Pengembangan Modul Koreksi dan Klasifikasi Artefak Citra Otak Sebagai Bagian dari Sistem Fault Tolerance Image Captioning

Putra, Alief Gilang Permana (2026) Pengembangan Modul Koreksi dan Klasifikasi Artefak Citra Otak Sebagai Bagian dari Sistem Fault Tolerance Image Captioning. Project Report. [s.n.], [s.l.]. (Unpublished)

Text 5025221193-Project_Report.pdf - Accepted Version Restricted to Repository staff only Download (3MB) | Request a copy

Abstract

MRI (Magnetic Resonance Imaging) otak merupakan instrumen diagnostik krusial yang efektivitasnya sering terhambat oleh munculnya artefak gerak (motion artifacts) akibat durasi pemindaian yang lama. Artefak ini tidak hanya menurunkan kualitas visual bagi tenaga medis, tetapi juga secara signifikan mengurangi akurasi sistem kecerdasan buatan lanjutan seperti sistem image captioning medis. Kerja praktik ini bertujuan mengembangkan kerangka kerja fault tolerance yang terdiri dari modul klasifikasi untuk mendeteksi jenis artefak dan modul koreksi untuk memulihkan citra yang rusak. Metodologi penelitian ini mencakup simulasi artefak gerak berbasis manipulasi domain frekuensi (k-space) untuk pembentukan dataset, pengembangan model klasifikasi menggunakan berbagai arsitektur deep learning, serta implementasi modul koreksi citra. Pada modul klasifikasi, arsitektur SwinV2 Transformer memberikan performa terbaik dengan tingkat akurasi mencapai 93,82% dan F1-Score 95,36%, mengungguli model CNN konvensional dalam mengenali pola artefak yang kompleks. Sementara itu, modul koreksi yang menggunakan arsitektur Pix2Pix GAN mampu memulihkan integritas struktural dan ketajaman visual citra. Evaluasi kuantitatif menunjukkan peningkatan nilai SSIM dibandingkan citra berartefak yang menunjukkan keberhasilan rekonstruksi batas-batas anatomi otak, meskipun diiringi dengan trade-off pada nilai PSNR yang merefleksikan karakteristik model generatif dalam memprioritaskan kualitas secara persepsi dibandingkan akurasi piksel absolut. Secara keseluruhan, integrasi kedua modul ini berhasil membentuk sistem mitigasi yang andal untuk memastikan citra yang diteruskan ke tahap analisis medis selanjutnya memiliki kualitas yang layak untuk tahap diagnosis.

Item Type:	Monograph (Project Report)
Uncontrolled Keywords:	Motion Artifact, MRI Otak, Pix2Pix GAN, SwinV2 Transformer.
Subjects:	R Medicine > RC Internal medicine > RC78.7.N83 Magnetic resonance imaging. T Technology > T Technology (General) > T57.62 Simulation
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Alief Gilang Permana Putra
Date Deposited:	12 Jan 2026 08:48
Last Modified:	12 Jan 2026 08:48
URI:	http://repository.its.ac.id/id/eprint/129385

Actions (login required)

View Item