Perancangan Alat Bantu Diagnosis Tumor Otak Menggunakan Transfer Learning ResNet101V2

Rhendiya Maulana Zein, Ir. Nazrul Effendy, S.T., M.T., Ph.D., IPM; dr. Endro Basuki. S, Sp.BS(K), M.Kes

2023 | Skripsi | TEKNIK NUKLIR

Penanganan tumor otak dilakukan oleh dokter dan dituntut untuk cepat dan akurat. Sehingga menimbulkan masalah seperti beban kerja tinggi, memerlukan waktu banyak, dan adanya kesalahan manusia. Alat bantu diagnosis menggunakan DL adalah solusi karena dapat mengurangi hingga meniadakan kesalahan manusia, efisien, menghasilkan keputusan yang tidak bias, dan selalu tersedia (availability). Model DL yang dirancang menggunakan transfer learning ResNet101V2 untuk mengklasifikasi tumor meningioma, glioma, pituitary, dan normal dari hasil citra MRI. Penelitian ini akan merancang DL sebagai alat bantu diagnosis.

Perancangan dilakukan dengan tahapan berikut. Pertama, pengumpulan data yang membahas penerapan, aturan terkait, dan ketersediaan data. Kedua, pengolahan data untuk membuat data dapat dipelajari model. Ketiga, model engineering yang merancang arsitektur dan algoritma model agar dapat menggeneralisasi data dengan baik. Terakhir, evaluasi model yang akan mengevaluasi performa model untuk pengambilan keputusan model terbaik atau perancangan kembali.

Penelitian ini menghasilkan 3 model dengan pertimbangan dari evaluasi model. Model 3 adalah model terbaik dengan akurasi pada data latih, validasi, dan tes secara urut adalah 98,38%, 96,97%, dan 96,15% sedangkan loss-nya adalah 0,05, 0,09, dan 0,11. Alat bantu diagnosis dapat digunakan untuk memprediksi tumor dari sebuah gambar hasil citra MRI dan/atau dari sekumpulan gambar hasil cita MRI dari seorang pasien.

Brain tumor treatment is carried out by doctors and is required to be fast and accurate. This causes problems such as high workloads, requiring a lot of time, and human error. Diagnostic tool using DL is solution because they can reduce or eliminate human error, are efficient, produce unbiased decisions, and are always available. The DL model was designed using transfer learning ResNet101V2 to classify meningioma, glioma, pituitary, and normal tumors from MRI images. This study will develop a computer-aided diagnostic tool with DL.

The design is carried out in the following stages. They are, first, data collection that addresses implementation, related rules, and data availability. Second, data processing to make the model able to study the data. Third, model engineering designs the architecture and the algorithms so that they can generalize data well. Finally, evaluate the model, which will assess the performance of the model for decision-making for the best model or redesign.

This study produces three models with consideration of model evaluation. Model 3 is the best model with accuracy on the training data, validation, and test sequentially is 98,38%, 96,97%, and 96,15%, while the loss is 0,05, 0,09, and 0,11. Diagnostic tools can be used to predict tumors from an MRI image or a set of MRI images of a patient.

Kata Kunci : Tumor otak, MRI, Transfer Learning, ResNet101V2