LPPM UNIVERSITAS NUSA MANDIRI Lembaga Penelitian dan Pengabdian Masyarakat Universitas Nusa Mandiri
Tim peneliti Universitas Nusa Mandiri (UNM) menunjukkan capaian dalam pelaksanaan Hibah Penelitian DPPM Kemdiktisaintek Tahun 2026 melalui penelitian berjudul “Pengembangan Model GIVisNet Adaptif untuk Deteksi Dini Kelainan Gastrointestinal Berbasis Kecerdasan Buatan dalam Upaya Meningkatkan Akurasi Diagnostik.” Capaian tersebut disampaikan dalam kegiatan Monitoring dan Evaluasi (Monev) Internal Laporan Kemajuan Hibah Penelitian DPPM Kemdiktisaintek Tahun 2026 yang diselenggarakan oleh Lembaga Penelitian dan Pengabdian kepada Masyarakat (LPPM) Universitas Nusa Mandiri.
Penelitian melalui skema Penelitian Fundamental – Reguler ini diketuai oleh Taopik Hidayat, dengan anggota Daniati Uki Eka Saputri, Nurul Khasanah, dan Faruq Aziz, serta melibatkan Siti Zainab Amri dan Farros Althaf sebagai mahasiswa. Penelitian berfokus pada pengembangan model GIVisNet Adaptif untuk klasifikasi citra gastrointestinal berbasis kecerdasan buatan dengan memperhatikan aspek akurasi dan kemampuan model dalam menjelaskan hasil klasifikasinya.
Pada tahap penelitian yang telah dilaksanakan, tim menggunakan dataset Kvasir-V2 yang terdiri atas delapan kategori citra endoskopi gastrointestinal. Lima arsitektur Convolutional Neural Network (CNN), yaitu ResNet18, ResNet50, MobileNetV2, EfficientNet-B0, dan DenseNet121, dibandingkan untuk memperoleh baseline pengembangan model GIVisNet Adaptif.
Hasil pengujian menunjukkan bahwa seluruh model mencapai akurasi di atas 92%, dengan EfficientNet-B0 mencapai akurasi tertinggi sebesar 94,04%. Sementara itu, analisis explainability menggunakan Grad-CAM dan Intersection over Union (IoU) menunjukkan DenseNet121 memperoleh nilai IoU tertinggi sebesar 0,71, sehingga memperlihatkan adanya perbedaan antara kemampuan klasifikasi dan kemampuan interpretasi model.
Selain pengujian model, tim juga melaksanakan Forum Group Discussion (FGD) pada 24 Agustus 2026 untuk memperoleh masukan dari perspektif klinis dan akademik terkait pengembangan model GIVisNet Adaptif. Masukan tersebut menjadi bahan untuk memperkuat aspek adaptivitas model, validasi, serta penggunaan data yang lebih sesuai dengan kebutuhan penelitian.
Dari sisi luaran, artikel berjudul “Explainable Gastrointestinal Image Classification Using CNN Architectures: A Comparative Study with Grad-CAM and IoU-Based Evaluation” telah disubmit ke International Journal of Robotics and Control Systems (IJRCS) dan saat ini masih dalam proses review.
Tahap selanjutnya akan diarahkan pada pengembangan GIVisNet Adaptif berdasarkan hasil perbandingan lima arsitektur CNN, peningkatan generalisasi model, penguatan explainability, serta validasi komparatif dan pengujian pada dataset gastrointestinal tambahan apabila sumber daya memungkinkan. Melalui penelitian ini, tim UNM membangun baseline yang menjadi dasar pengembangan GIVisNet Adaptif dengan tidak hanya mempertimbangkan kemampuan model dalam melakukan klasifikasi, tetapi juga sejauh mana keputusan model dapat dijelaskan secara visual.
