KLASIFIKASI TUMOR OTAK MENGGUNAKAN ARSITEKTUR DENSENET201 BERDASARKAN CITRA X-RAY
Perkembangan teknologi dalam analisis citra medis telah membawa peluang dalam diagnosis penyakit secara otomatis. Salah satu metode deep learning yang unggul dalam klasifikasi citra adalah DenseNet201. Penelitian ini mengkaji efektivitas arsitektur DenseNet201 dalam mengklasifikasikan jenis tumor otak berbasis citra X-Ray, dengan fokus pada tiga jenis tumor utama: Meningioma, Glioma, dan Pituitary. Dataset yang digunakan dalam penelitian ini terdiri dari 2781 citra X-Ray diambil dari Kaggle, dan dibagi menjadi 80% data pelatihan dan 20% data validasi. Adapun dataset pengujian dengan jumlah 32 citra. Proses pelatihan dilakukan melalui 12 percobaan yang menguji pengaruh kombinasi hyperparameter seperti optimizer (Adam, Nadam, dan Adamax), jumlah epoch, batch size, dan learning rate terhadap akurasi model. Hasil terbaik diperoleh pada percobaan dengan optimizer Adam, 20 epoch, learning rate 0,5, dan batch size 16, menghasilkan akurasi rata-rata 81,29%.
APA Style
. (2025).KLASIFIKASI TUMOR OTAK MENGGUNAKAN ARSITEKTUR DENSENET201 BERDASARKAN CITRA X-RAY ().:FTI
Chicago Style
.KLASIFIKASI TUMOR OTAK MENGGUNAKAN ARSITEKTUR DENSENET201 BERDASARKAN CITRA X-RAY ().:FTI,2025.
MLA Style
.KLASIFIKASI TUMOR OTAK MENGGUNAKAN ARSITEKTUR DENSENET201 BERDASARKAN CITRA X-RAY ().:FTI,2025.
Turabian Style
.KLASIFIKASI TUMOR OTAK MENGGUNAKAN ARSITEKTUR DENSENET201 BERDASARKAN CITRA X-RAY ().:FTI,2025.
