ANALISIS KINERJA U-NET DENGAN BACKBONE ResNet-50 dan MobileNetV2 UNTUK SEGMENTASI TUMOR OTAK PADA CITRA MRI

Hendraloka, Evan (2026) ANALISIS KINERJA U-NET DENGAN BACKBONE ResNet-50 dan MobileNetV2 UNTUK SEGMENTASI TUMOR OTAK PADA CITRA MRI. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (658kB)
	PDF BAB_I.pdf Download (295kB)
	PDF BAB_II.pdf Download (539kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (304kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (279kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (239kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (467kB)
	Archive (ZIP) 00000067469_2521_LembarPengesahan.pdf Restricted to Registered users only Download (64kB)

Abstract

Tumor otak merupakan salah satu penyakit yang membutuhkan proses identifikasi dan segmentasi yang akurat melalui citra Magnetic Resonance Imaging (MRI). Segmentasi secara manual membutuhkan ketelitian tinggi dan dapat memerlukan waktu yang cukup lama. Penelitian ini bertujuan untuk menganalisis kinerja arsitektur U-Net dengan backbone ResNet50 dan MobileNetV2 dalam melakukan segmentasi tumor otak pada citra MRI. Dataset yang digunakan adalah Brisc25 Dataset yang diperoleh dari Kaggle dan dilengkapi dengan mask segmentasi sebagai ground truth. Dataset terdiri dari 6000 citra MRI yang dibagi menjadi data training, validation, dan testing dengan rasio 80/20. Pada tahap preprocessing, citra dan mask diubah ukurannya menjadi 256 x 256 piksel. Tahapan penelitian mencakup preprocessing data, pembagian data, pembangunan model U-Net, pelatihan model, serta evaluasi menggunakan metrik Dice Coefficient dan Intersection over Union (IoU). Hasil penelitian menunjukkan bahwa U-Net dengan backbone MobileNetV2 memperoleh nilai Dice Coefficient sebesar 0,8334, sedangkan ResNet50 memperoleh nilai 0,8164. Nilai IoU pada model ResNet50 sebesar 0,7562 dan nilai IoU pada MobileNetV2 sebesar 0,7712. Berdasarkan hasil tersebut, MobileNetV2 menunjukkan performa yang lebih baik berdasarkan metrik evaluasi yang digunakan serta memiliki arsitektur yang lebih ringan dan efisien untuk segmentasi tumor otak.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Hendraloka, Evan (00000067469)
Contributors:	Wiratama, Jansen
Keywords:	Citra MRI, MobileNetV2, ResNet50, Tumor Otak
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:	08 Jul 2026 07:59
URI:	https://kc.umn.ac.id/id/eprint/47217

Actions (login required)

View Item