View/Open

Author

Advisor
Christyan Tamaro Nadeak, S.Si., M.Si.,
Fajri Farid, M.Sc.,

Koleksi
Sains Data

Publisher

Tumor otak merupakan penyakit serius yang memerlukan diagnosis dan pengobatan sejak dini untuk meningkatkan peluang kesembuhan serta mencegah adanya perkembangan ke kondisi yang lebih fatal. Magnetic Resonance Imaging (MRI) sering digunakan dalam proses diagnosis tumor otak, namun analisis citra MRI oleh tenaga medis masih memerlukan waktu yang cukup lama karena segmentasi tumor umumnya dilakukan secara manual. Penelitian ini bertujuan untuk menganalisis dan membandingkan performa beberapa arsitektur deep learning, yaitu CNN, VGG16, ResNet50, dan DenseNet121 dalam mengklasifikasikan tumor otak berdasarkan citra MRI. Dataset yang digunakan terdiri dari 3.264 citra MRI otak yang terbagi ke dalam empat kelas: glioma tumor, meningioma tumor, no tumor dan pituitary tumor. Setiap model dilatih dengan penyesuaian hyperparameter untuk memperoleh performa yang optimal. Hasil evaluasi menunjukkan model DenseNet121 memberikan performa terbaik dengan akurasi sebesar 94,51%, precision 94,54%, recall 94,51%, dan F1-score 94,48%. Penelitian ini menunjukkan bahwa pemilihan arsitektur yang tepat serta pengaturan hyperparameter yang optimal berperan penting dalam meningkatkan akurasi klasifikasi citra medis, serta membuka peluang pemanfaatan model deep learning sebagai sistem pendukung diagnosis tumor otak.

URI
https://repo.itera.ac.id/depan/submission/SB2510230022

Keyword
CNN DenseNet121 ResNet50 Tumor Otak VGG16