SEGMENTASI KANKER PAYUDARA PADA BREAST ULTRASOUND IMAGES MENGGUNAKAN MODIFIKASI ARSITEKTUR DEEPLABV3+, SQUEEZE AND EXCITATION NETWORKS DAN ATTENTION GATE

AZZAHRA, NUR DEVITA and Desiani, Anita and Andriani, Yuli (2025) SEGMENTASI KANKER PAYUDARA PADA BREAST ULTRASOUND IMAGES MENGGUNAKAN MODIFIKASI ARSITEKTUR DEEPLABV3+, SQUEEZE AND EXCITATION NETWORKS DAN ATTENTION GATE. Undergraduate thesis, Sriwijaya University.

	Image RAMA_44201_08011282126026_cover.pdf - Cover Image Available under License Creative Commons Public Domain Dedication. Download (331kB)
	Text RAMA_44201_08011282126026.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (3MB) | Request a copy
	Text RAMA_44201_08011282126026_TURNITIN.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (10MB) | Request a copy
	Text RAMA_44201_08011282126026_0011127702_0002077202_01_front_ref.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (1MB)
	Text RAMA_44201_08011282126026_0011127702_0002077202_02.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (776kB) | Request a copy
	Text RAMA_44201_08011282126026_0011127702_0002077202_03.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (481kB) | Request a copy
	Text RAMA_44201_08011282126026_0011127702_0002077202_04.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (1MB) | Request a copy
	Text RAMA_44201_08011282126026_0011127702_0002077202_05.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (233kB) | Request a copy
	Text RAMA_44201_08011282126026_0011127702_0002077202_06_ref.pdf - Bibliography Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (245kB) | Request a copy

Abstract

Kanker payudara adalah jenis kanker yang ditandai dengan adanya benjolan akibat pertumbuhan sel-sel abnormal pada payudara. Proses pemisahan sel abnormal dan jaringan sehat pada payudara dapat dilakukan dengan segmentasi. Segmentasi dapat dilakukan dengan menggunakan Convolutional Neural Networks (CNN). Salah satu arsitektur CNN yang dapat digunakan dalam proses segmentasi citra adalah DeepLabV3+. Arsitektur DeepLabV3+ terdiri dari encoder dan decoder. Encoder DeepLabV3+ terdiri atas lapisan backbone dan Atrous Spatial Pyramid Pooling (ASPP). Pada lapisan backbone digunakan arsitektur DenseNet, karena kemampuannya dalam meminimalkan terjadinya vanishing gradient melalui pemanfaatan kembali fitur yang telah dipelajari. Namun, ketika hasil DenseNet diteruskan pada ASPP dapat menyebabkan terjadinya redudansi informasi akibat memanfaatkan kembali fitur yang berdampak pada peningkatan memori dan waktu komputasi. Penelitian ini menerapkan modifikasi arsitektur DeepLabV3+ dengan menambahkan modul Squeeze-and-Excitation Networks (SENet) dan Attention Gate untuk segmentasi kanker payudara pada Breast Ultrasound Images (BUSI). SENet disisipkan diantara lapisan backbone DenseNet dan ASPP untuk mencegah terjadinya redudansi informasi dengan menyaring dan meningkatkan representasi fitur. Attention Gate disisipkan pada bagian decoder untuk menyaring dan menonjolkan informasi spasial yang relevan pada citra. Penelitian ini melakukan segmentasi citra dengan dua label, yaitu kanker dan background. Hasil segmentasi kanker payudara dengan menggunakan arsitektur yang diusulkan memperoleh akurasi 99,6% menunjukkan arsitektur sangat baik dalam memprediksi semua label dengan benar secara keseluruhan. Sensitivitas 97,4% dan spesifisitas 99,74% menunjukkan arsitektur mampu memprediksi area kanker dan background dengan sangat baik. IoU 94,42% menunjukkan arsitektur sangat baik dalam menghasilkan hasil segmentasi yang mirip dengan ground truth. F1-score 97,13% menunjukkan model memiliki keseimbangan sangat baik antara sensitivitas dan spesifisitas. Hasil penelitian ini menunjukkan bahwa penerapan SENet dan Attention Gate pada arsitektur DeepLabV3+ memberikan kinerja sangat baik dalam segmentasi kanker payudara karena mampu membedakan antara area kanker dan area background.

Item Type:	Thesis (Undergraduate)
Uncontrolled Keywords:	Kanker Payudara, Segmentasi, DeepLabV3+, SENet, Attention Gate
Subjects:	Q Science > QA Mathematics > QA8.9-QA10.3 Computer science. Artificial intelligence. Computational complexity. Data structures (Computer scienc. Mathematical Logic and Formal Languages
Divisions:	08-Faculty of Mathematics and Natural Science > 44201-Mathematics (S1)
Depositing User:	Nur Devita Azzahra
Date Deposited:	24 Jul 2025 04:56
Last Modified:	24 Jul 2025 04:56
URI:	http://repository.unsri.ac.id/id/eprint/180195

Actions (login required)

View Item