Mahasiswa Program Doktor Teknik Elektro, Departemen Teknik Elektro dan Teknologi Informasi (DTETI) Fakultas Teknik Universitas Gadjah Mada, Erwin Setyo Nugroho, menjalani ujian tertutup disertasi pada Kamis (22/1).
Ujian disertasi tersebut dipimpin oleh Lesnanto Multa Putranto, M.Eng., Ph.D. sebagai Ketua Penguji, dengan Prof. Hanung Adi Nugroho, S.T., M.Eng., Ph.D. selaku Promotor dan Dr.Eng. Igi Ardiyanto, S.T., M.Eng. sebagai Co-Promotor. Tim penguji turut melibatkan Dr.Eng. Sunu Wibirama, S.T., M.Eng., Dr. Ir. Rudy Hartanto, M.T., Dr. Ahmad Nasikun, M.Sc., Prof. Dr. Eng. Fransisco Danang Wijaya, S.T., M.T., serta Dr. Esa Prakasa, M.T. dari Badan Riset dan Inovasi Nasional (BRIN) sebagai anggota penguji.
Dalam disertasinya, Erwin mengangkat topik pengembangan kecerdasan buatan yang dapat membantu dokter dalam mendiagnosis lesi kulit berpigmen, termasuk melanoma yang dikenal sebagai salah satu kanker kulit paling agresif dan berisiko tinggi apabila terlambat terdeteksi. Meningkatnya kasus melanoma secara global menjadikan deteksi dini sebagai tantangan penting dalam dunia dermatologi.
Erwin menjelaskan bahwa meskipun dermoskopi telah banyak digunakan sebagai metode non-invasif untuk pemeriksaan lesi kulit, proses interpretasi citra masih sangat bergantung pada pengalaman dokter dan rentan terhadap subjektivitas. Variasi bentuk, warna, hingga gangguan visual seperti rambut atau bayangan sering kali menyulitkan proses diagnosis. Di sinilah kecerdasan buatan, khususnya deep learning, berpotensi menjadi sistem bantu diagnosis yang andal.
Kebaruan utama (novelty) dari penelitian ini terletak pada pengembangan model Interpretable Machine Learning (IML), yang tidak hanya menargetkan akurasi tinggi, tetapi juga mampu menjelaskan alasan di balik keputusan model. Berbeda dengan banyak model AI medis yang bersifat black-box, pendekatan ini dirancang agar lebih mudah dipahami dan dipercaya oleh dokter.
Model yang dikembangkan memanfaatkan arsitektur Inception-v3 yang dioptimasi dengan teknik data augmentation, Bayesian hyperparameter tuning, serta mekanisme attention. Sistem ini dilengkapi dua fitur interpretabilitas utama: visualisasi area citra penting menggunakan Grad-CAM, serta penyajian citra pembanding yang mirip melalui Content-Based Image Retrieval (CBIR). Pendekatan ini menyerupai cara dokter membandingkan kasus berdasarkan pengalaman klinis.
Pengujian menggunakan dataset ISIC 2019 yang mencakup delapan kelas lesi kulit menunjukkan hasil yang sangat baik, dengan akurasi 97,38% dan sensitivitas 98,50%, menandakan kemampuan tinggi dalam mendeteksi lesi yang bersifat kritis. Selain itu, studi pengguna yang melibatkan 33 dokter spesialis kulit membuktikan bahwa fitur interpretabilitas secara signifikan meningkatkan tingkat kepercayaan dokter terhadap sistem. Ke depannya, penelitian ini diharapkan dapat berkontribusi pada pengembangan sistem bantu diagnosis medis yang tidak hanya cerdas secara teknis, tetapi juga transparan, dapat dipahami, dan siap diadopsi dalam praktik klinis, khususnya untuk mendukung deteksi dini kanker kulit. (RAS)