Logo UNTAN Universitas
Tanjungpura
Pontianak

Perbandingan Performa Arsitektur Model U-Net dan Deeplab untuk Segmentasi Low Grade Glioma (LGG) Berbasis Citra Magnetic Resonance Imaging (MRI)

Juha, Yuwardika (2025) Perbandingan Performa Arsitektur Model U-Net dan Deeplab untuk Segmentasi Low Grade Glioma (LGG) Berbasis Citra Magnetic Resonance Imaging (MRI). Skripsi thesis, Universitas Tanjungpura.

[img] PDF (Cover-Bab1)
Cover-Bab1_D1021181029.pdf - Published Version

Download (1MB)
[img] PDF (D1021181029_JUHA_YUWARDIKA)
D1021181029_JUHA_YUWARDIKA.pdf - Accepted Version
Restricted to Repository staff only

Download (3MB)

Abstract

Segmentasi tumor otak pada citra Magnetic Resonance Imaging (MRI) merupakan salah satu langkah penting dalam mendukung diagnosis dan perencanaan tindakan medis yang tepat. Penelitian ini bertujuan untuk membandingkan performa model U-Net dan DeepLabV3 dalam melakukan segmentasi tumor otak jenis Low Grade Glioma (LGG) berbasis citra MRI. Dataset yang digunakan dalam penelitian ini diambil dari Kaggle dengan total 20 dataset terpilih, yang terdiri dari 10 dataset dengan ukuran tumor besar dan 10 dataset dengan ukuran tumor kecil. Data tersebut kemudian dibagi menjadi data latih dan data uji dengan perbandingan 80:20. Proses pelatihan dilakukan dengan menerapkan teknik augmentasi data berupa resize dan normalisasi, serta optimasi model menggunakan algoritma Adamax. Pada dataset LGG 1, DeepLabV3 mencapai nilai Dice Coefficient sebesar 0,8960 dan IoU sebesar 81,25% pada data uji, sedangkan U-Net mencapai Dice Coefficient sebesar 0,8660 dan IoU sebesar 76,49%. Pada dataset LGG 2, DeepLabV3 juga menunjukkan performa unggul dengan Dice Coefficient sebesar 0,8814 dan IoU sebesar 79,47%, sementara U-Net hanya mencapai Dice Coefficient sebesar 0,5595 dan IoU sebesar 39,84%. Temuan ini menunjukkan bahwa DeepLabV3 lebih efektif dalam melakukan segmentasi multi-skala, khususnya pada objek tumor kecil, dibandingkan U-Net. Pengembangan lebih lanjut disarankan untuk menggunakan dataset yang lebih besar dan beragam, serta mengintegrasikan model ke dalam sistem pendukung keputusan medis guna meningkatkan efektivitas dalam diagnosis tumor otak.

Item Type: Thesis (Skripsi)
Creators:
CreatorsNomor Induk Mahasiswa (NIM)Email
Juha, YuwardikaNIMD1021181029UNSPECIFIED
Subjects: 600 – Teknologi (Ilmu Terapan) > 620 Ilmu teknik dan ilmu yang berkaitan > 621 Fisika terapan
Divisions: Fakultas Teknik > Teknik Elektro S1
SWORD Depositor: Rudiarti Rudiarti
Depositing User: Rudiarti Rudiarti
Date Deposited: 05 Aug 2026 03:36
Last Modified: 05 Aug 2026 03:36
URI: https://repository.untan.ac.id/id/eprint/7060

Actions (login required)

View Item View Item