OPTIMALISASI META-LEARNING PADA CONVOLUTIONAL NEURAL NETWORKS UNTUK MENINGKATKAN PERFORMA KLASIFIKASI TUMOR OTAK BERBASIS CITRA MRI

Santoso, Irwan Budi ORCID: https://orcid.org/0000-0001-5586-9035, Supriyono, Supriyono ORCID: https://orcid.org/0000-0002-4733-9189, Utama, Shoffin Nahwa ORCID: https://orcid.org/0000-0001-9843-199X and Safitri, Alfania Dwi OPTIMALISASI META-LEARNING PADA CONVOLUTIONAL NEURAL NETWORKS UNTUK MENINGKATKAN PERFORMA KLASIFIKASI TUMOR OTAK BERBASIS CITRA MRI. Research Report. Universitas Islam Negeri Maulana Malik Ibrahim, Malang.

[img] Text
LAPORAN PENELITIAN -IKI-SKP-2024-apploud-OK.pdf
Restricted to Repository staff only

Download (1MB)

Abstract

Mengklasifikan jenis tumor otak adalah aktifitas penting untuk tindakan medis berikutnya. Klasifikasi jenis tumor otak pada citra magnetic resonance imaging (MRI) sering dilakukan menggunakan convolutional neural network (CNN). Akan tetapi, karena ukuran, bentuk dan posisi tumor yang sangat bervariasi, performa klasifikasi metode tersebut masih perlu ditingkatkan. Keberadaan hanya sebuah model CNN untuk klasifikasi tumor tersebut, kurang cukup kuat untuk mendapatkan performa klasifikasi yang tinggi. Pelibatan beberapa model CNN menjadi salah satu solusi untuk dapat mengklasifikasi jenis tumor dengan karakter yang sangat bervariasi. Pada penelitian ini, diusulkan optimalisasi meta-learning guna mengambil keputusan klasifikasi tumor otak yang mempertimbangkan hasil banyak model CNN berbasis citra MRI otak. Pelibatkan beberapa model CNN sebagai base- learner yang telah terbukti keandalan dengan penyesuaian pada top layer memberi keuntungan mengatasi karakter tumor otak yang bervariasi. Pada penelitian model CNN yang dipilih sebagai baselearner meliputi MobileNet-V2, Inception-V3, Xception, DensNet-201, EfficienNet-B3, dan ResNet-50. Hasil klasifikasi model base-learner akan dilanjutkan pada tahap ensemble combination untuk memperkuat klasifikasi tumor otak. Selanjutnya hasil ensemble combination diteruskan ke meta-leaner (classifier) untuk dilakukan proses pembelajaran lebih lanjut sebelum klasifikasi akhir tumor otak. Untuk optimaliasi meta-learning dalam klasifikasi, pada penelitian ini dipilih support vector machine (SVM) dan multi-layer perceptron (MLP) dengan arsitektur yang dibuat secara khusus sebagai meta-learner. Hasil evaluasi menggunakan dataset THOMAS dan framework yang diusulkan, meta-learning dengan support vector machine dengan kernel polynomial derajat (d)=3 memberikan akurasi terbaik sebesar 96,13% dengan peningkatan akurasi terhadap model base-learner 0,65%-6,13%.
Sedangkan MLP memberikan peningkatan akurasi model base-learner sebesar 0,33%-5,81%. Untuk evaluasi pada dataset FERNANDO, meta-learning dengan support vector machine dengan kernel polynomial derajat (d)=2 dan MLP memberikan akurasi klasifikasi tumor otak terbaik sebesar 98,41% dan memberikan koreksi terhadap model base-learner sebesar 0,22%-2,95%.

Item Type: Research (Research Report)
Keywords: Magnetic resonance imaging, Convolutional neural network, Base-learner,Meta-learner, Support vector machine, Multi-layer perceptron
Subjects: 08 INFORMATION AND COMPUTING SCIENCES > 0801 Artificial Intelligence and Image Processing > 080199 Artificial Intelligence and Image Processing not elsewhere classified
Divisions: Faculty of Technology > Department of Informatics Engineering
Depositing User: irwan budi santoso
Date Deposited: 03 Dec 2024 14:39

Downloads

Downloads per month over past year

Origin of downloads

Actions (login required)

View Item View Item