KLASIFIKASI TUMOR OTAK PADA CITRA MAGNETIC RESONANCE IMAGE MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK

Daniswara, Bagas Arya (2022) KLASIFIKASI TUMOR OTAK PADA CITRA MAGNETIC RESONANCE IMAGE MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (913kB)
	Text (BAB I) BAB I.pdf Download (311kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (532kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (496kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (567kB)
	Text (BAB V) BAB V.pdf Download (61kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (149kB)
	Archive (SOURCE CODE) Source Code 18.11.2125 Bagas Arya Daniswara.zip Restricted to Repository staff only Download (3kB)
	Text (PUBLIKASI) Publikasi 18.11.2125 Bagas Arya Daniswara.pdf Restricted to Repository staff only Download (422kB)

Abstract

Tumor otak merupakan ancaman bagi manusia saat ini, penyebab pasti dari tumor otak belum diketahui. Tetapi penanganan paling tepat berdasarkan jenis tumor yang diderita mampu menekan angka kematian yang disebabkan oleh tumor otak. Diperlukan sebuah metode yang dapat mengenali berbagai jenis tumor otak berdasarkan Citra Magnetic Resonance Imaging (MRI) agar dapat menangani angka kematian yang disebabkan oleh tumor otak. Convolutional Neural Network (CNN) merupakan salah satu algoritma yang mampu mengenali maupun mengklasifikasi sebuah citra. Penelitian ini mengimplementasikan algoritma CNN pada klasifikasi jenis tumor otak pada citra MRI seorang penderita tumor. Dalam penelitian ini menggunakan VGG16 sebagai arsitektur dari CNN yang memiliki sensitivitas tinggi dan menggunakan metode optimasi Adaptive Moment Estimation (Adam). Dataset citra MRI pada tumor otak memiliki jumlah sebanyak 2870 data training dan 394 data testing. Model akan dilatih menggunakan algoritma CNN dan keluaran dari program berupa empat kelas yaitu glioma tumor, meningioma tumor, pituitary tumor dan otak normal. Model CNN dengan arsitektur VGG16 akan di uji kekuratanya menggunakan Confusion Matrix. Berdasarkan hasil evaluasi model penelitian CNN arsitektur VGG16 dengan filter 256 dan 128 pada fully connected layer dengan menggunakan confusion matrix menghasilkan akurasi sebesar 96% pada model dengan menggunakan teknik augmentasi data, sedangkan pada model yang tidak menggunakan teknik augmentasi data hanya mendapatkan akurasi sebesar 92%, dan pada data testing dengan augmentasi data menghasilkan akurasi 73%..

Actions (login required)

View Item