Deteksi dini lesi payudara berperan penting untuk mengetahui tingkat keganasan tumor payudara dan mempengaruhi perencanaan pengobatan lebih lanjut. Ultrasonografi adalah salah satu modalitas pencitraan pada pemeriksaan payudara dengan kelebihannya yang tanpa menggunakan radiasi pengion, sehingga relatif aman. Namun, ultrasonografi merupakan modalitas yang sangat bergantung pada operator, sehingga akurasi diagnosis melalui citra ultrasonografi bergantung pada keahlian dan subjektifitas ahli radiologi. Oleh karena itu, sistem CAD berbasis pembelajaran mesin diharapkan dapat membantu mendeteksi keabnormalan pada payudara secara objektif. Model U-Net merupakan salah satu arsitektur segmentasi yang dapat digunakan untuk mengidentifikasi dan memetakan area lesi pada citra ultrasonografi. Dalam penelitian ini, teknik pra-pemrosesan tambahan diterapkan untuk membantu meningkatkan akurasi model segmentasi. Evaluasi model segmentasi dilakukan menggunakan metrik evaluasi, terutama JSI (Jaccard Similarity Index). Hasil evaluasi model U-Net tanpa pra-pemrosesan tambahan berhasil memprediksi area lesi dengan nilai JSI 76,3% pada data validasi dan 72,4% pada data uji. Sementara itu, model U-Net dengan pra-pemrosesan augmentasi menghasilkan performa terbaik dengan nilai JSI 83% pada data validasi dan 81,4% pada data uji.

---

Early detection of breast lesions plays an important role in determining the level of malignancy of breast tumors and influencing further treatment planning. Ultrasound is one of the imaging modalities in breast examination, with the advantage that it does not use ionizing radiation, so it is relatively safe. However, ultrasound is a modality highly dependent on the operator, so the accuracy of diagnosis through ultrasound images depends on the ability and subjectivity of the radiologist. Therefore, a machine learning-based CAD system is expected to help detect breast abnormalities objectively. The U-Net model is one of the segmentation architectures that can be used to identify and map lesion areas in ultrasound images. In this study, additional pre-processing techniques were applied to help improve the accuracy of the segmentation model. Evaluation of the segmentation model was carried out using evaluation metrics, especially JSI (Jaccard Similarity Index). The results of the evaluation of the U-net model without additional pre-processing successfully predicted the lesion area with a JSI value of 76,3% in the validation data and 72,4% in the test data. Meanwhile, the U-Net model with augmentation pre-processing gets the best performance with a JSI value of 83% in the validation data and 81,4% in the test data.