KLASIFIKASI CITRA TUMOR OTAK MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN) DENGAN ARSITEKTUR EFFICIENTNETB0 BERBASIS TRANSFER LEARNING

Sulistyo, Adhi (2024) KLASIFIKASI CITRA TUMOR OTAK MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN) DENGAN ARSITEKTUR EFFICIENTNETB0 BERBASIS TRANSFER LEARNING. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (3MB)
	Text (BAB I) BAB I.pdf Download (171kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (1MB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (350kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (537kB)
	Text (BAB V) BAB V.pdf Download (45kB)
	Text (DAFTAR PUSTAKA-LAMPIRAN) Daftar Pustaka dan Lampian.pdf Restricted to Registered users only Download (514kB)
	Archive (SOURCE CODE) Source Code - Adhi Sulistyo.zip Restricted to Repository staff only Download (156MB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (986kB)

Abstract

Dalam era modern yang didukung oleh kemajuan teknologi informasi dan kedokteran, pengembangan sistem pendukung diagnosis medis menjadi semakin krusial. Penelitian ini fokus pada deteksi dini dan klasifikasi tumor otak, penyakit dengan tingkat mortalitas tinggi yang signifikan mempengaruhi kualitas hidup pasien. Penerapan teknologi citra medis, terutama melalui teknik Artificial Intelligence (AI) seperti Convolutional Neural Network (CNN) , menjadi solusi utama dalam mengatasi tantangan diagnostik ini. Studi ini mengusulkan penggunaan metode CNN dengan arsitektur EfficientNetB0 berbasis transfer learning untuk meningkatkan efektivitas klasifikasi citra tumor otak. Objek penelitian adalah dataset citra MRI otak manusia dari Kaggle, terdiri dari 7023 gambar yang diklasifikasikan ke dalam empat kelas: glioma, meningioma, no tumor, dan pituitary. Konfigurasi model dilakukan dalam dua tahap, dengan menggunakan pretrained model EfficientNetB0 sebagai base model . Pada tahap fine-tuning , sebagian lapisan atas pada model yang telah di- pretrain di- unfreeze untuk melibatkan proses pelatihan lebih lanjut. Selama proses training , model dioptimalkan menggunakan optimizer Adam, dengan learning rate minimum 1e-6 sebelum fine-tuning dan saat fine-tuning, learning rate disetel ke 1e-4 serta penerapan EarlyStopping untuk mencegah overfitting . Hasil dari tahap pelatihan dan fine-tuning model menunjukkan peningkatan yang signifikan dalam akurasi klasifikasi, dari sekitar 85.50% menjadi 100%. Evaluasi model pada dataset pengujian menghasilkan akurasi kategorikal sebesar 98.95%. Metrik evaluasi lainnya, seperti presisi, recall, dan f1-score, juga mengindikasikan kinerja yang baik. Hasil ini dapat bermanfaat bagi komunitas riset dalam pengembangan metode klasifikasi gambar medis, serta praktisi di bidang kedokteran untuk meningkatkan keakuratan diagnosis melalui analisis citra MRI otak.

Actions (login required)

View Item