik tinggi, yaitu penerapan Deep Learning menggunakan
model arsitektur hybrid berbasis lightweight. Penelitian ini bertujuan
mengimplementasi, menganalisa, dan melakukan evaluasi performa pada 3 variasi
ukuran model Mobile Vision Transformer (MobileViT). Dataset yang digunakan
dataset MRI tumor otak berjenis T1-weighted dengan kontras (CE-MRI), dengan
jumlah dataset berkisar 3.064 data. Proses pelatihan model dilakukan selama 60
epoch dengan learning rate 0,0001, menggunakan optimizer AdamW dan fungsi
loss Categorical Crossentropy. Untuk mencegah overfitting dan mengoptimalkan
performa, diterapkan teknik L2 Regularization, Dropout, serta callback
ModelCheckpoint dan ReduceLROnPlateau. Evaluasi model dilakukan secara
kuantitatif menggunakan metrik berbasis Confusion Matrix dan Koefisien Kappa,
serta secara kualitatif melalui visualisasi Grad-CAM untuk menganalisis
interpretabilitas fokus model. Pada tahap akhir, model dengan performa terbaik
diimplementasikan melalui antarmuka Gradio. Hasil penelitian menunjukkan
varian model MobileViT-S sebagai model performa terbaik dan tertinggi dengan
akurasi 92,50?n Koefisien Kappa 0,89, serta varian model MobileViT-XS
memiliki interpretabilitas visual attention yang lebih konsisten dan terfokus pada
area lesi tumor. Proses deployment model diimplementasikan menggunakan Gradio
guna memfasilitasi pengujian prediksi secara interaktif dan real-time.