Penerapan Arsitektur U-Net untuk Segmentasi Penyakit Ginjal Kronis pada Citra Medis

Tony, Francesco (2025) Penerapan Arsitektur U-Net untuk Segmentasi Penyakit Ginjal Kronis pada Citra Medis. MBKM thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (476kB)
	PDF BAB_I.pdf Download (190kB)
	PDF BAB_II.pdf Download (557kB)
	PDF BAB_III.pdf Download (212kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Download (180kB)
	PDF DAFTAR_PUSTAKA.pdf Download (199kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (3MB)
	PDF LEMBAR_PENGESAHAN.pdf Download (52kB)

Abstract

Penyakit ginjal kronis (Chronic Kidney Disease/CKD) merupakan salah satu masalah kesehatan global yang sering disertai komplikasi seperti munculnya tumor ginjal. Deteksi dini dan segmentasi area ginjal serta tumor menjadi langkah penting dalam diagnosis dan perencanaan terapi. Penelitian ini mengimplementasikan metode segmentasi citra CT ginjal berbasis U-Net dengan berbagai arsitektur backbone convolutional neural network (CNN), yaitu EfficientNetB7, VGG19, MobileNetV2, ResNet50, dan DenseNet121. Dataset yang digunakan adalah KiTS19, yang berisi citra CT ginjal beserta anotasi segmentasi manual oleh ahli radiologi. Evaluasi kinerja dilakukan menggunakan metrik Mean Dice Coefficient (MDC). Hasil terbaik diperoleh pada U-Net dengan backbone DenseNet121, mencapai MDC sebesar 0,8384, yang menunjukkan peningkatan akurasi signifikan dibandingkan arsitektur lainnya. Temuan ini mengindikasikan bahwa model U-Net dengan backbone DenseNet121 efektif dalam mempertahankan detail spasial dan memfasilitasi aliran informasi antar layer, sehingga cocok diterapkan untuk segmentasi kompleks seperti tumor ginjal. Dengan optimalisasi lebih lanjut seperti augmentasi data yang agresif dan penyesuaian fungsi loss yang lebih kompleks, kinerja model diperkirakan dapat ditingkatkan lebih jauh.

Item Type:	Thesis (MBKM)
Keywords:	Segmentasi, U-Net, Backbone, Tumor, Deep Learning.
Subjects:	?? T70 ??
Divisions:	Faculty of Engineering & Informatics > Information System
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	25 Jul 2025 13:03
Last Modified:	25 Jul 2025 13:03
URI:	https://kc.umn.ac.id/id/eprint/39254

Actions (login required)

View Item