Akurasi 12 Layer Convolutional Neural Network (CNN) Untuk Jenis Tumor Otak Dari Hasil Citra MRI Dengan Google Colab Dan Dataset Kaggle
DOI:
https://doi.org/10.30606/rjocs.v10i2.2857Keywords:
Tumor Otak, Klasifikasi Akurasi Penyakit, Convolutional Neural Network (CNN), Images MRIAbstract
Tumor otak merupakan salah satu penyakit mematikan di dunia. Menurut data Global Cancer Observatory, kasus tumor otak di Indonesia pada tahun 2021 mencapai 5.964 kasus serta tingkat kematian berada pada posisi 12 dengan 5298 kasus. Diagnosa cepat dan lebih dini tentu akan mampu menekan tingkat kematian tumor otak. sehingga dilakukan Penelitian ini mengusulkan penggunaan Convolutional Neural Network (CNN) dengan model 12 layer untuk mengklasifikasikan jenis tumor otak berdasarkan gambar MRI. Dataset terdiri dari empat kelas: Glioma, pituitary, Meningioma, dan Notumor. Metode penelitian melibatkan pengumpulan data, preprocessing, desain arsitektur CNN, pelatihan model, dan evaluasi. Hasil pengujian menunjukkan bahwa model mampu mengklasifikasikan jenis tumor otak dengan akurasi yang memuaskan. Penerapan 12 layer meningkatkan kinerja dengan mengatasi masalah hilangnya gradien. Berdasarkan penelitian tersebut, klasifikasi tumor otak menggunakan CNN dengan arsitektur 12 layer dapat mendukung deteksi dini tumor otak untuk meningkatkan akurasi diagnostik. Pada penelitian ini akurasi terbaik diperoleh sebesar 79% pada percobaan epoch ke-5
Downloads
References
P. Laksono, H. Harliana, and T. Prabowo, “Deteksi Tumor Otak Melalui Penerapan GLCM dan Naïve Bayes Classification,” J. Ilm. Intech Inf. Technol. J. UMUS, vol. 5, no. 1, 2023, doi: 10.46772/intech.v5i1.1286.
T. A. Mutiara and Q. N. Azizah, “Klasifikasi Tumor Otak Menggunakan Ekstraksi Fitur HOG dan Support Vector Machine,” J. Infortech, vol. 4, no. 1, 2022.
K. E. Thomas, A. Fotaki, R. M. Botnar, and V. M. Ferreira, “Imaging Methods: Magnetic Resonance Imaging,” Circ. Cardiovasc. Imaging, vol. 16, no. 1, 2023, doi: 10.1161/CIRCIMAGING.122.014068.
A. Chandra, G. Dervenoulas, and M. Politis, “Magnetic resonance imaging in Alzheimer’s disease and mild cognitive impairment,” Journal of Neurology, vol. 266, no. 6. 2019. doi: 10.1007/s00415-018-9016-3.
A. Chien, J. S. Weaver, E. Kinne, and I. Omar, “Magnetic resonance imaging of the knee,” Polish J. Radiol., vol. 85, no. 1, 2020, doi: 10.5114/pjr.2020.99415.
I. B. L. M. Suta, R. S. Hartati, and Y. Divayana, “Diagnosa Tumor Otak Berdasarkan Citra MRI (Magnetic Resonance Imaging),” Maj. Ilm. Teknol. Elektro, vol. 18, no. 2, 2019, doi: 10.24843/mite.2019.v18i02.p01.
R. Andre, B. Wahyu, and R. Purbaningtyas, “Klasifikasi Tumor Otak Menggunakan Convolutional Neural Network Dengan Arsitektur Efficientnet-B3,” J. IT, vol. 11, no. 3, 2021.
R. S. Passa, S. Nurmaini, and D. P. Rini, “DETEKSI TUMOR OTAK PADA MAGNETIC RESONANCE IMAGING MENGGUNAKAN YOLOv7,” J. Ilm. Matrik, vol. 25, no. 2, 2023, doi: 10.33557/jurnalmatrik.v25i2.2404.
M. L. Septipalan, M. S. Hibrizi, N. Latifah, R. Lina, and F. Bimantoro, “Klasifikasi Tumor Otak Menggunakan CNN Dengan Arsitektur Resnet50,” Semin. Nas. Teknol. Sains, vol. 3, no. 1, 2024, doi: 10.29407/stains.v3i1.4357.
F. A. A. Harahap, A. N. Nafisa, E. N. D. B. Purba, and N. A. Putri, “IMPLEMENTASI ALGORITMA CONVOLUTIONAL NEURAL NETWORK ARSITEKTUR MODEL MOBILENETV2 DALAM KLASIFIKASI PENYAKIT TUMOR OTAK GLIOMA, PITUITARY DAN MENINGIOMA,” J. Teknol. Informasi, Komputer, dan Apl. (JTIKA ), vol. 5, no. 1, 2023, doi: 10.29303/jtika.v5i1.234.
B. Yanto, J. Jufri, A. Lubis, B. H. Hayadi, and E. Armita, NST, “Klarifikasi Kematangan Buah Nanas Dengan Ruang Warna Hue Saturation Intensity (Hsi),” INOVTEK Polbeng - Seri Inform., vol. 6, no. 1, p. 135, 2021, doi: 10.35314/isi.v6i1.1882.
B. Yanto, B. -, J. -, and B. H. Hayadi, “Indentifikasi Pola Aksara Arab Melayu Dengan Jaringan Syaraf Tiruan Convolutional Neural Network (Cnn),” JSAI (Journal Sci. Appl. Informatics), vol. 3, no. 3, pp. 106–114, 2020, doi: 10.36085/jsai.v3i3.1151.
B. Yanto, B. -, J. -, and B. H. Hayadi, “INDENTIFIKASI POLA AKSARA ARAB MELAYU DENGAN JARINGAN SYARAF TIRUAN CONVOLUTIONAL NEURAL NETWORK (CNN),” JSAI (Journal Sci. Appl. Informatics), vol. 3, no. 3, 2020, doi: 10.36085/jsai.v3i3.1151.
B. Yanto, E. Rouza, L. Fimawahib, B. H. Hayadi, and R. R. Pratama, “Penerapan Algoritma Deep Learning Convolutional Neural Network Dalam Menentukan Kematangan Buah Jeruk Manis Berdasarkan Citra Red Green Blue (RGB),” J. Teknol. Inf. dan Ilmu Komput., vol. 10, no. 1, 2023, doi: 10.25126/jtiik.20231015695.
B. Yanto`, Maria Angela Kartawidjaja, Ronald Sukwadi, and Marsellinus Bachtiar, “Implementation of Hue Saturation Intensity (Hsi) Color Space Transformation Algorithm With Red, Green, Blue (Rgb) Color Brightness in Assessing Tomato Fruit Maturity,” RJOCS (Riau J. Comput. Sci., vol. 9, no. 2, pp. 167–178, 2023, doi: 10.30606/rjocs.v9i2.2428.
B. Yanto, L. Fimawahib, A. Supriyanto, B. H. Hayadi, and R. R. Pratama, “Klasifikasi Tekstur Kematangan Buah Jeruk Manis Berdasarkan Tingkat Kecerahan Warna dengan Metode Deep Learning Convolutional Neural Network,” INOVTEK Polbeng - Seri Inform., vol. 6, no. 2, 2021, doi: 10.35314/isi.v6i2.2104.
A. Digdoyo, T. Surawan, A. S. B. Karno, D. R. Irawati, and Y. Effendi, “Deteksi Tumor Otak Dengan CNN Resnet-152,” J. Teknol., vol. 9, no. 2, 2022, doi: 10.31479/jtek.v9i2.128.
K. Amalia, R. Magdalena, and S. Saidah, “Klasifikasi Penyakit Tumor Otak Pada Citra Mri Menggunakan Metode CNN,” e-Proceeding Eng., vol. 8, no. 6, 2022.
K. Amalia, R. Magdalena, and S. Saidah, “Klasifikasi Penyakit Tumor Otak Pada Citra Mri Menggunakan Metode CNN Dengan Arsitektur Alexnet,” e-Proceeding Eng., vol. 8, 2022.
W. Hastomo, Sugiyanto, and Sudjiran, “Convolution Neural Network Arsitektur Mobilenet-V2 Untuk Mendeteksi Tumor Otak,” Semin. Nas. Teknol. Inf. dan Komun. STI&K, vol. 5, no. 1, 2021.
M. N. M. Hakim, A. B. Nugroho, and A. E. Minarno, “Prediksi Tumor Otak Menggunakan Metode Convolutional Neural Network,” Inform. Mulawarman J. Ilm. Ilmu Komput., vol. 17, no. 1, 2023, doi: 10.30872/jim.v17i1.5246.
F. Citra R, F. Indriyani, and I. R. Rahadjeng, “Klasifikasi Tumor Otak Berbasis Magnetic Resonance Imaging Menggunakan Algoritma Convolutional Neural Network,” Digit. Transform. Technol., vol. 3, no. 2, 2024, doi: 10.47709/digitech.v3i2.3469.
R. Asad, S. ur Rehman, A. Imran, J. Li, A. Almuhaimeed, and A. Alzahrani, “Computer-Aided Early Melanoma Brain-Tumor Detection Using Deep-Learning Approach,” Biomedicines, vol. 11, no. 1, 2023, doi: 10.3390/biomedicines11010184.
A. Putri, B. S. Negara, and S. Sanjaya, “Penerapan Deep Learning Menggunakan VGG-16 untuk Klasifikasi Citra Glioma,” J. Sist. Komput. dan Inform., vol. 3, no. 4, 2022, doi: 10.30865/json.v3i4.4122.
S. B. Imanulloh, A. R. Muslikh, and D. R. I. M. Setiadi, “Plant Diseases Classification based Leaves Image using Convolutional Neural Network,” J. Comput. Theor. Appl., vol. 1, no. 1, 2023, doi: 10.33633/jcta.v1i1.8877.
A. Ridhovan and A. Suharso, “PENERAPAN METODE RESIDUAL NETWORK (RESNET) DALAM KLASIFIKASI PENYAKIT PADA DAUN GANDUM,” JIPI (Jurnal Ilm. Penelit. dan Pembelajaran Inform., vol. 7, no. 1, 2022, doi: 10.29100/jipi.v7i1.2410.
