PENGEMBANGAN MODEL CNN DENGAN INTEGRASI MRI MULTI SEQUENCES DAN MULTILEVEL FUSION UNTUK MENINGKATKAN KINERJA KLASIFIKASI TUMOR OTAK

Ade Umar Ramadhan, NIM.: 23206051003 (2025) PENGEMBANGAN MODEL CNN DENGAN INTEGRASI MRI MULTI SEQUENCES DAN MULTILEVEL FUSION UNTUK MENINGKATKAN KINERJA KLASIFIKASI TUMOR OTAK. Masters thesis, UIN SUNAN KALIJAGA YOGYAKARTA.

Preview	Text (PENGEMBANGAN MODEL CNN DENGAN INTEGRASI MRI MULTI SEQUENCES DAN MULTILEVEL FUSION UNTUK MENINGKATKAN KINERJA KLASIFIKASI TUMOR OTAK) 23206051003_BAB-I_IV-atau-V_DAFTAR-PUSTAKA (1).pdf - Published Version Download (2MB) | Preview
	Text (PENGEMBANGAN MODEL CNN DENGAN INTEGRASI MRI MULTI SEQUENCES DAN MULTILEVEL FUSION UNTUK MENINGKATKAN KINERJA KLASIFIKASI TUMOR OTAK) 23206051003_BAB-II_sampai_SEBELUM-BAB-TERAKHIR.pdf Restricted to Registered users only Download (3MB) | Request a copy

Abstract

Prevalensi tumor otak mengalami peningkatan jumlah dari tahun ke tahun dengan gejala awal yang cukup umum dialami oleh orang-orang pada umumnya, yaitu sakit kepala. Namun masih sedikit penelitian tentang metode yang paling tepat untuk klasifikasi tumor otak. Penelitian ini bertujuan untuk membandingkan penggunaan teknik fusion pada MRI multi sequences dengan menerapkan konsep ensemble learning sebanyak 51 kombinasi. Eksperimen ini menggunakan dataset citra MRI dari BraTS 2021 dengan multi sequences yang terdiri dari empat sequences MRI (flair, t1, t1ce, dan t2) berjumlah 10,000 citra pada masing-masing sequences. Citra menjalani pra-pemrosesan yang meliputi data selection, convert, dan normalisasi. Selanjutnya gambar tersebut dimasukkan ke dalam arsitektur 13-layered CNN untuk ekstraksi fitur. Fusion yang digunakan pada penelitian ini berada pada tingkat level (data-level fusion), tingkat fitur (fitur-level fusion), maupun gabungan keduanya (multilevel fusion) dengan metode konkatenasi. Klasifikasi dirancang dengan metode soft-voting dalam ensemble learning yang menggabungkan algoritma SVM, KNN, Logistic Regression, Random Forest, dan Decision Tree yang dijalankan secara pararel. Kinerja model dievaluasi dengan menggunakan berbagai metrik, yaitu akurasi, AUCROC, AUCPR, Cohen's Kappa, dan MCC. Hasil eksperimen dikelompokkan berdasarkan level fusi, jumlah modal, dan jumlah fitur. Penggunaan level fusi terbaik ada pada model multilevel fusion yang menujukkan akurasi rata-rata sebesar 95.84% atau mengalami kenaikan 3.66% terhadap baseline. Penggunaan jumlah modal terbaik ada pada model dengan empat modal yang menunjukkan akurasi rata-rata sebesar 96.14% atau mengalami kenaikan 3.96% terhadap baseline. Penggunaan jumlah fitur terbaik ada pada model dengan empat fitur yang menunjukkan akurasi rata-rata sebesar 96.35% atau mengalami kenaikan 4.17% terhadap baseline. Hasil eksperimen pada metrik akurasi, AUCROC, AUCPR, Cohen’s Kappa, dan MCC secara konsisten menunjukkan bahwa level fusi yang semakin rumit, modal yang semakin banyak, dan fitur yang semakin banyak akan memberikan peningkatan hasil yang signifikan.

Share this knowledge with your friends :

Actions (login required)

View Item