Dokumentasi Cara Melakukan Prediksi

Panduan ini menjelaskan langkah operasional dari pemilihan model sampai mendapatkan hasil prediksi yang bersih dan relevan pada area dada.

Kembali ke Analyze

Langkah Prediksi End-to-End

  1. Lihat daftar model: buka halaman Daftar Model untuk melihat model yang tersedia dan statusnya.
  2. Pilih model: klik tombol Pilih pada model yang ingin digunakan untuk analisis.
  3. Cek readiness model: di halaman Analyze, klik tombol Cek readiness model. Pastikan status model siap sebelum prediksi.
  4. Masuk ke halaman crop: klik tombol Prediksi atau Buka halaman crop untuk memulai alur upload gambar.
  5. Upload gambar: unggah file CXR sesuai format yang didukung.
  6. Atur crop area dada: sesuaikan kotak crop agar fokus ke area paru/dada, mengurangi bagian yang tidak relevan agar menekan prediksi yang salah.
  7. Jalankan prediksi: klik tombol Prediksi untuk menjalankan pipeline sesuai model (ROI atau Skip ROI).
  8. Evaluasi hasil: baca label prediksi, probabilitas, threshold, serta visual pendukung (crop, mask ROI, Grad-CAM bila tersedia).

Tips Crop Supaya Prediksi Lebih Stabil

  • Pusatkan area crop pada paru kanan dan kiri secara seimbang.
  • Kurangi area luar dada (latar belakang, marker, atau bagian tubuh non-relevan).
  • Jika hasil tidak konsisten, ulangi crop dengan area dada yang lebih presisi.

Output utama: prediksi BPD/NON_BPD, probabilitas BPD, threshold, dan metadata model.

Output tambahan: artefak crop, mask ROI (pipeline ROI), dan Grad-CAM untuk audit fokus model.

Gunakan hasil model sebagai decision support, bukan satu-satunya dasar keputusan klinis.

Threshold dan Cara Membaca Prediksi

Threshold adalah batas keputusan klasifikasi dari probabilitas BPD. Secara umum, jika probabilitas BPD lebih besar atau sama dengan threshold, hasilnya menjadi BPD. Jika lebih kecil dari threshold, hasilnya menjadi NON_BPD.

  1. Default threshold: nilai awal sistem biasanya 0.50 (bisa berbeda mengikuti konfigurasi model).
  2. Tuning tanpa retrain: threshold bisa diubah langsung di halaman Analyze/Crop (rentang 0.00 sampai 1.00) tanpa melatih ulang model.
  3. Dampak threshold lebih rendah: model lebih mudah memberi label BPD (sensitivitas naik, risiko false positive bisa naik).
  4. Dampak threshold lebih tinggi: model lebih ketat memberi label BPD (spesifisitas naik, risiko false negative bisa naik).
  5. Indikator Borderline: jika probabilitas BPD berada di 0.45-0.65, hasil ditandai Borderline untuk mendorong review visual/manual lebih teliti.
  6. Praktik operasional: coba beberapa threshold pada sampel validasi internal, lalu pilih nilai yang paling sesuai kebutuhan klinis operasional.

Cara Membaca Output Prediksi

  • Prediksi: label akhir BPD atau NON_BPD setelah dibandingkan dengan threshold aktif.
  • Probabilitas BPD: skor keyakinan model terhadap kelas BPD (0% sampai 100%).
  • Threshold: angka batas keputusan yang dipakai pada prediksi saat itu.
  • Pipeline: alur proses aktif, misalnya crop -> prediksi (skip ROI) atau crop -> mask ROI -> prediksi.

Istilah dan Mapping Label Prediksi

Untuk mencegah rancu, sistem menetapkan satu istilah baku untuk hasil klasifikasi: BPD dan NON_BPD.

  1. Label baku: BPD dan NON_BPD.
  2. Varian lama yang tetap dikenali: DBP dipetakan ke BPD, lalu NON BPD / NONBPD / NONDBP dipetakan ke NON_BPD.
  3. Tampilan UI: hasil prediksi ditulis konsisten sebagai BPD atau NON_BPD.
  4. Tujuan: konsistensi istilah pada readiness, hasil prediksi, dan log agar tidak menimbulkan salah tafsir.

Log Prediksi

Setiap prediksi yang dijalankan dari halaman Analyze akan tercatat sebagai log untuk kebutuhan audit operasional dan penelusuran hasil.

  1. Data yang disimpan: nama file, ukuran file, label prediksi, probabilitas BPD, threshold, model, versi, strategi, dan waktu prediksi.
  2. Fungsi utama: memudahkan review ulang hasil prediksi dan pelacakan model yang dipakai pada saat inferensi.
  3. Kontrol data: log tertentu dapat dihapus manual dari tabel log di halaman Analyze jika sudah tidak diperlukan.
  4. Catatan: log adalah metadata prediksi, bukan pengganti dokumentasi klinis formal pasien.

Bersihkan Memori Setelah Digunakan

Setelah sesi prediksi selesai, lakukan pembersihan temporary memory agar file artefak (upload, crop, mask, Grad-CAM) tidak menumpuk di server.

  1. Buka panel Temporary Memory Prediksi pada halaman Analyze.
  2. Klik tombol "Bersihkan temporary memory prediksi" untuk menghapus artefak sementara.
  3. Verifikasi ringkasan storage hingga jumlah file/ukuran menurun sesuai hasil pembersihan.
  4. Lakukan secara berkala terutama setelah batch prediksi besar atau sesi uji coba berulang.

Praktik Operasional yang Disarankan

  • Bersihkan memory di akhir sesi kerja untuk menjaga performa server tetap stabil.
  • Simpan hanya artefak yang benar-benar diperlukan untuk audit atau validasi model.
  • Hindari menyimpan temporary file terlalu lama pada perangkat dengan storage terbatas.