View/Open

Author
Aldi, Ilyas

Advisor
Doni, Bowo Nugroho, S.Pd., M.Sc.
Risnandar, Ph.D.,
Nova, Resfita, S.T., M.Sc.

Koleksi
Undergraduate Thesis

Publisher

Tumor otak merupakan kondisi serius yang menyerang sistem saraf pusat, dengan tingkat kematian yang tinggi dan membutuhkan diagnosis yang akurat untuk intervensi medis yang tepat. Segmentasi citra MRI untuk diagnosis tumor otak menantang karena memerlukan presisi tinggi dalam memisahkan area tumor dari jaringan lain. Metode segmentasi otomatis yang efektif, seperti U-Net, sangat penting untuk meningkatkan kecepatan dan akurasi diagnosis. Pada penelitian ini, U-Net dikembangkan menggunakan data set BRATS20 untuk mengidentifikasi area tumor. Proses pra-pemrosesan meliputi cropping, reshaping, dan deteksi tepi Sobel. Deteksi tepi dilakukan menggunakan kernel Sobel ukuran 3x3, 5x5, dan 7x7. Hasilnya menunjukkan bahwa kernel Sobel 7x7 memiliki tepi yang paling halus. Model dilatih menggunakan berbagai kombinasi hyper-parameter untuk menentukan konfigurasi yang memberikan performa optimal. Setelah pelatihan dengan ketiga variasi kernel dan hyper-parameter terbaik, model dengan kernel Sobel 7x7 mencapai skor Dice Coefficient sebesar 94%, lebih tinggi dibandingkan literatur lain. Hasil ini menunjukkan bahwa pendekatan penelitian efektif dalam meningkatkan akurasi segmentasi dan memiliki potensi sebagai alat pendukung keputusan medis untuk diagnosis yang lebih baik. Kata kunci: filter Sobel, MRI, segmentasi citra, tumor otak, u-net

URI
https://repo.itera.ac.id/depan/submission/SB2409250030

Keyword
filter Sobel, MRI, segmentasi citra, tumor otak, u