KLASIFIKASI JENIS TUMOR OTAK MENGGUNAKAN ARSITEKTURE MOBILENET V2
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...
| Main Authors: | , , |
|---|---|
| Format: | Article |
| Language: | Indonesian |
| Published: |
Universitas Muria Kudus
2023-01-01
|
| Series: | Simetris: Jurnal Teknik Mesin, Elektro dan Ilmu Komputer |
| Subjects: | |
| Online Access: | https://jurnal.umk.ac.id/index.php/simet/article/view/8821 |
| _version_ | 1797391574666051584 |
|---|---|
| author | Monikka Nur Winnarto Mely Mailasari Annida Purnamawati |
| author_facet | Monikka Nur Winnarto Mely Mailasari Annida Purnamawati |
| author_sort | Monikka Nur Winnarto |
| collection | DOAJ |
| description | 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). |
| first_indexed | 2024-03-08T23:34:32Z |
| format | Article |
| id | doaj.art-4a6a5f6431e04b75be86b12af14c2310 |
| institution | Directory Open Access Journal |
| issn | 2252-4983 2549-3108 |
| language | Indonesian |
| last_indexed | 2024-03-08T23:34:32Z |
| publishDate | 2023-01-01 |
| publisher | Universitas Muria Kudus |
| record_format | Article |
| series | Simetris: Jurnal Teknik Mesin, Elektro dan Ilmu Komputer |
| spelling | doaj.art-4a6a5f6431e04b75be86b12af14c23102023-12-14T08:11:03ZindUniversitas Muria KudusSimetris: Jurnal Teknik Mesin, Elektro dan Ilmu Komputer2252-49832549-31082023-01-0113210.24176/simet.v13i2.88213226KLASIFIKASI JENIS TUMOR OTAK MENGGUNAKAN ARSITEKTURE MOBILENET V2Monikka Nur Winnarto0Mely Mailasari1Annida Purnamawati2Universitas Bina Sarana InformatikaUniversitas Bina Sarana InformatikaUniversitas Bina Sarana InformatikaTumor 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).https://jurnal.umk.ac.id/index.php/simet/article/view/8821klasifikasi, tumor otak, cnn, mobilenet v2 |
| spellingShingle | Monikka Nur Winnarto Mely Mailasari Annida Purnamawati KLASIFIKASI JENIS TUMOR OTAK MENGGUNAKAN ARSITEKTURE MOBILENET V2 Simetris: Jurnal Teknik Mesin, Elektro dan Ilmu Komputer klasifikasi, tumor otak, cnn, mobilenet v2 |
| title | KLASIFIKASI JENIS TUMOR OTAK MENGGUNAKAN ARSITEKTURE MOBILENET V2 |
| title_full | KLASIFIKASI JENIS TUMOR OTAK MENGGUNAKAN ARSITEKTURE MOBILENET V2 |
| title_fullStr | KLASIFIKASI JENIS TUMOR OTAK MENGGUNAKAN ARSITEKTURE MOBILENET V2 |
| title_full_unstemmed | KLASIFIKASI JENIS TUMOR OTAK MENGGUNAKAN ARSITEKTURE MOBILENET V2 |
| title_short | KLASIFIKASI JENIS TUMOR OTAK MENGGUNAKAN ARSITEKTURE MOBILENET V2 |
| title_sort | klasifikasi jenis tumor otak menggunakan arsitekture mobilenet v2 |
| topic | klasifikasi, tumor otak, cnn, mobilenet v2 |
| url | https://jurnal.umk.ac.id/index.php/simet/article/view/8821 |
| work_keys_str_mv | AT monikkanurwinnarto klasifikasijenistumorotakmenggunakanarsitekturemobilenetv2 AT melymailasari klasifikasijenistumorotakmenggunakanarsitekturemobilenetv2 AT annidapurnamawati klasifikasijenistumorotakmenggunakanarsitekturemobilenetv2 |