SEGMENTASI CITRA X-RAY DADA MENGGUNAKAN METODE DEEP RESIDUAL U-NET (RESUNET)

Segmentasi citra x-ray dada merupakan tugas penting dalam diagnosis berbantuan komputer yang membutuhkan akurasi dan presisi tinggi. Penelitian ini bertujuan untuk mengevaluasi performa arsitektur ResUNet dalam tugas segmentasi citra dan menentukan epoch pelatihan optimal untuk konvergensi model. Metode yang digunakan melibatkan pelatihan model ResUNet menggunakan dataset citra x-ray dada selama 20 epoch, dengan evaluasi performa menggunakan metrik Dice Coefficient dan Intersection over Union (IoU) pada data validasi. Hasil penelitian menunjukkan bahwa model ResUNet mencapai performa segmentasi yang sangat baik, dengan Validation Dice Coefficient tertinggi sebesar 0,95638 dan Validation IoU tertinggi sebesar 0,97770 pada epoch ke-20. Analisis lebih lanjut mengindikasikan bahwa model mencapai konvergensi optimal pada rentang epoch 15–20, dengan peningkatan yang sangat marginal setelah epoch ke-15. Temuan ini membuktikan bahwa ResUNet merupakan arsitektur yang efektif untuk segmentasi citra x-ray dada, memberikan akurasi tinggi sekaligus mengoptimasi efisiensi komputasi melalui penerapan early stopping. Penelitian ini berkontribusi pada pengembangan sistem segmentasi otomatis yang efisien untuk aplikasi klinis.