Analisis Performa Model Transfer Learning untuk Mendeteksi Tumor Otak Menggunakan Citra MRI

FAIZ ROFI HENCYA

Informasi Umum

Kode

23.04.6529

Klasifikasi

004 - Data processing, Computer science

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Cyber-physical Systems, Algorithms Programming,

Dilihat

10 kali

Informasi Lainnya

Abstraksi

<p>Tumor otak merupakan kondisi serius yang telah mengakibatkan ribuan kematian setiap tahunnya di seluruh dunia, kondisi ini ditandai dengan tumbuhnya sel-sel abnormal secara tak wajar dan tidak terkendali di dalam atau di sekitar otak. Metode transfer learning telah mendapatkan perhatian untuk mendeteksi tumor otak karena kemampuannya untuk melatih pada dataset yang terbatas. Magnetic Resonance Imaging (MRI) sangat penting dalam proses deteksi ini karena kualitas gambarnya yang superior. Analisis dan deteksi otomatis tumor otak yang akurat dengan data yang terbatas dapat secara signifikan berdampak pada angka kematian global. Oleh karena itu, pemilihan model transfer learning yang tepat sangatlah penting. Di sisi lain pembuatan prototipe deteksi tumor otak masih jarang dilakukan. Untuk mengatasi masalah ini, tugas akhir ini bertujuan untuk merancang dan mengevaluasi performa tiga model pembelajaran transfer learning (InceptionResNetV2, Xception, dan MobileNetV2 ) untuk mendeteksi empat jenis tumor otak: meningioma, glioma, pituitary, dan notumor (otak sehat). Selain itu, tugas akhir ini juga menganalisis performa prototipe yang diusulkan. Metode yang digunakan dalam tugas akhir ini adalah 1. Studi literatur tentang deteksi tumor otak, 2. Perancangan model transfer learning untuk mendeteksi tumor otak, 3. Pembuatan prototipe berdasarkan model terbaik yang telah dirancang, 4. Pengujian performansi dan analisis. Hasil penelitian menunjukkan bahwa InceptionResNetV2 mencapai performa tertinggi dibandingkan dengan model lainnya dengan mencapai accuracy 99.64%, precision 99.64%, sensitivity 99.62%, specificity 100%, dan f1-score 99.63%. Pengujian performa prototipe menggunakan model InceptionResNetV2 mencapai accuracy 98.46%, precision 98.46%, sensitivity 98.46%, specificity 98.67%, dan f1-score 98.46%. Tugas akhir ini menyimpulkan bahwa pemilihan model transfer learning yang tepat dapat meningkatkan akurasi deteksi tumor otak dan prototipe yang diusulkan menunjukkan performa yang menjanjikan. Dengan demikian, model dan prototipe yang dihasilkan dari penelitian ini memiliki potensi untuk membantu praktisi klinis dan ahli radiologi dalam mendiagnosis, mengukur, dan memantau kasus tumor otak.</p>