Evaluasi Dropout Rate pada Model 3D U-NetR untuk Segmentasi Aneurisma Otak

Cantika, Dhia Auzie (2025) Evaluasi Dropout Rate pada Model 3D U-NetR untuk Segmentasi Aneurisma Otak. Project Report. [s.n.], [s.l.]. (Unpublished)

Text 5025221166-Project_Report.pdf - Accepted Version Restricted to Repository staff only Download (1MB) | Request a copy

Abstract

Segmentasi citra medis berperan penting dalam membantu proses diagnosis penyakit, termasuk deteksi aneurisma otak. Penelitian ini bertujuan untuk menganalisis pengaruh variasi nilai dropout rate terhadap performa model segmentasi citra otak 3D berbasis U-NetR menggunakan dataset citra otak 3D berlabel aneurisma yang telah dinormalisasi dan diaugmentasi. Eksperimen dilakukan menggunakan tiga variasi dropout rate, yaitu 0,0; 0,05; dan 0,1, dengan menjaga hiperparameter lain tetap konstan untuk memastikan konsistensi eksperimen. Evaluasi performa model dilakukan menggunakan metrik Dice Similarity Coefficient, Hausdorff Distance, Surface Dice, False Negative Rate, dan Volumetric Similarity, serta dilengkapi dengan analisis visualisasi MRA pada irisan boundary–center–boundary dan irisan dengan luas ground truth terbesar. Hasil eksperimen menunjukkan bahwa penerapan dropout mampu meningkatkan stabilitas pelatihan dan kemampuan generalisasi model dibandingkan konfigurasi tanpa dropout. Secara kuantitatif, dropout rate 0,1 menghasilkan nilai Dice Similarity Coefficient validasi tertinggi sebesar 0,4061. Namun, berdasarkan analisis visualisasi MRA, dropout rate 0,05 menunjukkan segmentasi yang lebih konsisten secara spasial, sensitivitas yang lebih baik terhadap aneurisma berukuran kecil, serta kontinuitas bentuk segmentasi yang lebih stabil. Oleh karena itu, dropout rate 0,05 direkomendasikan sebagai konfigurasi terbaik untuk penelitian lanjutan, karena memberikan kompromi yang lebih optimal antara performa kuantitatif, stabilitas visual, dan interpretabilitas klinis pada segmentasi aneurisma otak 3D berbasis U-NetR

Item Type:	Monograph (Project Report)
Uncontrolled Keywords:	Aneurisma Otak, Deep Learning, Dropout, Segmentasi Medis, U-NetR
Subjects:	T Technology > T Technology (General) > T58.6 Management information systems
Divisions:	Faculty of Information and Communication Technology > Informatics > 55201-(S1) Undergraduate Thesis
Depositing User:	Dhia Auzie Cantika
Date Deposited:	29 Dec 2025 00:49
Last Modified:	29 Dec 2025 00:49
URI:	http://repository.its.ac.id/id/eprint/129156

Actions (login required)

View Item