OPTIMASI DEEP LEARNING DAN KLASTERING UNTUK DETEKSI OBJEK SERTA SEGMENTASI CITRA MEDIS

Abstract

This study proposes a hybrid image processing framework that integrates deep learning and clustering techniques to address various challenges in automated visual analysis, including noise, low resolution, and domain variability. Deep learning models such as CNNs, U-Nets, and Swin Transformers are used for hierarchical feature learning. At the same time, clustering methods like K-Means and HAC offer lightweight unsupervised alternatives that do not require annotated data. Three approaches that are pure deep learning, pure clustering, and a hybrid combination are developed and evaluated for object detection and image segmentation using public datasets such as DRIVE and ACDC, with preprocessing techniques including filtering, normalization, resizing, and augmentation. The results show that the hybrid framework achieves a better balance between accuracy and computational efficiency, with improved IoU, DSC, and mAP values compared to either method alone. The pure deep learning approach provides the highest accuracy but requires more computational resources, while the clustering-based method offers faster processing at a cost of reduced precision. The study concludes that the hybrid methodology provides an adaptive and flexible solution across domains.

Penelitian ini bertujuan untuk mengusulkan sebuah kerangka pemrosesan citra hibrida yang mengintegrasikan teknik deep learning dan klastering untuk mengatasi berbagai tantangan dalam analisis visual otomatis, termasuk noise, resolusi rendah, dan variabilitas domain. Model deep learning seperti CNN, U-Net, dan Swin Transformer digunakan untuk pembelajaran fitur secara hierarkis, sedangkan metode klastering seperti K-Means dan HAC menawarkan alternatif unsupervised yang ringan dan tidak memerlukan data beranotasi. Tiga pendekatan deep learning murni, klastering murni, dan kombinasi hibrida dikembangkan dan dievaluasi untuk melakukan deteksi objek dan segmentasi citra menggunakan dataset publik seperti DRIVE dan ACDC, dengan dukungan teknik prapemrosesan berupa filtering, normalisasi, pengubahan ukuran, dan augmentasi. Hasil penelitian menunjukkan bahwa kerangka hibrida mencapai keseimbangan yang lebih baik antara akurasi dan efisiensi komputasi, dengan peningkatan nilai IoU, DSC, dan mAP dibandingkan metode tunggal. Pendekatan deep learning murni memberikan akurasi tertinggi namun membutuhkan sumber daya komputasi yang lebih besar, sementara metode berbasis klastering menawarkan pemrosesan lebih cepat dengan penurunan presisi. Studi ini menyimpulkan bahwa metodologi hibrida memberikan solusi yang adaptif dan fleksibel lintas domain.