Image Captioning Berbasis Deep LearningPada Citra Jantung Anak

Abstract

Analisis citra merupakan bidang penting dalam ilmu komputer karena berperan besar dalam pengolahan dan interpretasi data visual secara otomatis. Salah satu area yang banyak dikaji adalah penerapan teknologi deep learning untuk mendeteksi pola dan menghasilkan deskripsi dari citra kompleks, termasuk citra jantung anak. Dalam penelitian ini dikembangkan model image captioning berbasis deep learning untuk menghasilkan deskripsi otomatis dari citra jantung anak. Pendekatan ini menggabungkan arsitektur DenseNet201 sebagai encoder untuk mengekstraksi fitur visual dan Long Short-Term Memory (LSTM) sebagai decoder untuk menghasilkan deskripsi tekstual yang sesuai dengan konteks visual. Proses penelitian meliputi tahap pra-pemrosesan data, ekstraksi fitur, pelatihan model, serta evaluasi menggunakan metrik BLEU, METEOR, dan ROUGE-L. Hasil evaluasi menunjukkan bahwa model yang diusulkan mampu menghasilkan deskripsi yang akurat dan konsisten, dengan skor BLEU sebesar 0,3980, METEOR sebesar 0,6046, dan ROUGE-L sebesar 0,6390 pada data validasi, serta BLEU sebesar 0,4558, METEOR sebesar 0,6816, dan ROUGE-L sebesar 0,6894 pada data unseen. Temuan ini menunjukkan bahwa penerapan arsitektur DenseNet201–LSTM efektif dalam memahami hubungan antara fitur visual dan representasi tekstual, serta berpotensi meningkatkan efisiensi sistem berbasis visi komputer untuk analisis citra kompleks