Implementasi Arsitektur U-Net 2D untuk Segmentasi Multi-Class Ginjal dengan backbone DenseNet pada Citra CT Scan

Tony, Francesco (2026) Implementasi Arsitektur U-Net 2D untuk Segmentasi Multi-Class Ginjal dengan backbone DenseNet pada Citra CT Scan. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (735kB)
	PDF BAB_I.pdf Download (263kB)
	PDF BAB_II.pdf Download (619kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (282kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (201kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (233kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (701kB)
	Archive (ZIP) 00000065250_2521_LembarPengesahan.pdf Restricted to Registered users only Download (64kB)

Abstract

Penyakit ginjal seperti tumor dan kista memerlukan proses deteksi dan analisis yang akurat melalui citra medis, salah satunya menggunakan Computed Tomography (CT) scan. Namun, proses segmentasi citra CT scan secara manual membutuhkan waktu lama dan bergantung pada ketelitian radiolog. Penelitian ini bertujuan untuk mengimplementasikan arsitektur U- Net 2D berbasis backbone DenseNet untuk segmentasi multi-kelas ginjal pada citra CT scan. Dataset yang digunakan adalah KiTS23, dengan data CT scan 3D yang dikonversi menjadi citra 2D berukuran 256×256 piksel dalam format PNG. Segmentasi dilakukan terhadap empat kelas, yaitu background, ginjal, tumor, dan kista. Model yang diuji terdiri dari U-Net dengan backbone DenseNet121, DenseNet169, dan DenseNet201. Evaluasi dilakukan menggunakan Dice Coefficient pada setiap kelas dan Mean Dice Coefficient (MDC). Hasil penelitian menunjukkan bahwa DenseNet169 memperoleh performa terbaik dengan MDC sebesar 0,9642, diikuti DenseNet121 sebesar 0,9335 dan DenseNet201 sebesar 0,9299. Berdasarkan hasil tersebut, DenseNet169 menjadi backbone paling optimal dalam penelitian ini untuk segmentasi multi-kelas ginjal pada citra CT scan.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Tony, Francesco (00000065250)
Contributors:	Wiratama, Jansen
Keywords:	CT scan, DenseNet, KiTS23, segmentasi ginjal, U-Net
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 004 Computer Science, Data Processing, Hardware > 004.2 Systems Analysis and Design, Information Architecture, Performance Evaluation
Divisions:	Faculty of Engineering & Informatics > Information System
Date Deposited:	06 Jul 2026 07:51
URI:	https://kc.umn.ac.id/id/eprint/47017

Actions (login required)

View Item