Publisher

STMIKJAYAKARTASTMIKJAYAKARTA

Journal Journal of Information System, Informatics and ComputingJournal of Information System, Informatics and Computing Abstract

Penelitian ini bertujuan untuk mengimplementasikan dan mengevaluasi performa model deep learning Convolutional Neural Network (CNN) berbasis arsitektur ResNet-50 dalam klasifikasi citra Magnetic Resonance Imaging (MRI) tiga jenis tumor otak: glioma, meningioma, dan pituitary. Pendekatan transfer learning digunakan dengan dua skenario fine-tuning, yaitu pembekuan 30 layer pertama dan pembekuan 15 layer pertama. Dataset terdiri dari 3.064 citra MRI yang dibagi ke dalam data latih dan uji dengan rasio 80:20. Citra diproses melalui tahapan resizing, normalisasi, dan augmentasi untuk meningkatkan variasi data. Model dievaluasi menggunakan metrik akurasi, precision, recall, F1-score, confusion matrix, dan ROC-AUC. Hasil menunjukkan bahwa model dengan freeze 15 layer memberikan akurasi lebih tinggi sebesar 91,86% dibandingkan freeze 30 layer sebesar 90,88%. Namun, model dengan freeze 30 layer menunjukkan kestabilan dan generalisasi yang lebih baik terhadap data uji, terutama dalam mendeteksi meningioma. Temuan ini menunjukkan bahwa ResNet-50 efektif dalam klasifikasi tumor otak berbasis MRI, dan fine-tuning yang tepat berpengaruh terhadap performa akhir model.

Conclusion

Penelitian ini dilaksanakan untuk mengevaluasi performa model deep learning ResNet50 dalam mengklasifikasikan citra MRI otak yang mengandung tumor.Tujuan utama dari penelitian ini adalah agar model mampu membedakan tiga tipe tumor otak, yaitu glioma, meningioma, dan pituitary.Model dengan pembekuan 15 layer mencatat akurasi pelatihan tertinggi sebesar 95,64% namun recall kelas meningioma masih rendah.Secara keseluruhan, penerapan transfer learning dengan ResNet50 terbukti efektif dan berpotensi besar untuk diterapkan dalam sistem diagnosis berbasis AI di bidang medis.

Future Research

Berdasarkan hasil penelitian, terdapat beberapa saran penelitian lanjutan yang dapat dilakukan. Pertama, perlu dilakukan eksplorasi lebih lanjut mengenai teknik augmentasi data yang lebih efektif untuk meningkatkan representasi kelas minoritas, khususnya meningioma, guna mengurangi bias pada model. Kedua, penelitian dapat difokuskan pada pengembangan model segmentasi yang mampu memisahkan area tumor dari jaringan otak sehat, sehingga klasifikasi dapat dilakukan pada area yang lebih spesifik dan akurat. Ketiga, perlu diinvestigasi potensi penggunaan arsitektur deep learning yang lebih canggih, seperti Transformer, untuk menangkap pola-pola kompleks dalam citra MRI dan meningkatkan performa klasifikasi secara keseluruhan. Dengan menggabungkan ketiga saran ini, diharapkan dapat menghasilkan sistem diagnosis tumor otak yang lebih akurat, efisien, dan andal, yang dapat membantu tenaga medis dalam pengambilan keputusan klinis.

References

1. Deteksi Tumor Otak Melalui Penerapan GLCM dan Naïve Bayes Classification | Jurnal Ilmiah Intech... jurnal.umus.ac.id/index.php/intech/article/view/1286Deteksi Tumor Otak Melalui Penerapan GLCM dan Nayve Bayes Classification Jurnal Ilmiah Intech jurnal umus ac index php intech article view 1286
2. [2008.05756] Metrics for Multi-Class Classification: an Overview. metrics multi class overview statistics... doi.org/10.48550/arXiv.2008.057562008 05756 Metrics for Multi Class Classification an Overview metrics multi class overview statistics doi 10 48550 arXiv 2008 05756
3. CONVOLUTIONAL NEURAL NETWORK PADA KLASIFIKASI SIDIK JARI MENGGUNAKAN RESNET-50 | Jurnal Teknik Informatika... doi.org/10.20884/1.jutif.2020.1.2.18CONVOLUTIONAL NEURAL NETWORK PADA KLASIFIKASI SIDIK JARI MENGGUNAKAN RESNET 50 Jurnal Teknik Informatika doi 10 20884 1 jutif 2020 1 2 18

Metadata

File size	1010.53 KB
Pages	12
DMCA	Report