Dhaifina Alifa Putri Primary Author mixed material bibliography Banda Aceh Fakultas mipa 2025

Skripsi

Kardiomegali merupakan pembesaran jantung yang dapat terdeteksi melalui citra Xray dada dengan menghitung nilai Cardiothoracic Ratio (CTR). CTR adalah rasio lebar jantung terhadap toraks, nilai CTR yang lebih besar dari 0,5 menunjukkan adanya indikasi kardiomegali. Deteksi manual menggunakan metode konvensional memerlukan keahlian khusus dan sering kali bersifat subjektif. Penelitian ini bertujuan untuk menerapkan metode deep learning dalam segmentasi semantik citra X-ray dada guna memperoleh nilai CTR secara otomatis menggunakan bounding box. Penelitian ini akan membandingkan kinerja dari tiga arsitektur model deep learning, yaitu FCDenseNet, SegNet, dan UNet dalam segmentasi organ jantung dan paru-paru sebagai representasi toraks. Proses penelitian mencakup pengumpulan dan preprocessing data, melatih dan menguji model, serta hyperparameter tuning batch size, learning rate, dan optimizer untuk memperoleh model dengan performa paling optimal. Evaluasi untuk hasil segmentasi model dilakukan menggunakan metrik DiceSimilarity Coefficient (DSC) dan Intersection over Union (IoU), sedangkan evaluasi nilai CTR dilakukan menggunakan sensitivity dari klasifikasi hasil segmentasi menjadikelas kardiomegali dan non kardiomegali dengan ambang batas 0,5. Hasil penelitian menunjukkan bahwa model UNet menghasilkan performa segmentasi paling baik dengan rata-rata DSC sebesar 96% dan IoU sebesar 92,36%, diikuti oleh FCDenseNet dengan rata-rata DSC 95,91% dan IoU 92,20%, serta SegNet dengan rata-rata DSC 95,82% dan IoU 92,02%. Sementara itu, pada klasifikasi kardiomegali, model UNet juga mencatat sensitivity tertinggi sebesar 95,56%, sedangkan FCDenseNet danSegNet sama-sama memperoleh sensitivitas sebesar 95%. Temuan ini mengindikasikan bahwa pendekatan deep learning yang dikembangkan efektif dalamsegmentasi citra X-ray dada untuk mendukung deteksi otomatis kardiomegali melalui pengukuran CTR. 0 ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala 165017 2025-07-22 15:38:47 2025-07-22 22:51:46 machine generated