Optimasi Hyperparameter Model DeepLabv3+ dengan Bayesian Optimization dan Grid Search untuk Segmentasi Low Grade Gloma (LGG) Brain Tumors

MAULANA, Wahyu Arif (2025) Optimasi Hyperparameter Model DeepLabv3+ dengan Bayesian Optimization dan Grid Search untuk Segmentasi Low Grade Gloma (LGG) Brain Tumors. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 1. COVER.pdf Download (34kB)
	Text 2. HALAMAN PERNYATAAN KEASLIAN SKRIPSI.pdf Download (101kB)
	Text 3. HALAMAN PENGESAHAN.pdf Download (135kB)
	Text 4. KATA PENGANTAR.pdf Download (130kB)
	Text 6. ABSTRAK.pdf Download (7kB)
	Text 7. ABSTRACT.pdf Download (6kB)
	Text 8. DAFTAR ISI.pdf Download (122kB)
	Text 11. BAB I PENDAHULUAN.pdf Download (24kB)

Abstract

ABSTRAK
Low-Grade Glioma (LGG) merupakan jenis tumor otak yang memiliki karakteristik
infiltratif dan sulit diidentifikasi melalui pencitraan MRI secara manual, sehingga
diperlukan metode segmentasi otomatis berbasis deep learning. Namun, performa model
ini masih dapat ditingkatkan melalui optimasi hyperparameter. Hyperparameter seperti
learning rate, ukuran kernel, jumlah filter, dan ukuran batch sangat mempengaruhi kinerja
model. Penelitian ini bertujuan untuk mengoptimalkan model DeepLabv3+ dalam
segmentasi LGG menggunakan dua pendekatan optimasi hyperparameter, yaitu Bayesian
Optimization dan Grid Search. Dataset yang digunakan adalah TCGA LGG Brain Tumors
yang dipublikasikan di Kaggle, terdiri dari 3.929 citra MRI dengan mask segmentasi
manual. Model DeepLabv3+ diimplementasikan dengan backbone ResNet50 dan modul
Spatial Pyramid Pooling Module+ (SPPM+). Evaluasi kinerja model dilakukan
menggunakan metrik Intersection over Union (IoU) dan Dice Coefficient. Hasil penelitian
menunjukkan bahwa optimasi Bayesian Optimization memberikan peningkatan akurasi
segmentasi yang lebih baik dibandingkan Grid Search, dengan nilai IoU mencapai 92,2%
dan nilai Dice Coefficient mencapai 94,64%. Penelitian ini mengonfirmasi bahwa
pemilihan hyperparameter yang optimal berkontribusi signifikan dalam meningkatkan
kinerja segmentasi tumor otak berbasis deep learning.
Kata kunci : Low-Grade Glioma, DeepLabv3+, optimasi hyperparameter, Bayesian
Optimization, Grid Search, MRI, Segmentasi Citra

Item Type:	Thesis (Undergraduate)
Subjects:	Sciences and Mathemathic
Divisions:	Faculty of Science and Mathematics > Department of Informatics
Depositing User:	Yemima Laras Sekarsari
Date Deposited:	31 Oct 2025 08:58
Last Modified:	31 Oct 2025 08:58
URI:	https://eprints2.undip.ac.id/id/eprint/40562

Actions (login required)

View Item

Search for collections on Undip Repository