DD-GMANet, Kode Program Segmentasi Medis Pendeteksi Penyakit Karya Mahasiswa UNS Raih Prestasi pada GEMASTIK 2025
DD-GMANet, Kode Program Segmentasi Medis Pendeteksi Penyakit Karya Mahasiswa UNS Raih Prestasi pada GEMASTIK 2025
ditulis kembali oleh Eko Prasetyo (www.Alexainfoterkini.com)
Model Deep Learning Segmentasi Medis Pendeteksi Penyakit
Tim DigiSara beranggotakan Alfath Roziq Widhayaka, Abiaz Fazel Maula Sandy, dan Addin Hadi Rizal. Mereka mengembangkan inovasi kode program bernama Double Decoder – Ghost Multiscale Attention Network (DD-GMANet) dalam KTI tersebut. Ini merupakan sebuah model deep learning arsitektur segmentasi citra medis yang dirancang akurat, ringan, dan efisien.
Inovasi dalam KTI ini lahir dari keprihatinan terhadap kondisi fasilitas kesehatan di Indonesia. Sebagian besar rumah sakit kecil dan klinik masih mengandalkan perangkat komputasi sederhana. Segmentasi citra medis sendiri sangat krusial untuk mendeteksi penyakit seperti polip kolorektal, tumor payudara, hingga lesi kulit. Kondisi ini membuat mereka kesulitan mengadopsi model AI segmentasi medis modern yang cenderung membutuhkan daya komputasi besar dan arsitektur yang sangat kompleks.
“Banyak rumah sakit kecil dan klinik yang kesulitan menjalankan model AI segmentasi medis karena membutuhkan perangkat tinggi dan arsitektur yang kompleks. DD-GMANet kami kembangkan sebagai solusi jalan tengah: ringan, cepat, tetapi tetap presisi, sehingga dapat membantu tenaga medis mengambil keputusan diagnosa dengan lebih aman,” ujar Alfath kepada uns.ac.id, Kamis (28/11/2025).
DD-GMANet sebagai model deep learning hemat komputasi untuk deteksi penyakit medis turut memberikan kontribusi nyata terhadap SDG 3, melalui peningkatan akses terhadap layanan kesehatan dasar yang berkualitas serta dukungan terhadap ketersediaan teknologi diagnostik yang aman, efektif, dan terjangkau.
Mereka mengembangkan arsitektur Double Decoder dari model U-Net dan Half-UNet yang dimodifikasi dengan modul-modul canggih seperti Ghost BottleneckV2, Large Kernel Convolution, Multiscale Residual Attention (MRA) dan Multidimensional Attention Module (MDAM). Kombinasi ini membuat model mampu menangkap detail objek medis secara lebih tajam dengan jumlah parameter yang jauh lebih efisien.
Model Efisien dengan Hasil Segmentasi Detail dan Presisi
Hasilnya, model ini sangat efisien dengan hanya 588.214 parameter dan beban komputasi yang rendah, yaitu 16,45 GFLOPs. Model ini mampu dijalankan pada komputer standar tanpa membutuhkan spesifikasi tinggi. Meski ringan, DD-GMANet tetap mampu menghasilkan segmentasi yang detail dan presisi berkat penerapan Double Decoder dan Multiscale Residual Attention.
Berdasarkan pengujian yang dilakukan di Laboratorium FATISDA UNS, model DD-GMANet menunjukkan performa sangat unggul pada empat dataset publik standar internasional, yaitu CVC-ClinicDB untuk kasus polip dengan F1-Score sebesar 95,04% dan IoU 90,69%; Kvasir-SEG untuk kasus polip dengan F1-Score 90,36% dan IoU 83,67%; BUSI untuk citra USG payudara dengan F1-Score 87,76% dan IoU 79,09%; serta ISIC2018 untuk kasus lesi kulit dengan F1-Score 85,70% dan IoU 78,04%. Secara keseluruhan hasil ini menunjukkan konsistensi ketepatan segmentasi model di berbagai jenis kasus medis.
Dampak nyata dari inovasi KTI ini meliputi peningkatan akurasi diagnostik presisi tinggi serta aksesibilitas teknologi kesehatan. DD-GMANet dirancang agar tetap efisien dan dapat dijalankan pada perangkat komputasi dengan dukungan TPU v3-8 yang lebih terjangkau dibandingkan GPU konvensional, sehingga membantu memperluas pemerataan pemanfaatan AI di fasilitas kesehatan.
Pemutus Kesenjangan Akses Teknologi Kesehatan di Daerah
Karya dalam KTI ini dirancang untuk memberikan dampak luas yang selaras dengan pilar-pilar pembangunan berkelanjutan. Lebih dari sekadar alat bantu diagnostik, inovasi ini berperan krusial dalam upaya mengurangi kesenjangan dengan membuka akses teknologi kesehatan canggih bagi daerah-daerah yang minim infrastruktur.
Upaya tersebut secara langsung mendorong tercapainya SDG 10 terutama pada pemberdayaan serta peningkatan inklusi sosial bagi semua kelompok masyarakat tanpa terkecuali. Dengan menghadirkan solusi teknologi yang mudah diadopsi di berbagai wilayah, inovasi ini memperkuat pemerataan kualitas hidup di tingkat nasional.
Relevansi Riset dan Bukti Pendidikan yang Berkualitas
Menanggapi prestasi ini, Dosen Pembimbing tim, Heri Prasetyo, S.Kom., M.Sc.Eng., Ph.D., menyatakan apresiasinya. “Prestasi ini menunjukkan bahwa mahasiswa UNS mampu menghadirkan riset yang relevan bagi kebutuhan kesehatan. Inovasi seperti DD-GMANet menjadi bukti bahwa generasi muda mampu mendorong transformasi layanan medis berbasis teknologi,” ujarnya.
Keberhasilan pengembangan DD-GMANet serta prestasi KTI pada ajang GEMASTIK menjadi wujud nyata dukungan terhadap SDG 4, khususnya dalam meningkatkan mahasiswa yang memiliki keterampilan relevan. Pencapaian tersebut menunjukkan bahwa mahasiswa mampu menguasai pengetahuan dan keterampilan mutakhir yang diperlukan dalam mendorong pembangunan berkelanjutan melalui inovasi digital dan riset aplikatif.
Sebagai rencana jangka panjang, tim menargetkan pengembangan model ini agar mampu melakukan generalisasi yang lebih kuat pada berbagai jenis citra medis lainnya dan menjajaki potensi implementasi pada perangkat medis portabel.