(0721) 8030188    [email protected]   

EVALUASI PERFORMA KLASIFIKASI TUMOR OTAK DENGAN ARSITEKTUR CNN-CONVNEXT


Tumor otak merupakan pertumbuhan sel abnormal di dalam otak yang dapat mengganggu fungsi sel normal lainnya. Menurut Global Cancer Observatory pada tahun 2022, tumor otak di Indonesia menempati posisi ke-15 dalam daftar kasus kanker terbanyak dengan tingkat kematian mencapai 91,7%. Tingginya angka kematian ini menekankan pentingnya deteksi dini tumor otak, salah satunya melalui klasifikasi yang akurat. Penelitian ini bertujuan untuk mengklasifikasikan tumor otak berdasarkan citra Magnetic Resonance Imaging (MRI) menggunakan Convolutional Neural Network (CNN) dan pendekatan transfer learning, yaitu ConvNeXt. Penelitian ini melibatkan pengujian konfigurasi hyperparameter dan perbandingan metode yang digunakan. Dataset yang digunakan adalah dataset publik oleh Masoud Nickparvar, yang terdiri dari kelas glioma, meningioma, no tumor, dan pituitary. Hasil penelitian menunjukkan bahwa pemilihan konfigurasi hyperparameter yang tepat dapat meningkatkan performa model, dan penggunaan transfer learning berhasil meningkatkan akurasi klasifikasi tumor otak dengan mencapai 99,54% untuk model ConvNeXt-B dan 99,08% untuk ConvNeXt-S.

URI
https://repo.itera.ac.id/depan/submission/SB2409230174

Keyword
ConvNeXt convolutional neural network tumor otak transfer learning