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