Adaptasi Arsitektur U-Net pada Citra Medis dan Non-Medis: Studi Kasus Segmentasi MRI dan Citra Umum

Abstract

Segmentasi citra merupakan teknik penting dalam analisis citra digital, terutama dalam aplikasi medis seperti deteksi tumor otak pada citra MRI. U-Net, sebagai arsitektur deep learning berbasis encoder-decoder, telah terbukti efektif dalam segmentasi citra medis berkat kemampuannya mempertahankan detail spasial. Penelitian ini bertujuan untuk mengevaluasi performa U-Net dalam domain medis (MRI otak) serta menguji kemampuan generalisasinya terhadap citra non-medis seperti Lena dan foto pemandangan. Dataset MRI digunakan dengan ground-truth mask tersedia, sementara masker pada citra non-medis dibuat secara semi-otomatis menggunakan thresholding Otsu dan operasi morfologi yang dilengkapi koreksi manual. Model dilatih selama 50 epoch di Google Colab, dan performanya diukur menggunakan metrik Dice Coefficient dan IoU. Hasil menunjukkan performa baik pada data MRI dengan Dice mencapai 0,33, namun menurun pada citra non-medis dengan Dice rata-rata 0,27. Temuan ini menegaskan tantangan generalisasi model U-Net di luar domain medis dan pentingnya strategi seperti fine-tuning, augmentasi domain-spesifik, dan domain adaptation untuk meningkatkan performa lintas domain.