<![CDATA[Perkembangan teknologi kecerdasan buatan telah memberikan kontribusi signifikan dalam bidang kesehatan, khususnya pada diagnosis penyakit kulit berbasis citra digital. Penelitian ini bertujuan untuk membandingkan performa dua arsitektur U-Net, yaitu U-Net normal dan U-Net reverse, dalam melakukan segmentasi citra lesi kulit menggunakan dataset HAM10000. Kontribusi utama penelitian ini adalah melakukan analisis komparatif terhadap dua variasi arsitektur U-Net berdasarkan arah peningkatan filter serta mengevaluasi dampaknya terhadap akurasi, stabilitas pelatihan, dan efisiensi komputasi. Metode penelitian dilakukan secara eksperimental dengan membangun model deep learning. Dataset terdiri dari 10.015 citra dermatoskopik yang melalui tahap preprocessing, normalisasi, dan augmentasi sebelum dibagi menjadi data latih, validasi, dan uji. Pelatihan dilakukan selama 50 epoch menggunakan optimizer Adam dan loss function Binary Cross-Entropy, dengan evaluasi menggunakan metrik Binary Intersection over Union (IoU). Hasil menunjukkan bahwa U-Net normal memperoleh training IoU 0,9712, validation IoU tertinggi 0,8987 pada epoch ke-17 dengan waktu 4 menit, sedangkan U-Net reverse mencapai training IoU 0,9424, validation IoU tertinggi 0,9041 pada epoch ke-26 dengan waktu 1 jam 13 menit. Untuk pengujian U-Net normal yang mencapai IoU 0,8319 dan Dice Coefficient 0,9082. Sementara itu, U-Net Reverse memperoleh IoU 0,8202 dan Dice Coefficient 0,9012, menunjukkan bahwa ekstraksi fitur hierarkis secara bertahap lebih efektif untuk segmentasi citra. Secara keseluruhan, U-Net normal lebih efisien dan stabil untuk segmentasi citra dermatologis.]]>
Copyrights © 2026
