Andezа, Kafah Al Farizi and Pambudi, Anugrah Lan and Hernanda, Enrio (2025) Model AI Untuk Instance segmentation Area Mandibular Condyle. Diploma thesis, Universitas YARSI.

	Text 1. HALAMAN JUDUL.pdf Download (226kB)
	Text 4. HALAMAN PENGESAHAN.pdf Download (51kB)
	Text 3. HALAMAN PERNYATAAN.pdf Download (50kB)
	Text 2. ABSTRAK.pdf Download (223kB)
	Text 9. B AB 1.pdf Download (351kB)
	Text 17. DAFTAR PUSTAKA.pdf Download (183kB)
	Text 10. BAB 2.pdf Restricted to Registered users only Download (300kB)
	Text 11. BAB 3.pdf Restricted to Registered users only Download (267kB)
	Text 12. BAB 4.pdf Restricted to Registered users only Download (499kB)
	Text 13. BAB 5.pdf Restricted to Registered users only Download (293kB)
	Text 14. BAB 6.pdf Restricted to Registered users only Download (1MB)
	Text 15. BAB 7.pdf Restricted to Registered users only Download (260kB)
	Text 16. BAB 8.pdf Restricted to Registered users only Download (218kB)
	Text 18. LAMPIRAN.pdf Restricted to Registered users only Download (725kB)

Abstract

Temporomandibular Joint Disc Displacement (TMJDD) merupakan gangguan pada sendi temporomandibular (TMJ) yang menyebabkan nyeri, keterbatasan gerak, dan suara klik pada rahang. Diagnosis dini sangat penting untuk mencegah komplikasi lanjutan, dengan Magnetic Resonance Imaging (MRI) sebagai metode utama dalam visualisasi struktur sendi. Namun, interpretasi citra MRI bersifat subjektif dan membutuhkan waktu serta keahlian khusus, sehingga solusi segmentasi otomatis diperlukan. Penelitian ini mengusulkan pendekatan Ensemble learning multi-model menggunakan teknik Majority voting untuk meningkatkan Robustness sistem segmentasi kondilus mandibula dan mengurangi bias dari model individu. lima model Deep learning (Mask R-CNN, Cascade Mask R-CNN, HTC, dan Mask2Former, SoloV2) dilatih secara terpisah, kemudian hasil segmentasinya digabung menggunakan voting mayoritas piksel, dengan ambang minimal dua model harus setuju. Tahap pasca-pemrosesan berupa dilasi morfologi ditambahkan untuk menyempurnakan hasil akhir. Hasil evaluasi menunjukkan bahwa, pendekatan ini berhasil menghilangkan prediksi salah seperti yang terjadi pada model Hybrid Task Cascade (HTC), dan menghasilkan segmentasi yang lebih stabil serta bebas noise. Metode ini menunjukkan potensi sebagai solusi segmentasi yang lebih andalan dan konsisten untuk aplikasi diagnosis TMJDD berbasis MRI.

Actions (login required)

View Item