Skripsi

PENGEMBANGAN MODEL SEGMENTASI UNTUK MENGIDENTIFIKASI KARDIOMEGALI PADA CITRA JANTUNG JANIN MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK

---

Penelitian ini bertujuan mengembangkan metode deteksi dan segmentasi otomatis citra jantung janin berbasis deep learning untuk mendukung identifikasi dini kelainan jantung, khususnya kardiomegali, pada citra ultrasonografi (USG). Analisis citra USG sering menghadapi kendala seperti kualitas citra yang rendah, tingkat noise yang tinggi, serta batas anatomi yang kurang jelas, sehingga proses identifikasi sangat bergantung pada pengalaman operator. Oleh karena itu, diperlukan pendekatan otomatis berbasis kecerdasan buatan untuk membantu analisis citra secara lebih objektif dan efisien. Penelitian ini mengintegrasikan tahap peningkatan kualitas citra menggunakan Median Filter dan Morphological Opening, segmentasi semantik menggunakan arsitektur U-Net, Residual U-Net, dan Attention U-Net, serta deteksi dan segmentasi instance menggunakan model YOLOv8, YOLOv9, dan YOLOv11. Dataset yang digunakan berupa citra USG jantung janin dengan kondisi normal dan kardiomegali yang diperoleh dari Rumah Sakit Bunda Palembang dan koleksi klinis terkait. Evaluasi peningkatan kualitas citra dilakukan menggunakan metrik MSE, PSNR, dan SSIM, dengan hasil menunjukkan bahwa Median Filter memberikan peningkatan kualitas citra terbaik. Hasil eksperimen menunjukkan bahwa model segmentasi berbasis U-Net dan variannya mampu memberikan performa yang sangat baik. Pada data pengujian kasus kardiomegali, model terbaik mencapai akurasi sebesar 0,9973, dengan nilai IoU 0,9044 dan Dice coefficient 0,9498. Sebagian besar model juga mampu mencapai nilai IoU sekitar 0,90 dan Dice sekitar 0,94–0,95. Namun demikian, terdapat variasi performa antar model. Pada beberapa konfigurasi parameter yang kurang optimal, performa model menurun dengan nilai IoU sekitar 0,5376 dan Dice coefficient sekitar 0,6982 pada data pengujian. Secara keseluruhan, penelitian ini menunjukkan bahwa integrasi teknik peningkatan kualitas citra dengan arsitektur deep learning mampu menghasilkan sistem segmentasi otomatis yang efektif untuk citra ultrasonografi jantung janin. Sistem yang dikembangkan berpotensi mendukung pengembangan computer-aided diagnosis (CAD) untuk membantu tenaga medis dalam melakukan identifikasi struktur jantung janin secara lebih objektif dan efisien guna meningkatkan deteksi dini kelainan jantung pada janin.

---

Availability

Detail Information

Series Title

-

Call Number

T1945712026

Publisher

Indralaya : Prodi Doktor Ilmu Teknik, Fakultas Teknik Universitas Sriwijaya., 2026

Collation

xiii, 112 hlm.; ilus.; tab.; 29 cm

Language

Indonesia

ISBN/ISSN

-

Classification

006.307

Content Type

Text

Media Type

-

Carrier Type

-

Edition

-

Subject(s)

Kecerdasan Buatan
Prodi Doktor Ilmu Teknik

Specific Detail Info

-

Statement of Responsibility

TUTI

Other version/related

File Attachment

Comments

---

You must be logged in to post a comment