Teknik segmentasi dapat dimanfaatkan untuk membantu menyelesaikan masalah kehidupan sehari-hari. Pada bidang medis sendiri, teknik segmentasi semantik dapat diterapkan untuk membantu mendeteksi penyebaran kanker pada pasien kanker secara dini. Dalam bidang segmentasi semantik, pendekatan-pendekatan berbasis Convolutional Neural Network (CNN), seperti Fully Convolutional Network (FCN) dan DeepLabv3+, telah dikenal mendominasi pada bidang tersebut. Di samping itu, keberhasilan dari pendekatan Transformer pada bidang pemrosesan bahasa alami telah menarik banyak perhatian peneliti-peneliti untuk ikut terjun memanfaatkan pendekatan tersebut dalam menyelesaikan permasalahan segmentasi semantik. Hal itu memicu dikembangkannya Vision Transformer (ViT) sebagai alternatif baru dalam penyelesaian segmentasi semantik. Berbeda dengan pendekatan konvolusi yang menggunakan kernel yang digeser untuk mendapatkan informasi kontekstual lokal, pendekatan ViT menerima citra sebagai patch yang nantinya dapat digunakan untuk menghasilkan informasi kontekstual lokal serta global. Salah satu model yang terinspirasi dari arsitektur ViT yaitu SegFormer menggabungkan Hierarchical Transformer Encoder untuk menghasilkan fitur halus dengan resolusi rendah dan fitur kasar dengan resolusi tinggi dan dekoder All-MLP yang ringan untuk menggabungkan fitur multi-level yang dihasilkan dari enkoder untuk membuat mask segmentasi terakhir. Pada penelitian ini, model SegFormer digunakan untuk melakukan segmentasi terhadap citra pemindaian tulang seluruh tubuh. Hasilnya, dengan membandingkan model SegFormer dengan beberapa model konvolusi yaitu FCN dan DeepLabv3+, performa dari SegFormer berhasil mengalahkan kedua model konvolusi tersebut dengan nilai mIoU tertinggi yang diraih yaitu 77,86% pada data tes.
Kata kunci: citra pindai tulang, segmentasi semantik, Transformer, konvolusi, SegFormer, DeepLabv3+, FCN