Kolonoskopi
adalah salah satu teknik untuk mendeteksi polip yang merupakan salah satu
penyebab penyakit kanker kolorektal (CRC). Kolonoskopi memanfaatkan segmentasi
citra polip untuk memperoleh informasi yang berharga dalam proses diagnosis dan
pembedahan. Berbagai metode deep learning berbasis convolutional
neural networks telah digunakan untuk meningkatkan akurasi segmentasi,
tetapi masih menghadapi tantangan utama adalah keragaman karakteristik polip,
baik dari segi bentuk, ukuran, warna, maupun tekstur. Penelitian ini
mengusulkan model Duck-Net yang dipadukan dengan Ghost Module. Evaluasi
dilakukan menggunakan dataset Kvasir-Seg. Hasil eksperimen menunjukkan
bahwa metode yang diusulkan mencapai F1-score 0.927, dan IoU
0.864. Model ini terbukti lebih efisien dengan jumlah parameter sebesar 21,4
juta, paling kecil dibandingkan beberapa metode lain yang memiliki jumlah
parameter lebih besar. Metode ini melampaui performa metode sebelumnya seperti U-Net,
U-Net++, ResU-Net, ResU-Net ++, dan Double U-Net. Dengan hasil
tersebut, metode ini terbukti efesiensi model dalam mempertahankan performa
yang baik dengan kompleksitas yang rendah. dalam meningkatkan segmentasi polip
untuk membantu deteksi dini polip.
