DETEKSI MALFORMASI UTERUS MELALUI CITRA HISTEROSALPINGOGRAFI MENGGUNAKAN DEEP LEARNING

Abstract

Penelitian ini menyoroti tingginya angka kejadian malformasi uterus yang berkontribusi terhadap infertilitas, keguguran, serta komplikasi perinatal, sehingga diperlukan metode diagnostik yang lebih presisi. Tujuan utama dari penelitian ini adalah merancang model deep learning berbasis Convolutional Neural Network (CNN) dengan arsitektur ResNet untuk mendeteksi berbagai jenis malformasi uterus melalui citra Histerosalpingografi (HSG) serta menilai tingkat akurasinya dalam mengklasifikasikan enam jenis malformasi, yaitu unicornuate, bicornuate, didelphys, septate, arcuate, dan uterus normal. Dataset yang digunakan mencakup 1.800 citra yang terbagi secara merata ke dalam enam kategori. Model ResNet Baseline menunjukkan performa terbaik dengan tingkat akurasi, presisi, recall, dan F1-Score sebesar 100% pada data latih sebesar 90%.