Vol. 9 No. 2 (2025), Articles
Vol. 9 No. 2 (2025)

Aplikasi Deteksi Tumor Otak Citra MRI Menggunakan Model VGG16

Articles
Published 2025-07-10
Satya Dwi Permana Putra
Universitas Nusantara PGRI Kediri
Intan Nur Farida
Made Ayu Dusea Widyadara
PDF

Keywords

deteksi tumor otak
edge detection
meningkatkan akurasi

How to Cite

Aplikasi Deteksi Tumor Otak Citra MRI Menggunakan Model VGG16. (2025). Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi), 9(2), 1101-1109. https://doi.org/10.29407/gxn7p082
ACM ACS APA ABNT Chicago Harvard IEEE MLA Turabian Vancouver AMA

Download Citation

Endnote/Zotero/Mendeley (RIS) BibTeX

Abstract

Tumor otak adalah salah satu penyakit yang sangat serius dan membutuhkan diagnosis serta penanganan yang cepat dan akurat. Citra Magnetic Resonance (MRI) sering digunakan sebagai alat utama untuk mendeteksi tumor otak karena kemampuannya dalam memvisualisasikan jaringan lunak dengan baik. Dalam penelitian ini, penulis menerapkan teknik thresholding dan deteksi tepi sebagai tahap pre-processing citra MRI untuk meningkatkan akurasi model VGG16 dalam mengidentifikasi empat jenis tumor otak yaitu, glioma, meningioma, pituitary, dan normal.

                Proses pre-processing citra MRI meliputi resizing dan normalisasi serta penerapan thresholding dan deteksi tepi. Hasil pre-processing kemudian digunakan sebagai input untuk model VGG16 yang sebelumnya telah dilatih. Evaluasi model dilakukan dengan menggunakan metrik klasifikasi akurasi, presisi, recall, dan f1-score. Hasil penelitian menunjukkan bahwa penerapan thresholding dan deteksi tepi dalam pre-processing citra MRI dapat meningkatkan akurasi model VGG16 dalam mengidentifikasi tumor otak dari 87% menjadi 90% ke atas. Peningkatan akurasi ini disebabkan oleh kemampuan teknik pre-processing dalam memperjelas batas-batas struktur anatomi pada citra MRI, sehingga fitur yang relevan dapat lebih efektif diidentifikasi oleh model deep learning. 

PDF

References

[1] S. Pereira, A. Pinto, V. Alves, and C. A. Silva, “Brain tumor segmentation using convolutional neural networks in MRI images,” IEEE Trans. Med. Imaging, vol. 35, no. 5, pp. 1240–1251, 2016.

[2] S. Khan, N. Islam, Z. Jan, I. Ud Din, and J. J. P. C. Rodrigues, “A novel deep learning based framework for the detection and classification of breast cancer using transfer learning,” Pattern Recognit. Lett., vol. 125, pp. 1–6, 2019, doi: https://doi.org/10.1016/j.patrec.2019.03.022.

[3] N. Otsu, “A Threshold Selection Method from Gray-Level Histograms,” IEEE Trans. Syst. Man. Cybern., vol. 9, no. 1, pp. 62–66, 1979, doi: 10.1109/TSMC.1979.4310076.

[4] J. Canny, “A computational approach to edge detection,” IEEE Trans. Pattern Anal. Mach. Intell., no. 6, pp. 679–698, 1986.

[5] J. Correa-Morris, Y. Martínez-Díaz, N. Hernández, and H. Méndez-Vázquez, “Novel histograms kernels with structural properties,” Pattern Recognit. Lett., vol. 68, pp. 146–152, 2015, doi: https://doi.org/10.1016/j.patrec.2015.09.005.

[6] M. S. Hossain, M. Al-Hammadi, and G. Muhammad, “Automatic fruit classification using deep learning for industrial applications,” IEEE Trans. Ind. informatics, vol. 15, no. 2, pp. 1027–1034, 2018.

[7] I. A. A. Sabri and M. Man, “Performance Analysis for Mining Images of Deep Web,” Int. J. Adv. Comput. Sci. Appl. IJACS, vol. 11, no. 10, pp. 1–7, 2020.

[8] S. L. Bangare, G. Pradeepini, and S. T. Patil, “Regenerative pixel mode and tumour locus algorithm development for brain tumour analysis: A new computational technique for precise medical imaging,” Int. J. Biomed. Eng. Technol., vol. 27, no. 1–2, pp. 76–85, 2018.

[9] K. R. Krishna, M. Arbaaz, S. N. C. Dhanekula, and Y. M. Vallabhaneni, “Modified VGG16 for accurate brain tumor detection in MRI imagery,” Inform. Autom. Pomiary w Gospod. i Ochr. Środowiska, vol. 14, no. 3, pp. 71–75, 2024.

[10] M. Yazar and P. Ozbek, “Assessment of 13 in silico pathogenicity methods on cancer-related variants,” Comput. Biol. Med., vol. 145, p. 105434, 2022, doi: https://doi.org/10.1016/j.compbiomed.2022.105434.

[11] F. ul A. A. Minhas, A. Asif, and M. Arif, “CAFÉ-Map: Context Aware Feature Mapping for mining high dimensional biomedical data,” Comput. Biol. Med., vol. 79, pp. 68–79, 2016, doi: https://doi.org/10.1016/j.compbiomed.2016.10.006.

[12] R. C. Gonzalez, Digital image processing. Pearson education india, 2009.

[13] K. Simonyan, “Very deep convolutional networks for large-scale image recognition,” arXiv Prepr. arXiv1409.1556, 2014.

[14] M. Kuhn and K. Johnson, Applied predictive modeling, vol. 26. Springer, 2013.

[15] F. Pedregosa et al., “Scikit-learn: Machine learning in Python,” J. Mach. Learn. Res., vol. 12, pp. 2825–2830, 2011.

Creative Commons License

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

Copyright (c) 2025 Satya Dwi Permana Putra, Intan Nur Farida, Made Ayu Dusea Widyadara