EVALUASI KINERJA BACKBONE PADA MASK REGION-BASED CONVOLUTIONAL NEURAL NETWORK (MASK RCNN) UNTUK SEGMENTASI DAN DETEKSI LEUKOSIT

Studi ini menyelidiki penggunaan Mask R-CNN untuk proses segmentasi dan pengenalan sel darah putih pada gambar apusan darah tepi. Metode ini dimaksudkan untuk mengatasi masalah dengan analisis manual yang dilakukan oleh ahli patologi. Kemajuan kecerdasan buatan bidang deep learning membawa solusi untuk mengatasi keterbatasan metode konvensional. Mask Region-based Convolutional Neural Network atau Mask R-CNN, merupakan arsitektur deep learning yang mampu mendeteksi dan menyegmentasi objek citra. Mask R-CNN juga sering dijadikan oleh peneliti sebagai salah satu alat utama untuk melakukan deteksi dan segmentasi instance pada citra medis. Pada penelitian ini, dilakukan uji coba menggunakan beberapa backbone yang berbeda untuk mencari kinerja model yang terbaik yakni backbone ResNet50, ResNet101, dan ResNeXt101. Dalam penelitian ini digunakan dataset yang diambil dari Kaggle, yang terdiri dari 975 citra dan mencakup lima kelas sel darah putih: Basophil, Eosinophil, Neutrophil, Lymphocyte, dan Monocyte. Dataset tersebut kemudian dibagi menjadi 80% untuk data pelatihan dan 20% untuk data pengujian. Selama proses pelatihan, diterapkan teknik 5-fold cross-validation guna memperoleh performa model yang optimal. Model dibangun dengan nilai epoch 50 dengan early stopping, optimizer SGD, learning rate 0.0001 menggunakan reduksi learning rate. Hasilnya, pada proses testing model Mask R-CNN terbukti efektif dalam segmentasi dan deteksi sel darah putih, mencapai nilai mAP50 yang tinggi yakni 0.973 pada ResNet50, 0.992 pada ResNet101 sebagai hasil mAP50 tertinggi, dan 0.989 pada ResNext101.