Deteksi Dini Terhadap Penyakit Tumor Otak Menggunakan Citra Magnetik Resonance Imaging (MRI) dengan Pendekatan Deep Convolutional Neural Network
DOI:
https://doi.org/10.35316/jimi.v10i1.37-41Kata Kunci:
Tumor Otak, MRI, DCNN, ResNet52V2Abstrak
Penelitian ini bertujuan mengembangkan sistem deteksi dini tumor otak
menggunakan citra MRI dengan pendekatan Deep Convolutional Neural
Network (DCNN) berbasis arsitektur ResNet152V2. Deteksi cepat tumor otak
penting untuk meningkatkan peluang kesembuhan, namun proses manual
sering terkendala oleh keterbatasan teknologi dan keahlian medis. Oleh
karena itu, penelitian ini menawarkan solusi otomatis untuk analisis citra
MRI. Metode yang digunakan mencakup pengumpulan data dari dataset
publik, preprocessing citra, dan pelatihan model DCNN. Model
ResNet152V2 dipilih karena kemampuannya mengatasi vanishing gradient
dan efektivitas ekstraksi fitur. Hasil menunjukkan model mencapai akurasi
92,38% dalam mengklasifikasikan empat kelas tumor otak: Meningioma,
Glioma, Pituitary, dan No Tumor. Evaluasi menggunakan confusion matrix
dan classification report menunjukkan performa yang baik.Penelitian ini
diharapkan dapat berkontribusi dalam diagnosis dini tumor otak dan menjadi
referensi untuk penelitian selanjutnya dalam penerapan kecerdasan buatan di
bidang medis.
Unduhan
Referensi
[1] S. Heranurweni, B. Destyningtias, and A. K. Nugroho, “Klasifikasi Pola Image pada Pasien Tumor Otak Berbasis Jaringan Syaraf Tiruan (Studi Kasus Penanganan Kuratif Pasien Tumor Otak),” eLEKTRIKAL, vol. 10, no. 2, pp. 37–40, 2018.
[2] K. P. K. Nasional, “Pedoman Nasional Pelayanan Kedokteran Tumor Otak,” Kementeri. Kesehat. RI, vol. 1, no. 1, pp. 146–153, 2019, [Online]. Available: https://www.kemkes.go.id/article/view/19093000001/penyakit-jantung- %0Apenyebab-kematian-terbanyak-ke-2-di-indonesia.html.
[3] A. W. Astuti, I. M. L. Prasetya, and T. Hariyanto, “Teknik Pemeriksaan Magnetic Resonance Imaging ( MRI ) Brain Dengan Penambahan Sequence Axial 3D-Fiesta Pada Kasus Facial Tic,” Compromise J. Community Proffesional Serv. Journa, vol. 1, no. 4, pp. 18–28, 2023.
[4] N. H. Apriantoro and Christianni, “Analisis Perbedaan Citra MRI Brain Pada SEKUENT1SE dan T1FLAIR,” Sinergi, vol. 19, no. 3, pp. 206–210, 2015.
[5] Y. Fang, J. Zhao, L. Hu, X. Ying, Y. Pan, and X. Wang, “Image classification toward breast cancer using deeply-learned quality,” J. Vis. Commun. Image Represent., vol. 64, p. 102609, 2019, doi: 10.1016/j.jvcir.2019.102609.
[6] M. Harahap, E. M. Laia, L. S. Sitanggang, M. Sinaga, D. F. Sihombing, and A. M. Husein, “Deteksi Penyakit Covid-19 Pada Citra X-Ray Dengan Pendekatan Convolutional Neural Network (CNN),” J. RESTI, vol. 6, no. 1, pp. 70–77, 2022.
[7] D. Setiawan and T. W. E. Suryawijaya, “Algoritma Renet152V2 dalam Melakukan Klasifikasi Penyakit pada Daun Tanaman Tomat,” J. Comput. Sci. Technol., vol. 3, no. 2, pp. 37–42, 2023.
[8] Arnita, F. Marpaung, F. Aulia, Nita Suryani, and R. C. Nabila, Computer Vision Dan Pengolahan Citra Digital. Surabaya, Jawa Timur: Pustaka Aksara, 2022.
[9] Y. Amrozi, D. Yuliati, A. Susilo, N. Novianto, and R. Ramadhan, “Klasifikasi Jenis Buah Pisang Berdasarkan Citra Warna dengan Metode SVM,” J. SISFOKOM (Sistem Inf. dan Komputer), vol. 11, no. 3, pp. 394–399, 2022.
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Jurnal Ilmiah Informatika
Artikel ini berlisensi Creative Commons Attribution-NonCommercial 4.0 International License.
