Klasifikasi Tumor Otak dengan Resnet berdasarkan MRI

Akhmad Irsyad, Islamiyah Islamiyah, Hario Jati Setyadi, Fakhmul Amal

Abstract


Tumor otak dapat dikategorikan sebagai kanker (ganas) atau non-kanker (jinak), dan pertumbuhannya dapat menimbulkan risiko kesehatan yang signifikan. Deteksi dini tumor otak sangat penting untuk penanganan yang efektif. Meskipun pencitraan resonansi magnetik (MRI) adalah metode yang efektif untuk mengidentifikasi tumor otak, terdapat tantangan dalam analisis hasil yang memerlukan tenaga medis terlatih. Oleh karena itu, penelitian ini mengembangkan metode otomatis menggunakan deep learning, khususnya arsitektur ResNet-50, untuk klasifikasi citra MRI. Dataset yang digunakan terdiri dari 7.023 gambar dengan empat kelas tumor: glioma, meningioma, normal, dan pituitary. Hasil evaluasi menunjukkan bahwa model ResNet-50 mencapai akurasi 71,55% dan F1-Measure 0,6919, lebih baik dibandingkan dengan model base CNN yang memiliki akurasi 71,34% dan F1-Measure 0,6714. Penelitian ini diharapkan dapat meningkatkan akurasi dan efisiensi deteksi otomatis tumor otak, serta memberikan kontribusi dalam manajemen klinis.


Keywords


Covid-19; Clasification; Deep Learning; EfficientNet

Full Text:

PDF

References


Gifari, O. I., Adha, M., Freddy, F., & Durrand, F. F. S. (2022). Analisis Sentimen Review Film Menggunakan TF-IDF dan Support Vector Machine. Journal of Information Technology, 2(1), 36–40. https://doi.org/10.46229/jifotech.v2i1.330

Hastomo, W., Sugiyanto, & Sudjiran. (2021). Convolution Neural Network Arsitektur Mobilenet-V2 Untuk Mendeteksi Tumor Otak. Seminar Nasional Teknologi Informasi Dan Komunikasi STI&K (SeNTIK), 5(1), 17–21.

He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 770–778. https://doi.org/10.1109/CVPR.2016.90

Irsyad, A., & Tjandrasa, H. (2021). Detection of COVID-19 from Chest CT Images Using Deep Transfer Learning. International Conference On Information & Communication Technology And System (ICTS).

Irsyad, A., Tjandrasa, H., & Hidayati, S. C. (2023). Segmentation of COVID-19 Chest CT Images Based on SwishUnet. International Journal of Intelligent Engineering and Systems, 16(3), 565–578. https://doi.org/10.22266/ijies2023.0630.45

Masoud Nickpakvar. (2021). Brain Tumor MRI Dataset. Kaggle. https://www.kaggle.com/datasets/masoudnickparvar/brain-tumor-mri-dataset

Rian, F., Romi, W., & Alief, M. (2020). SISTEM DETEKSI OTOMATIS CORONAVIRUS DISEASE (COVID-19) MENGGUNAKAN GAMBAR CHEST XRAY DENGAN JETSON NANO. Jurnal Ilmiah Setrum[1] F. Rian, W. Romi, and M. Alief, “SISTEM DETEKSI OTOMATIS CORONAVIRUS DISEASE (COVID-19) MENGGUNAKAN GAMBAR CHEST XRAY DENGAN JETSON NANO,” Jurnal Ilmiah Setrum, Vol. 9, No. 2, Pp. 162–168, 2020., 9(2), 162–168.

Sanjaya, J., & Ayub, M. (2020). Augmentasi Data Pengenalan Citra Mobil Menggunakan Pendekatan Random Crop, Rotate, dan Mixup. Jurnal Teknik Informatika Dan Sistem Informasi, 6(2), 311–323. https://doi.org/10.28932/jutisi.v6i2.2688

Siyoum Biratu, E., Schwenker, F., Ayano, Y. M., Debelee, T. G., Militello, C., Conti, V., Zaccagna, F., & Han, C. (2021). A Survey of Brain Tumor Segmentation and Classification Algorithms. Journal of Imaging 2021, Vol. 7, Page 179, 7(9), 179. https://doi.org/10.3390/JIMAGING7090179

Wulansari, A., & Rahman, A. T. (2022). Analisa gambar citra MRI otak dengan watershed dan ekstraksi fitur GLCM. JNANALOKA, 39–46. https://doi.org/10.36802/JNANALOKA.2022.V3-NO2-39-46

Zou, K. H., Warfield, S. K., Bharatha, A., Tempany, C. M. C., Kaus, M. R., Haker, S. J., Wells, W. M., Jolesz, F. A., & Kikinis, R. (2004). Statistical Validation of Image Segmentation Quality Based on a Spatial Overlap Index. Academic Radiology, 11(2), 178–189. https://doi.org/10.1016/S1076-6332(03)00671-8




DOI: http://dx.doi.org/10.30872/jsakti.v5i2.14363

Refbacks

  • There are currently no refbacks.


Copyright (c) 2023 Sains, Aplikasi, Komputasi dan Teknologi Informasi

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

 

2nd Floor, Faculty of Computer Science and Information Technology
Jl. Panajam Kampus Gn. Kelua Universitas Mulawarman Samarinda-Kalimantan Timur 75123
Phone: +62 813 31112002 (Haviluddin) +62 811 8207777 (Reza)
E-Mail: jurnal.sakti.fkti@gmail.com; sakti@unmul.ac.id

Creative Commons License
Sains, Aplikasi, Komputasi dan Teknologi Informasi by http://e-journals.unmul.ac.id/index.php/jsakti eISSN: 2684-8473 is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.