Detail Cantuman

Dataset citra, khususnya citra medis, merupakan sesuatu hal yang langka dan mahal, sehingga sulit diperoleh untuk deep learning. Generative Adversarial Networks (GAN) merupakan metode yang dapat mengatasi masalah kelangkaan data dengan melakukan augmentasi data, namun GAN tradisional sering mengalami mode collapse, sehingga menghasilkan keragaman yang terbatas pada citra yang dihasilkan. Mode collapse merupakan salah satu masalah yang dapat terjadi pada GAN, ketika GAN menghasilkan sampel citra keluaran yang terbatas sehingga citra keluaran akan serupa secara berulang. Wasserstein GAN dengan Gradient Penalty (WGAN-GP) telah terbukti memiliki potensi untuk mengatasi masalah mode collapse dalam konteks augmentasi data. Oleh karena itu, tujuan dari penelitian ini adalah untuk mengevaluasi kinerja berbagai arsitektur dan penyetelan hyperparameter WGAN-GP dalam menghasilkan citra yang beragam dari MRI. Kumpulan data yang digunakan adalah citra MRI tumor otak glioma. Selanjutnya, berbagai kombinasi learning rate, optimizer, dan bobot gradient penalty dievaluasi secara sistematis. Hasil pengujian menunjukkan bahwa model WGAN-GP dengan instance normalization pada critic, learning rate 0.0001, Adam optimizer, dan bobot gradient penalty dengan nilai 5 memiliki skor Fréchet Inception Distance (FID) sebesar 181,2 dan skor MS-SSIM generated yaitu 0.27. Berdasarkan hasil di atas, penggunaan instance normalization, Adam optimizer, learning rate 0.0001, dan penyetelan bobot gradient penalty menunjukkan hasil evaluasi yang baik. Kata kunci: Augmentasi data, Generative Adversarial Network, Gradient Penalty, MRI, Wasserstein