Penerapan Augmentasi Data untuk Meningkatkan Kinerja Segmentasi Citra X-ray Paru-paru Menggunakan U-Net

Abstract

Studi ini menyelidiki bagaimana penggunaan berbagai pendekatan augmentasi data dapat meningkatkan kinerja segmentasi gambar sinar-X paru-paru menggunakan arsitektur U-Net. Kendala utama dalam segmentasi gambar sinar-X adalah jumlah dan variasi data yang kecil, yang dapat membatasi kemampuan model untuk melakukan generalisasi. Studi ini menggunakan berbagai teknik augmentasi, termasuk rotasi, pembalikan, pembesaran, pergeseran, serta modifikasi kecerahan dan kontras. Untuk menguji dampak setiap metode augmentasi terhadap kinerja segmentasi, empat versi model U-Net diuji. Berdasarkan temuan eksperimen, model dengan akurasi validasi tertinggi berada di atas 99,5% adalah model tanpa augmentasi dan model dengan augmentasi dasar (flip dan rotasi). Namun, model dengan augmentasi yang rumit (flip–brightness–rotate) menunjukkan hasil terbaik, dengan IoU 0,2067 dan Dice 0,3414, berdasarkan pemeriksaan kriteria segmentasi seperti Mean Intersection over Union (IoU) dan Mean Dice Coefficient. Hasil ini menunjukkan bahwa meskipun akurasi validasi belum tentu yang tertinggi, augmentasi yang lebih canggih lebih berhasil dalam meningkatkan kualitas segmentasi. Dengan mempertimbangkan semua hal, augmentasi data sangat penting untuk meningkatkan kapasitas generalisasi model U-Net, terutama pada kumpulan data kecil. Studi ini meletakkan dasar bagi terciptanya algoritma segmentasi medis yang lebih andal berdasarkan pembelajaran mendalam.

Keywords: augmentasi data, segmentasi citra, U-Net, citra X-ray paru-paru,