Article Per Year (5 Year)
p-Index From 2020 - 2025
0.408
P-Index
This Author published in this journals
All Journal Jurnas Nasional Teknologi dan Sistem Informasi
Eka Putra, Zaky Dafalas
Unknown Affiliation
Computer Science & IT Decision Sciences, Operations Research & Management

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Penerapan Deep Learning dengan Mekanisme Attention untuk Meningkatkan Performa Segmentasi Liver dan Tumor pada Citra CT Menggunakan ResUnet Eka Putra, Zaky Dafalas; Utomo, Danang Wahyu
Jurnal Nasional Teknologi dan Sistem Informasi Vol 10 No 3 (2024): Desember 2024
Publisher : Departemen Sistem Informasi, Fakultas Teknologi Informasi, Universitas Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/TEKNOSI.v10i3.2024.231-239

Abstract

Kanker hati merupakan salah satu penyebab kematian paling tinggi di dunia. Dalam mendeteksi kelainan pada hati perlu dilakukan segmentasi untuk mengambil bagian dari hati yang mengalami gangguan. Namun, metode segmentasi manual memakan waktu dan rawan kesalahan. Selain itu, metode tradisional juga sering kali kesulitan menangani variasi bentuk, ukuran, dan tekstur tumor, serta kualitas citra yang heterogen, sehingga mengurangi akurasi segmentasi. Oleh karena itu, penelitian ini mengusulkan penerapan model segmentasi menggunakan mekanisme Attention ResUnet, yang menggabungkan arsitektur residual dan konvolusi berbasis skip connection, ditingkatkan dengan attention untuk meningkatkan akurasi deteksi tumor. ResUnet dirancang untuk meningkatkan akurasi dan stabilitas segmentasi tumor dengan mengatasi masalah vanishing gradient dan meningkatkan kemampuan deteksi fitur kompleks. Dataset citra CT yang digunakan dalam penelitian ini dipra-pemroses melalui windowing untuk fokus pada rentang intensitas organ hati dan menghilangkan organ yang tidak penting. Hasil penelitian menunjukkan bahwa model Residual Unet dengan mekanisme Attention mampu meningkatkan performa segmentasi gambar CT hati dan tumor secara signifikan, mencapai akurasi 99.54% dan nilai Dice sebesar 95% pada segmentasi liver, serta akurasi 99.5% dan nilai Dice sebesar 90% pada segmentasi tumor. Penambahan modul Residual dan Attention secara efektif membantu model menangkap fitur yang relevan, khususnya dalam menangani lesi kompleks dan batas kabur, yang sering menjadi tantangan dalam segmentasi citra medis.
Penerapan Deep Learning dengan Mekanisme Attention untuk Meningkatkan Performa Segmentasi Liver dan Tumor pada Citra CT Menggunakan ResUnet Eka Putra, Zaky Dafalas; Utomo, Danang Wahyu
Jurnal Nasional Teknologi dan Sistem Informasi Vol 10 No 3 (2024): Desember 2024
Publisher : Departemen Sistem Informasi, Fakultas Teknologi Informasi, Universitas Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/TEKNOSI.v10i3.2024.231-239

Abstract

Kanker hati merupakan salah satu penyebab kematian paling tinggi di dunia. Dalam mendeteksi kelainan pada hati perlu dilakukan segmentasi untuk mengambil bagian dari hati yang mengalami gangguan. Namun, metode segmentasi manual memakan waktu dan rawan kesalahan. Selain itu, metode tradisional juga sering kali kesulitan menangani variasi bentuk, ukuran, dan tekstur tumor, serta kualitas citra yang heterogen, sehingga mengurangi akurasi segmentasi. Oleh karena itu, penelitian ini mengusulkan penerapan model segmentasi menggunakan mekanisme Attention ResUnet, yang menggabungkan arsitektur residual dan konvolusi berbasis skip connection, ditingkatkan dengan attention untuk meningkatkan akurasi deteksi tumor. ResUnet dirancang untuk meningkatkan akurasi dan stabilitas segmentasi tumor dengan mengatasi masalah vanishing gradient dan meningkatkan kemampuan deteksi fitur kompleks. Dataset citra CT yang digunakan dalam penelitian ini dipra-pemroses melalui windowing untuk fokus pada rentang intensitas organ hati dan menghilangkan organ yang tidak penting. Hasil penelitian menunjukkan bahwa model Residual Unet dengan mekanisme Attention mampu meningkatkan performa segmentasi gambar CT hati dan tumor secara signifikan, mencapai akurasi 99.54% dan nilai Dice sebesar 95% pada segmentasi liver, serta akurasi 99.5% dan nilai Dice sebesar 90% pada segmentasi tumor. Penambahan modul Residual dan Attention secara efektif membantu model menangkap fitur yang relevan, khususnya dalam menangani lesi kompleks dan batas kabur, yang sering menjadi tantangan dalam segmentasi citra medis.
Co-Authors Utomo, Danang Wahyu