IMPLEMENTASI DAN EVALUASI MODEL HIBRIDA VARIATIONAL MODEL BASED TAILORED U-NET (VM_TUNET) UNTUK SEGMENTASI CITRA MRI TUMOR OTAK

Muhammad Zaenal Arifin, NIM.: 21106020008 (2026) IMPLEMENTASI DAN EVALUASI MODEL HIBRIDA VARIATIONAL MODEL BASED TAILORED U-NET (VM_TUNET) UNTUK SEGMENTASI CITRA MRI TUMOR OTAK. Skripsi thesis, UIN SUNAN KALIJAGA YOGYAKARTA.

Preview	Text (IMPLEMENTASI DAN EVALUASI MODEL HIBRIDA VARIATIONAL MODEL BASED TAILORED U-NET (VM_TUNET) UNTUK SEGMENTASI CITRA MRI TUMOR OTAK) 21106020008_BAB-I_IV-atau-V_DAFTAR-PUSTAKA.pdf - Published Version Download (2MB) | Preview
	Text (IMPLEMENTASI DAN EVALUASI MODEL HIBRIDA VARIATIONAL MODEL BASED TAILORED U-NET (VM_TUNET) UNTUK SEGMENTASI CITRA MRI TUMOR OTAK) 21106020008_BAB-II_sampai_SEBELUM-BAB-TERAKHIR.pdf - Published Version Restricted to Registered users only Download (5MB) | Request a copy

Abstract

Penyakit tumor otak merupakan tantangan besar dalam dunia onkologi modern karena memiliki angka kematian yang tinggi yang sering kali dipicu oleh keterlambatan diagnosis. Teknologi Magnetic Resonance Imaging (MRI) menjadi instrumen krusial dalam proses identifikasi tumor. Namun, analisis secara manual memiliki keterbatasan berupa ambiguitas pada batas jaringan serta variabilitas antar-pengamat. Penelitian ini bertujuan untuk mengimplementasikan arsitektur hibrida Variational Model-Based Tailored U-Net (VM_TUNet) serta membuat model VM_TUNet pada dataset citra MRI tumor otak, serta mengevaluasi performa model yang telah diuji. Model ini mengintegrasikan arsitektur deep learning U-Net dengan persamaan fisis Cahn-Hilliard untuk meningkatkan ketajaman dan kontinuitas batas objek segmentasi. Metode penelitian terdiri atas empat tahap utama, yaitu persiapan dan pra-pemrosesan data citra MRI tumor otak, implementasi arsitektur menggunakan framework PyTorch, pelatihan dan optimasi model, serta evaluasi performa. Proses evaluasi dilakukan secara kuantitatif menggunakan metrik akurasi piksel, Dice Similarity Coefficient (DSC), dan Intersection over Union (IoU), serta secara kualitatif melalui inspeksi visual kontur objek. Hasil penelitian menunjukkan bahwa model VM_TUNet berhasil dibangun dengan kinerja yang sangat baik. Konfigurasi terbaik dicapai pada variasi 3 blok iterasi dan learning rate 0,001, dengan capaian nilai akurasi piksel sebesar 99,34%, DSC sebesar 79,12%, dan IoU sebesar 65,87% pada data uji. Hasil analisis komparatif menunjukkan bahwa model hibrida VM_TUNet secara signifikan mengungguli model baseline U-Net standar, di mana terjadi peningkatan nilai DSC sebesar 6,46% dan skor IoU sebesar 9,33%. Batasan fisis dari modul numerik terbukti mampu mengeliminasi piksel asing (false positive) dan menghaluskan kelengkungan tepi kontur. Dengan demikian, model VM_TUNet efektif dalam meningkatkan akurasi segmentasi citra medis dan berpotensi mendukung proses pra-diagnosis tumor otak secara lebih objektif di ranah klinis. Kata kunci: Tumor otak, Segmentasi citra, VM_TUNet, Persamaan Cahn-Hilliard

Share this knowledge with your friends :

Actions (login required)

View Item