SEGMENTASI PARU-PARU PADA CITRA X-RAY DADA MENGGUNAKAN DEEP CONVOLUTIONAL NEURAL NETWORK DENGAN ARSITEKTUR U-NET

Putranto, Dinar Wakhid (2023) SEGMENTASI PARU-PARU PADA CITRA X-RAY DADA MENGGUNAKAN DEEP CONVOLUTIONAL NEURAL NETWORK DENGAN ARSITEKTUR U-NET. S2 - Magister thesis, Universitas AMIKOM Yogyakarta.

Text (THESIS) 20.51.1359 Dinar Wakhid Putranto.pdf Download (4MB)

Abstract

Pemeriksaan rontgen dada atau thoraks merupakan pemeriksaan penunjang yang paling umum digunakan dalam pendiagnosaan penyakit paru-paru. Selain karena dapat dilakukan dengan cepat dan praktis pemeriksaan rontgen lebih hemat biaya operasional dibandingkan pemeriksaan penunjang lainnya seperti CT-Scan, MRI dan pemeriksaan darah yang dilakukan di laboratorium. Sebelum menentukan penyakit yang tampak dari gambar paru-paru di dalam citra rontgen dada, Dokter terlebih dahulu harus mengetahui atau menentukan batas area paru-paru tersebut. Tidak setiap citra rontgen dada memiliki gambaran paruparu yang normal, sebagian menampilkan gambaran yang tidak normal seperti terlihatnya kabut putih dan atau perubahan morfologi paru-paru dikarenakan adanya proses penyakit. Sebagai salah satu arsitektur dari Jaringan Syaraf Konvolusi yang dapat digunakan dalam melakukan segmentasi paru-paru, U-Net merupakan sebuah arsitektur yang terdiri atas susudan bagian konvolusi dan bagian dekonvolusi. Penelitian ini mencoba untuk melatih model pembelajaran mendalam dengan arsitektur CNN U-Net untuk mendeteksi area paru-paru dari sebuah gambar rontgen dada. Dari hasil percobaan yang kami lakukan model yang diusulkan tersebut dapat menunjukkan kemampuan dalam mengenali batas paru-paru dari gambaran paruparu yang tidak normal atau berkabut. Performa dari model dihitung dengan mengukur nilai akurasi piksel dan nilai tumpang tindih, didapatkan nilai keduanya secara berurutan adalah 98,25% dan 94,54%.

Actions (login required)

View Item