<?xml version="1.0" encoding="UTF-8" ?>
<modsCollection xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xmlns="http://www.loc.gov/mods/v3" xmlns:slims="http://slims.web.id" xsi:schemaLocation="http://www.loc.gov/mods/v3 http://www.loc.gov/standards/mods/v3/mods-3-3.xsd">
<mods version="3.3" id="114688">
 <titleInfo>
  <title>SEGMENTASI HATI DAN TUMOR PADA CITRA CT SCAN DENGAN METODE DEEP LEARNING MENGGUNAKAN ARSITEKTUR U-NET</title>
 </titleInfo>
 <name type="Personal Name" authority="">
  <namePart>Aldi Afri Zarman</namePart>
  <role>
   <roleTerm type="text">Primary Author</roleTerm>
  </role>
 </name>
 <typeOfResource manuscript="no" collection="yes">mixed material</typeOfResource>
 <genre authority="marcgt">bibliography</genre>
 <originInfo>
  <place>
   <placeTerm type="text">Banda Aceh</placeTerm>
   <publisher>Fakultas Teknik</publisher>
   <dateIssued>2023</dateIssued>
  </place>
 </originInfo>
 <language>
  <languageTerm type="code"></languageTerm>
  <languageTerm type="text"></languageTerm>
 </language>
 <physicalDescription>
  <form authority="gmd">Skripsi</form>
  <extent></extent>
 </physicalDescription>
 <note>Dalam peranannya sebagai alat pencernaan dalam tubuh manusia, hati berfungsi sebagai detoksifikasi, sintesis protein, hingga produksi bahan kimia yang diperlukan untuk pencernaan. Beberapa penyakit yang dapat terinfeksi pada hati adalah hepatitis yang bisa disebabkan oleh keturunan, tumor, hingga kanker hati. Segmentasi organ internal dan tumor pada Citra CT (Computed Tomography) scan memiliki peran penting dalam diagnosis dan perencanaan pengobatan penyakit. Pendekatan segmentasi hati dan tumor menggunakan deep learning berguna untuk memudahkan tenaga medis dalam diagnosa awal kelainan pada organ hati. Implementasi deep learning sebelumnya dengan arsitektur U-Net pada bidang medis dapat melakukan segmentasi terhadap objek hati dan tumor. Penerapan U- Net sebelumnya mendapatkan nilai Dice score untuk segmentasi hati sebesar 90,8% dan segmentasi tumor sebesar 65,0%. Dengan hasil tersebut masih memungkinkan untuk dapat meningkatkan hasil atau nilai Dice score untuk segmentasi hati dan tumor menggunakan arsitektur U-Net. Oleh karena itu, penelitian ini dilakukan untuk meningkatkan performa U-Net dalam tugas segmentasi hati dan tumor dan menambahkan tugas U-Net untuk melakukan segmentasi gabungan hati dan tumor. Pada penelitian ini, deep learning berbasis U-Net dikembangkan dan diimplementasikan menggunakan perangkat lunak berbasis Python dengan menggunakan pustaka PyTorch. Model ini dilatih menggunakan dataset yang terdiri dari citra CT Scan yang telah dianotasikan oleh ahli radiologi untuk mendapatkan batas tepi yang tepat dari hati dan tumor. Proses peningkatan performa U-Net ini dilakukan dengan cara tuning hyper-parameter pada proses pelatihan. Hasil dari eksperimen menunjukkan bahwa metode yang diusulkan mampu meningkatkan performa dari arsitektur U-Net. Nilai Dice score (DSC) yang diperoleh menunjukkan model mampu menghasilkan segmentasi yang mendekati hasil yang diberikan oleh ahli radiologi. Hasilnya, penelitian ini memperoleh nilai Dice score untuk objek hati 91,2%, tumor 70,0%, dan hati-tumor 91,5%.</note>
 <note type="statement of responsibility"></note>
 <classification>0</classification>
 <identifier type="isbn"></identifier>
 <location>
  <physicalLocation>ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala</physicalLocation>
  <shelfLocator></shelfLocator>
 </location>
 <slims:digitals/>
</mods>
<recordInfo>
 <recordIdentifier>114688</recordIdentifier>
 <recordCreationDate encoding="w3cdtf">2023-09-13 09:57:45</recordCreationDate>
 <recordChangeDate encoding="w3cdtf">2023-09-13 11:17:13</recordChangeDate>
 <recordOrigin>machine generated</recordOrigin>
</recordInfo>
</modsCollection>