Klasifikasi Tumor Otak dengan Resnet berdasarkan MRI
DOI:
https://doi.org/10.30872/jsakti.v5i2.14363Keywords:
Covid-19, Clasification, Deep Learning, EfficientNetAbstract
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.
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
Downloads
Published
Issue
Section
License
Sains, Aplikasi, Komputasi dan Teknologi Informasi allows readers to read, download, copy, distribute, print, search, or link to its articles' full texts and allows readers to use them for any other lawful purpose. The journal allows the author(s) to hold the copyright without restrictions. Finally, the journal allows the author(s) to retain publishing rights without restrictions
- Authors are allowed to archive their submitted article in an open access repository
- Authors are allowed to archive the final published article in an open access repository with an acknowledgment of its initial publication in this journal
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 Generic License.
