Detail Cantuman

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%.
Evaluasi dengan metrik precision, recall, dan f1-score menunjukkan variasi kinerja antar kelas tumor, dengan precision tertinggi dicapai oleh kelas Meningioma sebesar 86%, recall tertinggi oleh kelas Pituitary sebesar 91%, dan f1-score tertinggi oleh kelas Pituitary sebesar 83%. Adapun hasil pengujian Alpha dengan menggunakan 32 data citra. Hasil pengujian alpha tumor meningioma mendapatkan akurasi 50%. Hasil pengujian alpha tumor glioma mendapatkan akurasi 54,55% . Hasil pengujian alpha tumor pituitary mendapatkan akurasi 45,45%.