PERFORMA CONVOLUTIONAL NEURAL NETWORK DALAM DEEP LAYERS RESNET-50 UNTUK KLASIFIKASI MRI TUMOR OTAK

Eko Hari Rachmawanto, Didik Hermanto, Zudha Pratama, Christy Atika Sari

Abstract


Tumor otak merupakan penyakit yang sangat kompleks dan beragam, dengan dampak yang serius pada kesehatan manusia. Berdasarkan data dari International Agency for Research on Cancer (IARC), variasi kondisi kesehatan penderita tumor otak disebabkan oleh faktor-faktor seperti ukuran, jenis, lokasi, dan tingkat keparahan tumor. Penelitian ini bertujuan untuk memberikan kontribusi signifikan dalam pemahaman dan deteksi dini tumor otak, dengan harapan dapat meningkatkan prognosis dan pengelolaan penyakit yang mengancam nyawa ini. Menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur ResNet-50, penelitian ini mengembangkan model klasifikasi berdasarkan citra MRI tumor otak. Hasil evaluasi menunjukkan keberhasilan model dengan akurasi rata-rata mencapai 98.82%, memungkinkan identifikasi jenis tumor otak, seperti tumor jinak, meningioma, dan pituitary, dengan tingkat presisi dan recall mencapai 99.22% dan 100% secara berturut-turut. Penelitian ini memberikan harapan baru dalam diagnosis dini, memperkuat penanganan penyakit tumor otak, dan memberikan landasan bagi pengembangan solusi medis yang lebih efektif, membawa dampak positif pada pasien yang mengidap penyakit ini.

Full Text:

PDF

References


Abdullah, M., Ahmad, M., & Han, D. (2020, January 1). Facial Expression Recognition in Videos: An CNN-LSTM based Model for Video Classification. 2020 International Conference on Electronics, Information, and Communication, ICEIC 2020. https://doi.org/10.1109/ICEIC49074.2020.9051332

Deshpande, A., Estrela, V. V., & Patavardhan, P. (2021). The DCT-CNN-ResNet50 architecture to classify brain tumors with super-resolution, convolutional neural network, and the ResNet50. Neuroscience Informatics, 1(4), 100013. https://doi.org/10.1016/j.neuri.2021.100013

Fomin, I., Burin, V., & Bakhshiev, A. (2020). Research on Neural Networks Integration for Object Classification in Video Analysis Systems. 2020 International Conference on Industrial Engineering, Applications and Manufacturing (ICIEAM), 1–5. https://doi.org/10.1109/ICIEAM48468.2020.9112011

Haq, A. ul, Li, J. P., Kumar, R., Ali, Z., Khan, I., Uddin, M. I., & Agbley, B. L. Y. (2022). MCNN: a multi-level CNN model for the classification of brain tumors in IoT-healthcare system. Journal of Ambient Intelligence and Humanized Computing. https://doi.org/10.1007/s12652-022-04373-z

Jatmiko, A. W. (2021). Efek Pemakaian Kontras Untuk Optimalisasi Citra Pada Pemeriksaan Diagnostik Magnetic Resonance Imaging (MRI). Jurnal Biosains Pascasarjana, 23(1), 28. https://doi.org/10.20473/jbp.v23i1.2021.28-39

Li, X. X., Li, D., Ren, W. X., & Zhang, J. S. (2022). Loosening Identification of Multi-Bolt Connections Based on Wavelet Transform and ResNet-50 Convolutional Neural Network. Sensors, 22(18). https://doi.org/10.3390/s22186825

Nugraha, G. S., Darmawan, M. I., & Dwiyansaputra, R. (2023). Comparison of CNN’s Architecture GoogleNet, AlexNet, VGG-16, Lenet -5, Resnet-50 in Arabic Handwriting Pattern Recognition. Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control. https://doi.org/10.22219/kinetik.v8i2.1667

Nugroho, N. E. W., & Harjoko, A. (2021). Transliteration of Hiragana and Katakana Handwritten Characters Using CNN-SVM. IJCCS (Indonesian Journal of Computing and Cybernetics Systems), 15(3), 221. https://doi.org/10.22146/ijccs.66062

Reddy, A. S. B., & Juliet, D. S. (2019). Transfer Learning with ResNet-50 for Malaria Cell-Image Classification. 2019 International Conference on Communication and Signal Processing (ICCSP), 0945–0949. https://doi.org/10.1109/ICCSP.2019.8697909

Sofian, J., & Laluma, R. H. (2019). Klasifikasi Hasil Citra Mri Otak Untuk Memprediksi Jenis Tumor Otak Dengan Metode Image Threshold Dan Glcm Menggunakan Algoritma K-NN (Nearest

Ullah, N., Khan, J. A., Khan, M. S., Khan, W., Hassan, I., Obayya, M., Negm, N., & Salama, A. S. (2022). An Effective Approach to Detect and Identify Brain Tumors Using Transfer Learning. Applied Sciences (Switzerland), 12(11). https://doi.org/10.3390/app12115645

Yohannes, R., & Al Rivan, M. E. (2022). Klasifikasi Jenis Kanker Kulit Menggunakan CNN-SVM. Jurnal Algoritme, 2(2), 133–144. https://doi.org/10.35957/algoritme.v2i2.2363

Ziaee, A., & Çano, E. (2022). Batch Layer Normalization A new normalization layer for CNNs and RNNs. ACM International Conference Proceeding Series, 40–49.




DOI: https://doi.org/10.30998/semnasristek.v8i01.7125

Refbacks

  • There are currently no refbacks.


Prosiding SEMNAS RISTEK indexed by: