Skip to main navigation menu Skip to main content Skip to site footer

Articles

Vol. 11 No. 6 (2026): Kohesi: Jurnal Sains dan Teknologi, ISSN 3025-1311

ANALISIS KOMPARATIF KINERJA DEEPLABV3+ DALAM SEGMENTASI ULKUS KAKI DIABETIK BERBASIS DEEP LEARNING

DOI:
https://doi.cibangsa.org/DOI-2026-888
Submitted
November 15, 2026
Published
2026-11-15

Abstract

Ulkus kaki diabetik merupakan salah satu komplikasi diabetes melitus yang memerlukan pemantauan luka secara akurat untuk mendukung proses evaluasi dan penanganan klinis. Segmentasi area luka pada citra digital menjadi tahapan penting dalam pengembangan sistem pemantauan otomatis berbasis kecerdasan buatan. Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja lima arsitektur deep learning, yaitu U-Net, U-Net++, Attention U-Net, SegFormer, dan DeepLabV3+, dalam melakukan segmentasi area ulkus kaki diabetik. Penelitian menggunakan pendekatan kuantitatif melalui metode eksperimen komputasional yang meliputi pengumpulan dan anotasi dataset citra, prapemrosesan, pembagian data, pelatihan model, serta evaluasi kinerja segmentasi. Pengukuran performa dilakukan menggunakan empat metrik, yaitu Intersection over Union (IoU), Dice Similarity Coefficient (DSC), precision, dan recall. Hasil penelitian menunjukkan bahwa DeepLabV3+ menghasilkan kinerja terbaik dengan nilai IoU sebesar 0,732, DSC sebesar 0,845, precision sebesar 0,821, dan recall sebesar 0,792. Dibandingkan dengan U-Net, DeepLabV3+ menunjukkan peningkatan kinerja sebesar 7,49% pada metrik IoU dan 6,69% pada metrik DSC. Keunggulan tersebut menunjukkan kemampuan DeepLabV3+ dalam mengidentifikasi area luka secara lebih akurat dibandingkan arsitektur pembanding. Penelitian ini menyimpulkan bahwa DeepLabV3+ merupakan pendekatan yang menjanjikan untuk pengembangan sistem segmentasi otomatis ulkus kaki diabetik berbasis citra digital. Meskipun demikian, validasi menggunakan dataset eksternal masih diperlukan untuk memastikan kemampuan generalisasi model dalam penerapan klinis.

References

  1. Chen, L.-C., Zhu, Y., Papandreou, G., Schroff, F., & Adam, H. (2018). Encoder-decoder with atrous separable convolution for semantic image segmentation. Proceedings of the European Conference on Computer Vision (ECCV), 801–818. https://doi.org/10.1007/978-3-030-01234-2_49
  2. Goyal, M., Reeves, N. D., Rajbhandari, S., & Yap, M. H. (2019). Robust methods for real-time diabetic foot ulcer detection and localization on mobile devices. IEEE Journal of Biomedical and Health Informatics, 23(4), 1730–1741. https://doi.org/10.1109/JBHI.2018.2868656
  3. Goyal, M., Yap, M. H., Reeves, N. D., Rajbhandari, S., & Spragg, J. (2017). Fully convolutional networks for diabetic foot ulcer segmentation. 2017 IEEE International Conference on Systems, Man, and Cybernetics (SMC), 618–623. https://doi.org/10.1109/SMC.2017.8122675
  4. Oktay, O., Schlemper, J., Folgoc, L. L., Lee, M., Heinrich, M., Misawa, K., Mori, K., McDonagh, S., Hammerla, N. Y., Kainz, B., Glocker, B., & Rueckert, D. (2018). Attention U-Net: Learning where to look for the pancreas. arXiv. https://doi.org/10.48550/arXiv.1804.03999
  5. Ronneberger, O., Fischer, P., & Brox, T. (2015). U-Net: Convolutional networks for biomedical image segmentation. Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015, 234–241. https://doi.org/10.1007/978-3-319-24574-4_28
  6. Xie, E., Wang, W., Yu, Z., Anandkumar, A., Alvarez, J. M., & Luo, P. (2021). SegFormer: Simple and efficient design for semantic segmentation with transformers. Advances in Neural Information Processing Systems, 34, 12077–12090.
  7. Zhou, Z., Siddiquee, M. M. R., Tajbakhsh, N., & Liang, J. (2018). UNet++: A nested U-Net architecture for medical image segmentation. Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support, 3–11. https://doi.org/10.1007/978-3-030-00889-5_1

Similar Articles

41-49 of 49

You may also start an advanced similarity search for this article.