Klasifikasi Tumor Otak Menggunakan Ensemble Kernel SVM Dengan Feature Fusion CNN

THEODORA FLORENCIA UTOMO, Prof. Drs. Agus Harjoko, M.Sc., Ph.D

2025 | Tesis | MAGISTER KECERDASAN ARTIFISIAL

Tumor otak merupakan suatu penyakit akibat adanya petumbuhan sel-sel otak abnormal di dalam otak dan berisiko tinggi mengarah pada kematian apabila tidak segera ditangani. Oleh karena itu, deteksi dini yang akurat sangat penting untuk memungkinkan segera dilakukannya intervensi. Beberapa penelitian telah mengeksplorasi pendekatan komputasional menggunakan machine learning dalam mengklasifikasikan tumor otak. Tujuan dari penelitian ini adalah untuk meningkatkan performa model klasifikasi tumor otak.

Penelitian ini menggunakan dataset Figshare, yang terdiri dari 3.064 gambar MRI yang dibagi menjadi tiga kelas (Meningioma, Glioma, dan Pituitary). Penelitian ini mengusulkan suatu metode menggunakan feature fusion Convolutional Neural Network (CNN) yang diklasifikasikan menggunakan Ensemble Kernel Support Vector Machine (SVM). Hasil penelitian menunjukkan bahwa model klasifikasi terbaik adalah Ensemble Stacking SVM menggunakan feature fusion MobileNetV2 dan ResNet50 memperoleh accuracy 96,42%, precision sebesar 96,55%, dan recall sebesar 96,42%. Berdasarkan perolehan tersebut, model yang diusulkan terbukti mampu memberikan performa yang lebih baik dari pada model SVM dengan satu feature extractor dalam mengklasifikasikan tumor otak dengan waktu singkat sehingga dapat berkontribusi untuk deteksi dini tumor otak

Brain tumors are caused by the abnormal growth of brain cells within the brain, posing a high risk of mortality if not promptly treated. Therefore, accurate early detection is crucial to enable immediate intervention. Several studies have explored computational approaches using machine learning to classify brain tumors. The objective of this study is to improve the performance of brain tumor classification models.

This study uses the Figshare dataset, which consists of 3,064 MRI images divided into three categories (Meningioma, Glioma, and Pituitary). This study proposes a method using feature fusion from Convolutional Neural Network (CNN) that will be classified using Ensemble Kernels Support Vector Machine (SVM). The results show that the best classification model is Ensemble Stacking SVM using feature fusion of MobileNetV2 and ResNet50, achieving an accuracy of 96,42%, precision of 96,55%, recall of 96,42%. Based on these results, the proposed model demonstrates better performance compared to models using a single feature extractor, offering rapid classification of brain tumors and contributing to the early detection of brain tumors.

Kata Kunci : Tumor otak, feature fusion, klasifikasi, ensemble, SVM