View/Open

Author
Ari, Sigit

Date Published
05 May 2026

Advisor
Tirta Setiawan, S.Pd., M.Si.,
Yuliana, M.Cs.,

Subject
Sains Data

Publisher

Patah tulang merupakan kondisi medis yang umum dan memerlukan diagnosis yang akurat. Citra radiografi muskuloskeletal (X-ray) sering digunakan dalam mendeteksi patah tulang, namun interpretasinya masih bergantung pada tenaga medis sehingga berpotensi menimbulkan subjektivitas. Oleh karena itu, penelitian ini menerapkan arsitektur U-Net untuk melakukan segmentasi patah tulang pada citra radiografi muskuloskeletal. Penelitian ini bertujuan untuk menentukan konfigurasi hyperparameter terbaik serta menganalisis pengaruh penggunaan optimizer dan learning rate terhadap performa model U-Net. Dataset diproses melalui tahapan praproses yang meliputi pembagian data, resize citra, normalisasi, dan augmentasi. Model dilatih menggunakan optimizer Adam dan Stochastic Gradient Descent (SGD) dengan variasi learning rate. Evaluasi dilakukan menggunakan metrik Dice Similarity Coefficient (DSC) dan Intersection over Union (IoU). Hasil penelitian menunjukkan bahwa konfigurasi terbaik diperoleh menggunakan optimizer Adam dengan learning rate 0,0001 dan batch size 4, yang menghasilkan nilai DSC sebesar 0,9010 dan IoU sebesar 0,8198 pada data pengujian. Hasil ini menunjukkan bahwa pemilihan optimizer dan learning rate berpengaruh signifikan terhadap performa segmentasi.

URI
https://repo.itera.ac.id/depan/submission/SB2605040008

Keyword
U-Net Segmentasi Patah Tulang Optimizer Learning Rate Dice Similarity Coefficient