DETEKSI TUMOR OTAK BERDASARKAN CITRA X-RAY MENGGUNAKAN ARSITEKTUR EfficientNet-B7
Gambar sinar-X sangat kompleks dan dapat menyebabkan penundaan dan bahkan kesalahan diagnosis oleh manusia. Sebagai contoh, diagnosis jenis tumor otak pada gambar sinar-X dapat menjadi ambigu karena beberapa faktor seperti karakteristik tumor otak, dan karakteristik area di sekitar tumor. Oleh kare itu, deteksi dini segmentasi tumor otak menggunakan teknik deep learning dan pengolahan citra sangat penting untuk memastikan diagnosis yang akurat dan pengobatan yang tepat waktu. Penelitian ini menggunakan EfficientNet-B7 untuk mendeteksi citra x-ray dengan metode EfficientNet-B7. Penelitian ini diawali dengan persiapan data yang melibatkan penyediaan dataset citra tontgen tumor otak yang meliputi 3 kelas, yaitu (1) Glioma, (2)Meningioma, (3) Tanpa tumor. Hasil pelatihan EfficientNet-B7 memperoleh akurasi yang stabil dengan 12 kali pelatihan dengan akurasi berkisar antara 89%-95%. Hasil akurasi terendah dengan menggunakan hyperparameter optimizer Nadam, epoch 20, learning rate 0.001, dan batch size 16 diperoleh akurasi sebesar 89.41%. Akurasi tertinggi sebesar 95% dengan konfigurasi hyperparameter optimizer Adam, epoch 15, learning rate 0.001, dan batch size 16.
APA Style
. (2024).DETEKSI TUMOR OTAK BERDASARKAN CITRA X-RAY MENGGUNAKAN ARSITEKTUR EfficientNet-B7 ().Teknik Informatika:FTI
Chicago Style
.DETEKSI TUMOR OTAK BERDASARKAN CITRA X-RAY MENGGUNAKAN ARSITEKTUR EfficientNet-B7 ().Teknik Informatika:FTI,2024.Text
MLA Style
.DETEKSI TUMOR OTAK BERDASARKAN CITRA X-RAY MENGGUNAKAN ARSITEKTUR EfficientNet-B7 ().Teknik Informatika:FTI,2024.Text
Turabian Style
.DETEKSI TUMOR OTAK BERDASARKAN CITRA X-RAY MENGGUNAKAN ARSITEKTUR EfficientNet-B7 ().Teknik Informatika:FTI,2024.Text
