Indonesia 
English 
Yogyakarta, 20 April 2026 – Mahasiswa Program Studi Sarjana Ilmu Komputer, Departemen Ilmu Komputer dan Elektronika (DIKE) FMIPA UGM, Nailfaaz, di bawah supervisi Wahyono, S.Kom., Ph.D., berhasil mengembangkan pendekatan berbasis kecerdasan artifisial (AI) guna meningkatkan akurasi segmentasi organ pada citra X-ray dada. Penelitian ini berfokus pada peningkatan kualitas deteksi batas (boundary) organ krusial, seperti paru-paru dan jantung, di dalam citra radiografi.
Dalam ranah medis, segmentasi organ merupakan tahapan fundamental pada sistem diagnosis berbantuan komputer (Computer-Aided Diagnosis/CAD). Ketepatan proses ini berpengaruh langsung terhadap analisis penyakit, seperti pengukuran rasio kardiotoraks dan pendeteksian kelainan bentuk organ. Meskipun demikian, analisis citra X-ray sering kali dihadapkan pada tantangan berupa tumpang tindih struktur anatomi serta tingkat kontras yang rendah, sehingga batas antarorgan kerap tidak terdeteksi dengan presisi.
Dalam penelitian ini, tim peneliti mengevaluasi 32 kombinasi model deep learning berbasis arsitektur encoder-decoder. Kombinasi yang diuji mencakup arsitektur U-Net dan DeepLabV3+ yang dipadukan dengan berbagai backbone, seperti ResNet, MobileNet, dan EfficientNet. Untuk menyempurnakan ketepatan batas segmentasi, penelitian ini turut mengintegrasikan metode Conditional Random Field as Recurrent Neural Network (CRF-as-RNN).
Hasil penelitian menunjukkan bahwa arsitektur U-Net lebih unggul dibandingkan DeepLabV3+ dalam mempertahankan detail anatomi pasien. Penelitian ini juga menemukan adanya fenomena “capacity threshold”, yakni kondisi di mana integrasi CRF-as-RNN memberikan peningkatan performa yang signifikan pada model berukuran ringan, namun hanya memberikan dampak minor pada model berkapasitas tinggi yang sudah memiliki performa optimal. Secara kuantitatif, pendekatan ini terbukti mampu menurunkan tingkat kesalahan batas (Hausdorff distance) dan menaikkan akurasi segmentasi, terutama pada area berkontras rendah seperti batas jantung. Namun, karena penggunaan CRF-as-RNN turut memperpanjang durasi komputasi, aspek efisiensi waktu ini perlu menjadi pertimbangan dalam implementasi nyata.
Inovasi riset ini telah berhasil dipresentasikan pada The 11th International Conference on Information and Communication Technology for Intelligent Systems (ICTIS) di Bangkok, Thailand, pada 9 hingga 11 April 2026. Karya ilmiah yang dihasilkan juga telah berhasil terindeks pada basis data bereputasi internasional, yakni IEEE dan Scopus.
Inovasi pemodelan AI ini merupakan wujud nyata kontribusi riset sivitas akademika DIKE UGM dalam menghadirkan solusi teknologi aplikatif yang mendukung pencapaian Tujuan Pembangunan Berkelanjutan (SDGs). Keberhasilan penelitian lintas disiplin ini secara langsung memperkaya teknologi diagnosis medis, sejalan dengan agenda SDG 3 (Kehidupan Sehat dan Sejahtera). Di samping itu, perumusan optimasi arsitektur kecerdasan buatan ini turut memperkuat ekosistem riset yang selaras dengan target SDG 9 (Industri, Inovasi, dan Infrastruktur). Melalui capaian ini, DIKE UGM berharap dapat terus mendorong inovasi mahasiswa yang berdampak positif bagi perkembangan teknologi.
Author : Wahyono
Editor : Faiz Anggoro
#SDGs3 #SDGs9
