DIAGNOSIS TUMOR OTAK PADA CITRA MRI DENGAN MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK

Dewi, Nureva Fusfa (2023) DIAGNOSIS TUMOR OTAK PADA CITRA MRI DENGAN MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK. Other thesis, UPN "Veteran" Yogyajarta.

	Text 1. SKRIPSI FULL_NUREVA FUSFA DEWI_123190027.pdf Restricted to Repository staff only Download (3MB)
	Text 2. PENGESAHAN PEMBIMBING.pdf Download (90kB)
	Text 3. PENGESAHAN PENGUJI.pdf Download (108kB)
	Text 4. ABSTRAK.pdf Download (10kB)
	Text 5. COVER.pdf Download (266kB)
	Text 6. DAFTAR ISI.pdf Download (308kB)
	Text 7. DAFTAR PUSTAKA.pdf Download (237kB)

Abstract

viii
ABSTRAK
Dunia medis terus berkembang dalam segala lini mengikuti perkembangan teknologi,
dimana dalam dunia kedokteran perkembangan teknologi berperan aktif dalam mempermudah
dokter untuk melakukan diagnosa suatu penyakit. Salah satu diagnosa penyakit yaitu tumor otak.
Tumor otak dapat terjadi pada siapa saja, baik anak-anak maupun orang dewasa. Dalam diagnosa
penyakit tumor otak salah satunya adalah menggunakan citra MRI (Magnetic Resonance Image).
Citra MRI merupakan salah satu metode untuk membantu dokter dalam menganalisa dan
mengklasifikasikan tumor otak. Dibutuhkan suatu cara otomatis dan akurat dalam melakukan
klasifikasi citra MRI. Convolutional Neural Network (CNN) menjadi salah satu solusi dalam
melakukan klasifikasi otomatis pada citra MRI. CNN merupakan metode deep learning yang
populer terhadap pengolahan citra. CNN sangat baik dalam mengekstrasi fitur yang kompleks
secara otomatis dan efisien dalam klasifikasi tumor. Pada penelitian ini, model CNN yang
optimal dibutuhkan pengujian kombinasi hyperparameter berupa jumlah epoch dan pemilihan
algoritma optimasi yang tepat, untuk mendapatkan tingkat akurasi dan model yang paling
optimal. Model CNN yang optimal didapatkan dengan melakukan hyperparameter serta
algoritma optimasi. Hyperparameter yang diujikan berupa epoch, serta algortima optimasi yang
diujiakan berupa Adam, RMSProp dan SGD. Hyperparameter dilakukan dengan menguji
kombinasi nilai hyperparameter dan algoritma optimasi untuk menemukan model dengan tingkat
akurasi tertinggi dan nilai loss terendah, penelitian ini melakukan pengujian berjumlah 6 kali
dengan jenis model yang telah dirancang. Pengujian dilakukan menggunakan citra dengan input
shape sebesar 150x150, dari hasil pengujian tersebut didapatkan kombinasi hyperparameter
optimal yaitu jenis algorima optimasi Adam dengan jumlah epoch sebanyak 100 yang
menghasilkan tingkat akurasi sebesar 93% dengan nilai training accuracy 98.67% dan validation
accuracy 94.00% serta waktu pelatihan 10 menit.
Kata kunci: Tumor otak; Citra MRI; CNN; klasifikasi
ix
ABSTRACT
The medical world continues to develop in all lines following technological developments,
where in the medical world technological developments play an active role in making it easier
for doctors to diagnose a disease. One of the diagnoses of the disease is a brain tumor. Brain
tumors can happen to anyone, both children and adults. One way to diagnose brain tumors is to
use MRI (Magnetic Resonance Image) images. MRI imagery is a method to assist doctors in
analyzing and classifying brain tumors. An automatic and accurate way of classifying MRI
images is needed. Convolutional Neural Network (CNN) is one of the solutions for performing
automatic classification of MRI images. CNN is a popular deep learning method for image
processing. CNN is very good at extracting complex features automatically and efficiently in
tumor classification. In this study, the optimal CNN model requires testing a combination of
hyperparameters in the form of the number of epochs and choosing the right optimization
algorithm, to get the most optimal level of accuracy and model. The optimal CNN model is
obtained by performing hyperparameters and optimization algorithms. The hyperparameters
tested were in the form of epochs, and the optimization algorithms tested were Adam, RMSProp
and SGD. Hyperparameters are carried out by testing a combination of hyperparameter values
and optimization algorithms to find the model with the highest level of accuracy and the lowest
loss value, this study conducted 6 tests with the type of model that has been designed. The test
was carried out using an image with an input shape of 150x150, from the test results the optimal
hyperparameter combination was obtained, namely the type of Adam optimization algorithm
with a total of 100 epochs which resulted in an accuracy rate of 93% with a training accuracy
value of 98.67% and a validation accuracy of 94.00% and a training time of 10 minute.
Keywords: object detection; CNN; VGG16; classification

Item Type:	Thesis (Other)
Uncontrolled Keywords:	object detection; CNN; VGG16; classification
Subjects:	Z Bibliography. Library Science. Information Resources > ZA Information resources
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eko Yuli
Date Deposited:	13 Sep 2023 04:09
Last Modified:	13 Sep 2023 04:09
URI:	http://eprints.upnyk.ac.id/id/eprint/37475

Actions (login required)

View Item