Ekstraksi Fitur Citra Jantung Menggunakan Hybrid CNN dan Swin Transformer untuk Analisis Risiko Penyakit Kardiovaskular

Abstrak

Penyakit jantung koroner (PJK) merupakan salah satu kontributor utama kematian akibat penyakit kardiovaskular, sehingga deteksi dini melalui interpretasi citra CT Scan jantung menjadi penting. Analisis manual terhadap citra tersebut menghadapi kendala berupa kompleksitas variasi anatomi dan keterbatasan tenaga ahli radiologi. Penelitian ini bertujuan mengembangkan dan mengevaluasi arsitektur Hybrid CNN–Swin Transformer untuk ekstraksi fitur citra jantung normal dan jantung koroner menggunakan dataset lokal RSUD Labuang Baji, Makassar. Model menggabungkan fitur lokal dari ResNet-50 dan fitur global dari Swin Transformer Tiny melalui mekanisme learnable feature fusion, dilatih menggunakan strategi Two-Phase Training dengan optimizer AdamW dan Weighted Focal Binary Cross-Entropy Loss. Dataset terdiri atas 400 citra (200 normal dan 200 koroner) yang dibagi dengan rasio 80:10:10. Hasil pengujian pada 40 citra data uji menunjukkan model Hybrid CNN–Swin Transformer memperoleh Accuracy 92,50%, Precision 100,00%, Recall 85,00%, F1-Score 91,89%, Specificity 100,00%, dan AUC 0,9850, mengungguli model tunggal ResNet-50 (Accuracy 85,00%) dan Swin Transformer Tiny (Accuracy 77,50%). Hasil ini menunjukkan bahwa penggabungan fitur lokal dan global melalui mekanisme fusi adaptif mampu meningkatkan efektivitas klasifikasi citra jantung sebagai indikator risiko penyakit kardiovaskular.