KLASIFIKASI PENCITRAAN OTAK PENDERITA STROKE

Illahi, Muhammad Asyrov (2025) KLASIFIKASI PENCITRAAN OTAK PENDERITA STROKE. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (2MB)
	Text (BAB I) BAB I.pdf Download (219kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (841kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (311kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (537kB)
	Text (BAB V) BAB V.pdf Download (45kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (245kB)
	Archive (SOURCE CODE) Sourcecode - 23.22.2521.zip Restricted to Repository staff only Download (111MB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (817kB)

Abstract

Pada era kemajuan AI dan Machine Learning akhir-akhir ini, pengembangan sistem pendukung diagnosis medis menjadi semakin krusial. Penelitian ini fokus pada deteksi dini dan klasifikasi penyakit stroke, penyakit yang signifikan mempengaruhi kualitas hidup pasien. Penerapan teknologi citra medis, terutama melalui teknik Artificial Intelligence seperti Convolutional Neural Network, menjadi solusi. Studi ini mengusulkan penggunaan metode CNN dengan arsitektur EfficientNetB0 untuk meningkatkan efektivitas klasifikasi citra penyakit stroke. Objek penelitian ini berupa dataset citra MRI otak manusia dari Kaggle, terdiri dari 2280 gambar yang diklasifikasikan ke dalam dua kelas yaitu hemorrhagic dan ischemic. Konfigurasi model dilakukan dalam dua tahap, dengan menggunakan pretrained model EfficientNetB0 sebagai base model. Pada tahap fine-tuning, sebagian lapisan model yang telah dilakukan pretrain di-unfreeze untuk melibatkan proses pelatihan lebih lanjut. Selama proses training, model dioptimalkan menggunakan optimizer Adam, dengan learning rate minimum 1e-3 sebelum fine-tuning dan saat fine-tuning, disetel ke 1e-4 serta penerapan Early Stopping untuk mencegah overfitting. Hasil dari tahap pelatihan dan fine-tuning model menunjukkan peningkatan yang signifikan dalam akurasi klasifikasi, dari sekitar 67,50% menjadi 84%. Evaluasi model pada dataset pengujian, menghasilkan akurasi kategorikal sebesar 83,91%. 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