KLASIFIKASI JENIS TUMOR OTAK MENGGUNAKAN ARSITEKTURE MOBILENET V2

Monikka Nur Winnarto; Mely Mailasari; Annida Purnamawati

doi:10.24176/simet.v13i2.8821

KLASIFIKASI JENIS TUMOR OTAK MENGGUNAKAN ARSITEKTURE MOBILENET V2

Monikka Nur Winnarto
Mely Mailasari
Annida Purnamawati

Abstract

Tumor Otak merupakan penyakit mematikan yang menempati urutan ke-10 sebagai penyebab kematian baik pada pria maupun wanita. Angka mortalitas (jumlah kematian) akibat tumor otak adalah 4,25 per 100.000 penduduk per tahun. Tumor pada otak dapat dideteksi melalui pemeriksaan Magnetic Resonance Imaging (MRI). Dengan mengolah citra yang dihasilkan oleh alat MRI dapat dikembangkan metode pendeteksian tumor otak yang mampu mendeteksi dan mengklasifikasika jenis tumor otak. Klasifikasi jenis tumor otak sangat penting bagi pasien dalam peningkatan perawatan. Dengan perawatan yang tepat, perencanaan, dan diagnosa yang akurat akan dapat meningkatkan harapan hidup pasien Tumor Otak. Klasifikasi menggunakan pemrosesan gambar tradisional telah secara bertahap digantikan oleh Deep Learning salah satunya adalah Convolutional Neural Network. Convolutional Neural Network (CNN) menggunakan arsitektur CNN MobileNetV2. MobilenetV2 memiliki score akurasi cukup tinggi, jumlah training parameters dan model size yang kecil namun memiliki performa yang baik. Tahapan penelitian berupa pengumpulan data, data prepocessing, klasifikasi, evaluasi dan implementasi. Arsitektur MobileNetV2 mampu melakukan klasifikasi jenis tumor otak dengan baik yang dibuktikan dengan hasil akurasi sebesar 88.64%, nilai loss 0.3424, pada Confusion Matrik yang menunjukkan hasil klasifikasi yang benar lebih banyak daripada hasil klasifikasi yang salah dan dari 32 citra sample yang terlihat sejumlah 28 citra terdeteksi sesuai (benar).

Keywords

Klasifikasi, Tumor Otak, CNN, MobileNet V2

Teks Lengkap:

PDF

Referensi

DAFTAR PUSTAKA

[1] K. N. Deeksha, M. Deeksha, A. V. Girish, A. S. Bhat, and H. Lakshmi, “Classification of Brain Tumor and its types using Convolutional Neural Network,” 2020 IEEE Int. Conf. Innov. Technol. INOCON 2020, pp. 1–6, 2020, doi: 10.1109/INOCON50539.2020.9298306.

[2] S. Lee, C. Wu, and S. Chen, “Development of Image Recognition and Classification Network Written for presentation at the 2018 ASABE Annual International Meeting Sponsored by ASABE,” pp. 2–9, 2018.

[3] S. H. Lee, C. S. Chan, S. J. Mayo, and P. Remagnino, “How deep learning extracts and learns leaf features for plant classification,” Pattern Recognit., vol. 71, pp. 1–13, 2017, doi: 10.1016/j.patcog.2017.05.015.

[4] A. S. Febrianti, T. A. Sardjono, and A. F. Babgei, “Klasifikasi Tumor Otak pada Citra Magnetic Resonance Image dengan Menggunakan Metode Support Vector Machine,” J. Tek. ITS, vol. 9, no. 1, 2020, doi: 10.12962/j23373539.v9i1.51587.

[5] F. Akbar, A. N. Rais, I. A. Sobari, R. A. Zuama, and B. Rudiarto, “Analisis Performa Algoritma Naive Bayes Pada Deteksi Otomatis Citra Mri,” JITK (Jurnal Ilmu Pengetah. dan Teknol. Komputer), vol. 5, no. 1, pp. 37–42, 2019, doi: 10.33480/jitk.v5i1.586.

[6] A. Gujar and P. C. M. Meshram, “Brain Tumor Extraction using Genetic Algorithm,” pp. 33–39.

[7] S. Yousaf, S. M. Anwar, H. RaviPrakash, and U. Bagci, “Brain Tumor Survival Prediction using Radiomics Features,” pp. 1–9, 2020, [Online]. Available: http://arxiv.org/abs/2009.02903.

[8] V. Saraswathi and D. Gupta, “Classification of Brain Tumor using PCA-RF in MR Neurological Images,” 2019 11th Int. Conf. Commun. Syst. Networks, COMSNETS 2019, vol. 2061, pp. 440–443, 2019, doi: 10.1109/COMSNETS.2019.8711010.

[9] L. Zhang, H. Zhang, I. Rekik, Y. Gao, Q. Wang, and D. Shen, Malignant brain tumor classification using the random forest method, vol. 11004 LNCS. Springer International Publishing, 2018.

[10] M. R. R. Allaam and A. T. Wibowo, “KLASIFIKASI GENUS TANAMAN ANGGREK MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK ( CNN ) Program Studi Sarjana Informatika Fakultas Informatika Universitas Telkom Bandung,” e-Proceeding Eng., vol. 8, no. 2, pp. 1153–1189, 2021.

[11] Luqman Hakim, Z. Sari, and H. Handhajani, “Klasifikasi Citra Pigmen Kanker Kulit Menggunakan Convolutional Neural Network,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 5, no. 2, pp. 379–385, 2021, doi: 10.29207/resti.v5i2.3001.

[12] D. Krisnandi et al., “Diseases Classification for Tea Plant Using Concatenated Convolution Neural Network,” CommIT (Communication Inf. Technol. J., vol. 13, no. 2, pp. 67–77, 2019, doi: 10.21512/commit.v13i2.5886.

[13] A. Beikmohammadi and K. Faez, “Leaf Classification for Plant Recognition with Deep Transfer Learning,” Proc. - 2018 4th Iran. Conf. Signal Process. Intell. Syst. ICSPIS 2018, pp. 21–26, 2018, doi: 10.1109/ICSPIS.2018.8700547.

[14] J. Hang, D. Zhang, P. Chen, J. Zhang, and B. Wang, “Classification of plant leaf diseases based on improved convolutional neural network,” Sensors (Switzerland), vol. 19, no. 19, pp. 1–14, 2019, doi: 10.3390/s19194161.

[15] G. Kang, K. Liu, B. Hou, and N. Zhang, “3D multi-view convolutional neural networks for lung nodule classification,” PLoS One, vol. 12, no. 11, pp. 1–21, 2017, doi: 10.1371/journal.pone.0188290.

DOI: https://doi.org/10.24176/simet.v13i2.8821