Hati adalah salah satu organ tubuh yang terletak di bagian kanan atas rongga perut. Selain menyaring darah dari saluran pencernaan sebelum dialirkan ke organ lain, hati juga bertugas memecah, menyerap, dan memproses makanan. Menurut Data dari Globocan tahun 2022 kanker hati atau hepatocellular carcinoma (HCC) adalah salah satu jenis kanker yang paling umum terjadi di seluruh dunia. Kasus baru penderita kanker hati pada tahun 2022 mencapai 866.136 kasus dan 758.725 kasus diantaranya meninggal dunia sehingga menempatkan kanker hati menduduki peringkat ketiga sebagai penyebab kematian. Untuk mengidentifikasi kanker hati dengan menggunakan citra imaging, terutama pada teknik CT-Scan, menghasilkan data citra hati yang juga menampilkan organ lain sehingga dapat mempersulit diagnosis kanker hati. Oleh karena itu, diperlukan segmentasi untuk memisahkan organ lain dan mengidentifikasi objek kanker hati. Dalam hal ini model arsitektur U-Net sesebagai metode segmentasi citra CT-Scan kanker hati yang dapat meningkatkan kinerja pengidentifikasi dan pemeriksaan kanker hati. Penelitian ini menggunakan data yang berasal dari Kaggle dengan total 2851 dataset yang terdiri dari data Citra CT-Scan liver dan 2851 Data citra aktual. melalui penggunakan metode asitektur U-Net penelitian ini memperoleh akurasi yang optimal sebesar 98%.

The liver is an organ in the body located in the upper right part of the abdominal cavity. Apart from filtering blood from the digestive tract before it flows to other organs, the liver is also responsible for breaking down, absorbing and processing food. According to data from Globocan in 2022, liver cancer or hepatocellular carcinoma (HCC) is one of the most common types of cancer throughout the world. New cases of liver cancer sufferers in 2022 will reach 866,136 cases and 758,725 of them will die, placing liver cancer in third place as a cause of death because of the large death rate in liver cancer sufferers. Identifying liver cancer using imaging images, especially the CT-Scan technique, produces liver image data that also displays other organs, which can complicate the diagnosis of liver cancer. Therefore, segmentation is needed to separate other organs and identify liver cancer objects. In this case, the U-Net architecture model is a liver cancer CT-Scan image segmentation method that can improve the performance of liver cancer identification and examination. This research uses data originating from Kaggle with a total of 2851 datasets consisting of liver CT-Scan image data and 2851 actual image data. By using the U-Net architecture method, this research obtained optimal accuracy of 98%.