PENGEMBANGAN SISTEM MACHINE LEARNING PADA MAGNETIC RESONANCE IMAGING UNTUK DETEKSI TUMOR OTAK BESERTA JENISNYA

Muhammad Ajriel Rahayu, - (2024) PENGEMBANGAN SISTEM MACHINE LEARNING PADA MAGNETIC RESONANCE IMAGING UNTUK DETEKSI TUMOR OTAK BESERTA JENISNYA. S1 thesis, Universitas Pendidikan Indonesia.

Abstract

Metode analisa citra hasil pemeriksaan MRI untuk diagnosa penyakit tumor otak oleh dokter secara manual membutuhkan waktu yang lama dan juga rentan mengalami human error. Oleh karena itu diperlukan suatu upaya yang dapat membantu dokter untuk mempercepat waktu diagnosa dan meminimalkan kesalahan diagnosa. Salah satu upaya yang bisa dilakukan adalah dengan menggunakan machine learning dalam mendiagnosa penyakit tumor otak dari citra yang dihasilkan mesin MRI. Machine learning dapat dibuat dengan melatih citra-citra otak terdahulu yang sudah diberi label jenis tumor otaknya dengan model algoritma machine learning yang dikembangkan. Algoritma yang dikembangkan menentukan seberapa efektif machine learning dapat mendiagnosa jenis tumor otak. Pengembangan dapat dilakukan dengan mengubah struktur dalam algoritma yang telah dibuat. Pada penelitian ini dilakukan pengembangan algoritma machine learning CNN jenis EfficientNetV2S yang merupakan salah satu cabang machine learning untuk pengolahan citra. Algoritma model EfficientNetV2S yang dikembangkan pada penelitian ini akan dilatih untuk diagnosa jenis tumor otak Glioma, Meningioma, Neurocytoma, Schwannoma dan otak Normal. Algoritma model EfficientNetV2S dapat mengklasifikasikan jenis tumor otak dengan baik yang pada penelitian ini dengan hasil akurasi sebesar 98,39% dan nilai validasi sebesar 95%. Penggunaan teknik augmentasi data pada tahap preprocessing citra serta ditambah penambahan layer dense pada lapisan fully connected layer pada algoritma EfficientNetV2S meningkatkan nilai akurasi data menjadi 99,53% dan nilai validasi data menjadi 99,00% sehingga lebih efektif dalam mengklasifikasikan jenis tumor otak. Adapun setiap citra jenis tumor otak memiliki karakteristik pola persebaran pixel atau array yang khas sehingga dapat diklasifikasikan. The method of manually analyzing images from MRI examination results for diagnosing brain tumors by doctors takes a long time and is also prone to human error. Therefore, an effort is needed that can help doctors speed up the diagnosis time and minimize diagnostic errors. One effort that can be made is to use machine learning to diagnose brain tumors from images produced by MRI machines. Machine learning can be created by training previous brain images that have been labeled with the type of brain tumor with the developed machine learning algorithm model. The algorithm developed determines how effectively machine learning can diagnose the type of brain tumor. Development can be done by changing the structure of the algorithm that has been created. In this research, the EfficientNetV2S type CNN machine learning algorithm was developed, which is a branch of machine learning for image processing. The EfficientNetV2S model algorithm developed in this research will be trained to diagnose Glioma, Meningioma, Neurocytoma, Schwannoma and Normal brain tumors. The EfficientNetV2S model algorithm can classify brain tumor types well, in this study with an accuracy of 98.39% and a validation value of 95%. The use of data augmentation techniques at the image preprocessing stage and the addition of a dense layer to the fully connected layer in the EfficientNetV2S algorithm increases the data accuracy value to 99.53% and the data validation value to 99.00%, making it more effective in classifying types of brain tumors. Each image of a brain tumor type has a characteristic pixel distribution pattern or array so that it can be classified.

	Text S_FIS_2000019_Title.pdf Download (429kB)
	Text S_FIS_2000019_Chapter1.pdf Download (285kB)
	Text S_FIS_2000019_Chapter2.pdf Restricted to Staf Perpustakaan Download (913kB) | Request a copy
	Text S_FIS_2000019_Chapter3.pdf Download (953kB)
	Text S_FIS_2000019_Chapter4.pdf Restricted to Staf Perpustakaan Download (1MB) | Request a copy
	Text S_FIS_2000019_Chapter5.pdf Download (263kB)
	Text S_FIS_2000019_Appendix.pdf Restricted to Staf Perpustakaan Download (821kB) | Request a copy

Item Type:	Thesis (S1)
Additional Information:	https://scholar.google.com/citations?view_op=list_works&hl=en&authuser=1&user=GnmMrRAAAAAJ ID Sinta Dosen Pebimbing: Ahmad Aminudin: 6002113 Nanang Dwi Ardi: 257201
Uncontrolled Keywords:	MRI, Machine learning, Diagnosa, Tumor Otak, EfficientNetV2S MRI, Machine learning, Diagnosis, Brain Tumors, EfficientNetV2S
Subjects:	Q Science > Q Science (General) Q Science > QC Physics T Technology > T Technology (General)
Divisions:	Fakultas Pendidikan Matematika dan Ilmu Pengetahuan Alam > Program Studi Fisika - S1 > Program Studi Fisika (non kependidikan)
Depositing User:	Muhammad Ajriel Rahayu
Date Deposited:	09 Sep 2024 03:38
Last Modified:	09 Sep 2024 03:38
URI:	http://repository.upi.edu/id/eprint/122134

Actions (login required)

View Item