Abstrak Pengawasan pertumbuhan dan perkembangan janin merupakan hal yang perlu dilakukan guna menjaga kesehatan bayi, mencegah terjadinya pertumbuhan janin terhambat (PJT), dan juga kematian bayi. Dalam melakukan pengawasan tersebut dibutuhkan pengukuran data biometri janin. Pada penelitian sebelumnya telah dikembangkan metode aproksimasi elips berbasis Hough Transform (HT). Akan tetapi pendekatan tersebut masih memiliki kekurangan karena hit rate yang mampu dicapai masih di bawah 70%. Proses aproksimasi dapat ditingkatkan dengan proses segmentasi terlebih dahulu. Oleh sebab itu penulis bermaksud melakukan penelitian untuk mengembangkan metode segmentasi objek organ janin pada citra USG. Dalam penelitian ini, proses segmentasi dilakukan dengan pendekatan deteksi objek. Untuk melakukan deteksi objek, penulis mengusulkan algoritma Adaboost.MH berbasis Multi Boundary Classifier. Metode tersebut digunakan untuk melakukan seleksi fitur Haar sekaligus membentuk ensemble classifier yang dipasangkan pada setiap fitur terpilih. Setelah dilakukan uji coba, metode ini mampu mencapai akurasi 93.9%, koefisien kappa 0.854 dan Hamming loss error 0.032 untuk dataset citra USG. Selain itu metode ini juga dibandingkan denga algoritma Adaboost.MH dengan basis classifier lain. Hasil eksperimen menunjukkan bahwa metode yang diusulkan dapat unggul pada dataset (USG, USPS, dan MNIST). Setelah dilakukan proses deteksi organ janin dilakukan aproksimasi bentuk organ janin. Algoritma aproksimasi yang digunakan adalah Randomized Hough Transform (RHT). Hasil aprokimasi dengan proses terlebih dahulu mencapai tingkat hit 81% untuk organ kepala, 57 % untuk organ perut, 72 % untuk organ tulang paha dan 66% untuk organ tulang lengan atas. Kata Kunci : Segmentasi, organ janin, ultrasonografi, deteksi objek, Adaboost.MH, Multi Boundary Classifier, Randomized Hough Transform.