Klasifikasi Tumor Otak Menggunakan CNN Dengan Arsitektur Resnet50

Mohammad Liyananta Septipalan; Muhammad Shata’ Hibrizi; Nurun Latifah; Rosa Lina; Fitri Bimantoro

doi:10.29407/stains.v3i1.4357

Authors

Mohammad Liyananta Septipalan Universitas Mataram
Muhammad Shata’ Hibrizi Universitas Mataram
Nurun Latifah Universitas Mataram
Rosa Lina Universitas Mataram
Fitri Bimantoro Universitas Mataram

DOI:

https://doi.org/10.29407/stains.v3i1.4357

Keywords:

brain tumor, CNN, classification, , MRI images, ResNet-50

Abstract

Penelitian ini mengusulkan penggunaan Convolutional Neural Network (CNN) dengan model ResNet-50 untuk mengklasifikasikan jenis tumor otak berdasarkan gambar MRI. Dataset terdiri dari empat kelas: Glioma, Hipofisis, Meningioma, dan Normal. Metode penelitian melibatkan pengumpulan data, preprocessing, desain arsitektur CNN, pelatihan model, dan evaluasi. Hasil pengujian menunjukkan bahwa model mampu mengklasifikasikan jenis tumor otak dengan akurasi yang memuaskan. Penerapan ResNet-50 meningkatkan kinerja dengan mengatasi masalah hilangnya gradien. Berdasarkan penelitian tersebut, klasifikasi tumor otak menggunakan CNN dengan arsitektur Resnet50 dapat mendukung deteksi dini tumor otak untuk meningkatkan akurasi diagnostik. Pada penelitian ini akurasi terbaik diperoleh sebesar 96% pada percobaan epoch ke-11.

Downloads

Download data is not yet available.

References

R. Andre, B. Wahyu, and R. Purbaningtyas, “Klasifikasi Tumor Otak Menggunakan Convolutional Neural Network Dengan Arsitektur Efficientnet-B3,” J. IT, vol. 11, no. 3, pp. 55–59, 2021, [Online]. Available: https://jurnal.umj.ac.id/index.php/just-it/index

I. B. L. M. Suta, R. S. Hartati, and Y. Divayana, “Diagnosa Tumor Otak Berdasarkan Citra MRI (Magnetic Resonance Imaging),” Maj. Ilm. Teknol. Elektro, vol. 18, no. 2, 2019, doi: 10.24843/mite.2019.v18i02.p01.

M. N. Winnarto, M. Mailasari, and A. Purnamawati, “Klasifikasi Jenis Tumor Otak Menggunakan Arsitekture Mobilenet V2,” J. SIMETRIS, vol. 13, no. 2, pp. 1–12, 2022.

M. A. Hanin, R. Patmasari, and R. Y. Nur, “Sistem Klasifikasi Penyakit Kulit Menggunakan Convolutional Neural Network (CNN),” e-Proceeding Eng., vol. 8, no. 1, pp. 273–281, 2021.

N. D. Miranda, L. Novamizanti, and S. Rizal, “Convolutional Neural Network Pada Klasifikasi Sidik Jari Menggunakan Resnet-50,” J. Teknik. Informatika., vol. 1, no. 2, pp. 61–68, 2020, doi: 10.20884/1.jutif.2020.1.2.18.

A. Ridhovan and A. Suharso, “Penerapan Metode Residual Network (Resnet) Dalam Klasifikasi Penyakit Pada Daun Gandum,” JIPI (Jurnal Ilmiah. Penelitian. dan Pembelajaran Informatika., vol. 7, no. 1, pp. 58–65, 2022, doi: 10.29100/jipi.v7i1.2410.

A. Nada Nafisa, E. Nia Devina Br Purba, F. Aulia Alfarisi Harahap, N. Adawiyah Putri, I. Komputer, and F. Matematika dan Ilmu Pengetahuan Alam, “Implementasi Algoritma Convolutional Neural Network Arsitektur Model Mobilenetv2 Dalam Klasifikasi Penyakit Tumor Otak Glioma, Pituitary Dan Meningioma,” J. Teknol. Informasi, Komputer, danApl.(JTIKA),vol.5,no.1,pp.53–61,2023.

M. M. Badža and M. C. Barjaktarović, “Classification of brain tumors from mri images using a convolutional neural network,” Applied Sciences (Switzerland), vol. 10, no. 6, Mar. 2020, doi: 10.3390/app10061999.

Faiz Nashrullah, Suryo Adhi Wibowo, and Gelar Budiman, “The Investigation of Epoch Parameters in ResNet-50 Architecture for Pornographic Classification,” J. Comput. Electron. Telecommun., vol. 1, no. 1, pp. 1–8, 2020, doi: 10.52435/complete.v1i1.51.