Esaunggul.ac.id, Pemanfaatan kecerdasan buatan (Artificial Intelligence/AI) dalam bidang kesehatan terus berkembang pesat dan membuka peluang besar untuk meningkatkan akurasi diagnosis penyakit. Menjawab kebutuhan tersebut, tim peneliti Universitas Esa Ungul mengembangkan model segmentasi tumor otak tiga dimensi (3D) berbasis deep learning yang dirancang untuk membantu tenaga medis melakukan identifikasi tumor secara lebih cepat, akurat, dan konsisten melalui citra Magnetic Resonance Imaging (MRI).

Penelitian bertajuk “Pengembangan Arsitektur Segmentasi 3D Tumor Otak U²-Net dengan Mekanisme Atensi dan Optimasi Taguchi untuk Mendukung Kemandirian Diagnostik Nasional” ini dilaksanakan melalui skema Penelitian Fundamental – Reguler. Riset dipimpin oleh Dr. Habibullah Akbar, S.Si., M.Sc., Ph.D., dosen Program Studi Magister Ilmu Komputer, Fakultas Ilmu Komputer Universitas Esa Unggul.

Turut terlibat dalam penelitian ini sebagai anggota peneliti yaitu Diah Aryani, S.T., M.Kom. dan Dr. Rian Adi Pamungkas, S.Kep., Ns., MNS., Ph.D. Penelitian juga melibatkan mahasiswa Universitas Esa Unggul sebagai bagian dari penguatan budaya riset dan pembelajaran berbasis penelitian, yaitu Kelly Felicia Riandy, Martin Saputra, Made Aka Suardana, dan Arina Saffanah Zakiyyah.

Rektor Universitas Esa Unggul, Dr. Ir. Arief Kusuma Among Praja, ST, MBA, IPU, ASEAN Eng., menyampaikan bahwa pengembangan teknologi kesehatan berbasis kecerdasan buatan menjadi salah satu fokus penting universitas dalam mendorong inovasi yang memberikan dampak nyata bagi masyarakat.

“Universitas Esa Unggul terus mendorong lahirnya inovasi riset yang tidak hanya menghasilkan publikasi ilmiah, tetapi juga mampu menjawab kebutuhan strategis bangsa. Pengembangan teknologi AI untuk mendukung diagnosis medis merupakan salah satu bentuk kontribusi perguruan tinggi dalam memperkuat ekosistem kesehatan nasional berbasis teknologi dan inovasi,” ujarnya.

Segmentasi tumor otak merupakan salah satu tahapan paling krusial dalam proses diagnosis dan perencanaan terapi pasien. Namun, proses ini masih menghadapi berbagai tantangan, mulai dari bentuk tumor yang kompleks, ketidakseimbangan distribusi jaringan tumor pada citra medis, hingga kebutuhan akurasi spasial yang sangat tinggi agar hasilnya dapat digunakan dalam praktik klinis.

Untuk menjawab tantangan tersebut, tim peneliti mengembangkan arsitektur U²-Net (U2-Net) berbasis mekanisme atensi yang dioptimalkan menggunakan metode Taguchi untuk menentukan konfigurasi hyperparameter terbaik. Pendekatan ini bertujuan meningkatkan kemampuan model dalam mengenali area tumor secara lebih presisi pada citra MRI tiga dimensi.

Penelitian memanfaatkan dataset internasional BraTS/TCIA yang berisi data multimodal MRI glioma, meliputi T1-weighted (T1), contrast-enhanced T1-weighted (T1-Gd), T2-weighted (T2), dan Fluid-Attenuated Inversion Recovery (FLAIR). Seluruh data telah melalui proses anotasi oleh ahli neuroradiologi sehingga memiliki validitas tinggi sebagai dasar pelatihan dan evaluasi model.

Dalam pengembangannya, model menggunakan pendekatan Soft Dice Loss untuk mengatasi permasalahan ketidakseimbangan kelas yang umum ditemukan pada citra medis. Evaluasi dilakukan menggunakan berbagai parameter standar internasional, seperti Dice Score, Intersection over Union (IoU), Sensitivity, dan Specificity.

Selain pengembangan model, tim peneliti juga melakukan diskusi awal bersama tenaga kesehatan, termasuk radiografer di RSPAD Gatot Soebroto, guna memahami kebutuhan visualisasi segmentasi tumor berbasis 3D yang dapat mendukung proses diagnosis dan pengambilan keputusan klinis.

Hasil penelitian menunjukkan bahwa konfigurasi terbaik diperoleh pada kombinasi learning rate 1e-3 dan batch size 2 melalui desain eksperimen Taguchi Orthogonal Array L4. Konfigurasi tersebut berhasil menghasilkan Dice Score sebesar 82,16 persen dan IoU sebesar 77,09 persen, melampaui ambang performa yang umum digunakan dalam berbagai penelitian segmentasi medis.

Analisis lebih lanjut menunjukkan bahwa parameter learning rate menjadi faktor yang paling berpengaruh dalam meningkatkan performa model. Secara visual, hasil segmentasi juga menunjukkan kesesuaian yang sangat baik dengan data referensi (ground truth), baik pada visualisasi dua dimensi maupun representasi tiga dimensi.

Temuan ini menunjukkan bahwa model yang dikembangkan memiliki potensi besar untuk mendukung proses diagnosis tumor otak, perencanaan terapi, serta pemantauan perkembangan penyakit secara lebih efektif dan efisien.

Bagi dunia akademik, penelitian ini memperkuat kontribusi Universitas Esa Unggul dalam pengembangan kecerdasan buatan untuk bidang kesehatan, khususnya pada pengolahan citra medis berbasis deep learning. Sementara bagi masyarakat, inovasi ini berpotensi mempercepat proses diagnosis dan meningkatkan akurasi deteksi tumor otak sehingga dapat mendukung kualitas pelayanan kesehatan nasional.

Sebagai luaran penelitian, tim menargetkan publikasi ilmiah pada jurnal bereputasi, pengajuan Hak Kekayaan Intelektual (HKI), serta pengembangan model segmentasi tumor otak 3D sebagai proof-of-concept yang dapat menjadi fondasi menuju kemandirian teknologi diagnostik nasional.

Melalui riset ini, Universitas Esa Unggul kembali menegaskan komitmennya dalam menghasilkan inovasi berbasis teknologi yang relevan dengan kebutuhan masyarakat serta mendukung penguatan ekosistem kesehatan Indonesia yang unggul dan berstandar global.

Universitas Esa Unggul Powered by Arizona State University Merupakan World Class University

Universitas Esa Unggul Powered by Arizona State University merupakan perguruan tinggi swasta terkemuka yang berkomitmen menjadi world-class entrepreneurial university.

Didirikan pada tahun 1993, Universitas Esa Unggul saat ini memiliki:

• 10 Fakultas
• 42 Program Studi, terdiri dari:
  • 24 Program Sarjana/Sarjana Terapan
  • 2 Program Diploma
  • 5 Program Profesi
  • 9 Program Magister
  • 1 Program Doktor
  • 1 Program Sarjana PJJ Teknik Informatika (full online)

Universitas Esa Unggul memiliki lebih dari 19.000 mahasiswa yang berasal dari 37 provinsi di Indonesia dan 8 negara, dengan dukungan ekosistem pendidikan modern berbasis inovasi dan kolaborasi global. Dalam penguatan kualitas pendidikan dan internasionalisasi, Universitas Esa Unggul tergabung dalam CINTANA Alliance, jejaring global perguruan tinggi yang dimotori oleh Arizona State University (ASU), yang memungkinkan akses pada praktik pendidikan tinggi kelas dunia, inovasi pembelajaran digital, pengembangan kurikulum global, penelitian, serta kolaborasi internasional.

Sebagai bagian dari pengembangan institusi, Universitas Esa Unggul juga menghadirkan Global Innovation Hub (GI Hub) di kawasan TB Simatupang, Jakarta Selatan, yang dikembangkan dengan konsep Urban Academic Hub untuk mendukung pembelajaran berbasis industri, riset, inovasi, technopark, entrepreneurship, serta kolaborasi dunia usaha dan industri.

Universitas Esa Unggul telah memperoleh Akreditasi Perguruan Tinggi “UNGGUL” dari BAN-PT, dengan 18 program studi berakreditasi UNGGUL dan sejumlah program studi yang telah meraih akreditasi internasional. Dalam bidang reputasi akademik dan institusi, Universitas Esa Unggul mencatat berbagai capaian nasional dan internasional, di antaranya:

• Peringkat 69 SINTA Nasional
• Peringkat 6 Jakarta & 62 Nasional versi EduRank 2026
• GreenMetric: Peringkat 2 Jakarta, 29 Nasional, dan 203 Internasional
• Berbagai penghargaan nasional melalui Anugerah Diktisaintek Kemendiktisaintek

Didukung budaya riset yang kuat, Universitas Esa Unggul aktif menghasilkan publikasi ilmiah, buku, hak kekayaan intelektual, inovasi, serta penelitian dan pengabdian masyarakat yang berdampak bagi pembangunan nasional dan global.

Berita selengkapnya dapat Anda akses melalui esaunggul.ac.id – aruna9news.com