Implementasi Segformer untuk Segmentasi Tumor Kanker Tiroid

Sutiono, Vincent (2026) Implementasi Segformer untuk Segmentasi Tumor Kanker Tiroid. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (953kB)
	PDF BAB_I.pdf Download (1MB)
	PDF BAB_II.pdf Download (2MB)
	PDF BAB_III.pdf Download (1MB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (4MB)
	PDF BAB_V.pdf Download (346kB)
	PDF DAFTAR_PUSTAKA.pdf Download (494kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (700kB)

Abstract

Upaya dokter spesialis patologi anatomi untuk menganalisis relevansi kriteriadiagnostikWHOpadakankertiroidvariantallcell(TCV)terhadap prognosis pasien memerlukan dukungan data yang objektif dan akurat. Namun,metodediagnosiskonvensionalmasihbersifatsubjektifdansangat bergantung pada estimasi visual. Proses diagnosis TCV dilakukan melalui pemisahanareatumordengannontumor,menghitungrasioseldalamtumor, dan menentukan persentase cutoff. Mengingat luas area tumor merupakan parameter dalam perhitungan persentase TCV yang saat ini belum dapat dikuantifikasi secara presisi, penelitian ini berfokus pada implementasi teknologi deep learning menggunakan arsitektur SegFormer dengan backbone MiT-B2 untuk melakukan segmentasi tumor pada citra Whole Slide Image. Metode penelitian dilakukan melalui enam tahapan utama, dimulai dari pengumpulan data, pelabelan manual, preprocessing citra, pelatihan model, evaluasi metrik, hingga pengujian inferensi. Hasil pengujian menunjukkan performa dengan nilai metrik Dice Score 0,8630, IoU 0,8097, Precision 0,9104 dan Recall 0,8743. Analisis grafik learning curve dan hasil difference map menunjukkan bahwa model sudah cukup efektif dalam membedakan jaringan tumor dan non-tumor, tetapi masih terdapat fenomenaoverfittingakibat keterbatasanvariabilitas data pasien.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Sutiono, Vincent (00000070476)
Contributors:	Shabrina, Nabila Husna
Keywords:	KankerTiroid,TallCell,WholeSlideImage,SegFormer,Deep Learning
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 004 Computer Science, Data Processing, Hardware
Divisions:	Faculty of Engineering & Informatics > Computer Engineering
Date Deposited:	02 Feb 2026 08:02
URI:	https://kc.umn.ac.id/id/eprint/44508

Actions (login required)

View Item