Nama : Aldi Tjendana Program Studi : Ilmu Komputer Judul : Mengadaptasi SegMamba dan DAFormer untuk Segmentasi Ventrikel Kiri Ekokardiografi Lintas Domain dengan Pelabelan Semu Multi-Tahap Pembimbing : Prof. Dr. Eng. Wisnu Jatmiko, S.T., M.Kom. Muhammad Febrian Rachmadi, S.Kom., M.Sc., Ph.D. Segmentasi ventrikel kiri (left ventricle, LV) pada citra ekokardiografi merupakan komponen penting dalam evaluasi fungsi jantung, terutama untuk mendukung estimasi ejection fraction (EF) secara otomatis. Meskipun model deep learning berbasis convolutional neural network (CNN) seperti DeepLabV3-ResNet50 menunjukkan performa tinggi pada domain dewasa (EchoNet-Dynamic), kinerjanya cenderung menurun saat diterapkan pada domain anak-anak (EchoNet-Pediatric) akibat perbedaan distribusi data atau domain shift. Penelitian ini mengeksplorasi pendekatan unsupervised domain adaptation (UDA) berbasis Structured State Space Model (SSM) untuk meningkatkan generalisasi segmentasi lintas populasi dan tampilan anatomi. Kontribusi utama penelitian ini mencakup: (1) adaptasi arsitektur SegMamba dari tiga dimensi ke dua dimensi untuk segmentasi LV pada skenario satu domain, dan (2) pengembangan DAMamba dengan mengganti backbone Transformer pada kerangka UDA berbasis DAFormer menjadi SegMamba, serta evaluasi strategi offline multi-stage pseudo-labeling pada pipeline berbasis Mamba. Evaluasi dilakukan pada EchoNet-Dynamic sebagai domain sumber dewasa dan EchoNet-Pediatric apical four-chamber (A4C) serta parasternal short-axis (PSAX) sebagai domain target, dengan metrik Dice Similarity Coefficient (DSC) dan Hausdorff Distance 95th percentile (HD95). Hasil RQ1 menunjukkan bahwa SegMamba 2D memiliki performa yang sebanding (competitive) dengan baseline CNN pada konfigurasi yang diuji, dengan indikasi keunggulan pada beberapa kasus struktur kecil. Pada RQ2, evaluasi cross-domain prediction tanpa UDA mengonfirmasi bahwa domain gap terbesar terjadi pada target PSAX, sementara A4C relatif lebih moderat; pada evaluasi UDA, DAMamba menunjukkan peningkatan kinerja pada target pediatric A4C dibanding DAFormer, namun pada target PSAX performanya masih tertinggal pada konfigurasi yang diuji sejalan dengan pergeseran domain yang lebih kompleks. Untuk RQ3, multi-stage pseudo-labeling menunjukkan dampak yang tidak monoton: A4C mencapai kinerja terbaik pada tahap awal, sedangkan PSAX memperlihatkan pola drop-then-recover pada sebagian konfigurasi, dan hasil HD95 mengindikasikan bahwa perbaikan kesesuaian area (DSC) tidak selalu diikuti perbaikan batas kontur secara konsisten. Secara keseluruhan, penelitian ini menunjukkan potensi SSM sebagai backbone UDA untuk segmentasi ekokardiografi serta menekankan bahwa strategi multi-stage membutuhkan kontrol kualitas pseudo-label yang lebih ketat, khususnya pada domain target yang kompleks seperti PSAX.