Analisis Performansi Parameter pada Arsitektur U-Net untuk Segmentasi Nukleus pada Citra Kanker Serviks

Abstract

Pap Smear adalah salah satu metode untuk memeriksa sel-sel serviks. Sel-sel tersebut diperiksa dengan mikroskop untuk mengamati perubahan atau ketajaman sel epitel serviks sebagai tanda awal adanya keberadaan kanker. Namun, pemeriksaan Smear Pap secara manual memiliki beberapa kekurangan, yaitu membutuhkan waktu yang relatif lama dan peluang terjadinya kesalahan selama analisis besar karena bersifat subjektif. Namun, citra mikroskopis Pap Smear sulit untuk diinterpretasi, karena terdapat sel-sel yang berkelompok, tumpang tindih, adanya sel-sel inflamasi, bekas darah, kontras rendah, dan variasi dalam pencahayaan yang terjadi karena metode pewarnaan yang tidak konsisten seperti konsentrasi zat pewarna. Salah satu model dalam melakukan interpretasi citra adalah dengan segmentasi citra, maka penelitian ini berfokus pada pengembangan metode segmentasi menggunakan pendekatan model semantic segmentation U-Net dengan arsitektur dari Roonerberger. Penelitian ini menganalisis beberapa penggunaan hyperparameter untuk mengetahui performansi dari arsitektur model U-NET khususnya untuk mengsegmentasi AF. Adapun tuning hyperparameter terdapat pada optimizer, loss function, learning rate serta jumlah epoch. Performa terbaik U-Net dalam melakukan segmentasi cairan ketuban adalah dengan kombinasi parameter optimizer RMSprop, Loss function adalah Binary cross entropy, nilai learning rate 0.00001 dengan Epoch sebesar 31 dengan DSC sebesar 0.82 dan IoU sebesar 0.70, akurasi sebesar 0.8, presisi 0.78, recall 0.81.