KLASIFIKASI CITRA TUMOR OTAK MENGGUNAKAN TEKNIK TRANSFER LEARNING PADA ARSITEKTUR RESNET-50

Yusrina Ilmi Salsabila; Hery Mustofa; Masy Ari Ulinuha

doi:10.52362/jisicom.v9i1.1925

Yusrina Ilmi Salsabila Universitas Islam Negeri Walisongo Semarang
Hery Mustofa Universitas Islam Negeri Walisongo Semarang
Masy Ari Ulinuha Universitas Islam Negeri Walisongo Semarang

DOI: https://doi.org/10.52362/jisicom.v9i1.1925

Abstract

Penelitian ini bertujuan untuk mengimplementasikan dan mengevaluasi performa model deep learning Convolutional Neural Network (CNN) berbasis arsitektur ResNet-50 dalam klasifikasi citra Magnetic Resonance Imaging (MRI) tiga jenis tumor otak: glioma, meningioma, dan pituitary. Pendekatan transfer learning digunakan dengan dua skenario fine-tuning, yaitu pembekuan 30 layer pertama dan pembekuan 15 layer pertama. Dataset terdiri dari 3.064 citra MRI yang dibagi ke dalam data latih dan uji dengan rasio 80:20. Citra diproses melalui tahapan resizing, normalisasi, dan augmentasi untuk meningkatkan variasi data. Model dievaluasi menggunakan metrik akurasi, precision, recall, F1-score, confusion matrix, dan ROC-AUC. Hasil menunjukkan bahwa model dengan freeze 15 layer memberikan akurasi lebih tinggi sebesar 91,86% dibandingkan freeze 30 layer sebesar 90,88%. Namun, model dengan freeze 30 layer menunjukkan kestabilan dan generalisasi yang lebih baik terhadap data uji, terutama dalam mendeteksi meningioma. Temuan ini menunjukkan bahwa ResNet-50 efektif dalam klasifikasi tumor otak berbasis MRI, dan fine-tuning yang tepat berpengaruh terhadap performa akhir model.
This study aims to implement and evaluate the performance of a deep learning Convolutional Neural Network (CNN) model based on the ResNet-50 architecture for classifying Magnetic Resonance Imaging (MRI) brain tumor images into three types: glioma, meningioma, and pituitary. A transfer learning approach was applied using two fine-tuning scenarios: freezing the first 30 layers and freezing the first 15 layers. The dataset consisted of 3,064 MRI images, split into training and testing data at an 80:20 ratio. Images were processed through resizing, normalization, and augmentation to enhance data diversity. The model was evaluated using accuracy, precision, recall, F1-score, confusion matrix, and ROC-AUC metrics. Results showed that the 15-layer freeze model achieved a higher accuracy of 91.86% compared to the 30-layer freeze model at 90.88%. However, the 30-layer freeze model demonstrated better stability and generalization on the test data, particularly in detecting meningioma. These findings indicate that ResNet-50 is effective for MRI-based brain tumor classification, and proper fine-tuning significantly influences model performance.

Downloads

Download data is not yet available.

Author Biographies

Yusrina Ilmi Salsabila, Universitas Islam Negeri Walisongo Semarang

Program Studi Teknologi Informasi

Hery Mustofa, Universitas Islam Negeri Walisongo Semarang

Program Studi Teknologi Informasi

Masy Ari Ulinuha, Universitas Islam Negeri Walisongo Semarang

Program Studi Teknologi Informasi

References

[1] N. Martin and D. Udjulawa, “Klasifikasi Kanker Kulit Pada Citra Dermatoskopi Menggunakan CNN,” Jurnal Algoritme, vol. 5, no. 1, pp. 35–46, 2024, doi: 10.35957/algoritme.xxxx.
[2] T. Nabila and A. Salam, “Classification of Brain Tumors by Using a Hybrid CNN-SVM Model,” Journal of Applied Informatics and Computing, vol. 8, pp. 241–247, Aug. 2024, doi: 10.30871/jaic.v8i2.8277.
[3] P. Theivendren, M. Pichaivel, M. Gopal, and G. Anbumani, “An Overview of Brain Tumor,” in Brain Tumors, A. Agrawal, Ed., Rijeka: IntechOpen, 2022. doi: 10.5772/intechopen.100806.
[4] V. Essianda, A. D. Indrasari, P. Widyastuti, T. Syahla, and R. Rohadi, “Brain Tumor : Molecular Biology, Pathophysiology, and Clinical Symptoms,” Jurnal Biologi Tropis, vol. 23, no. 4, pp. 260–269, Sep. 2023, doi: 10.29303/jbt.v23i4.5585.
[5] O. R. R. Aranya, S. Das, O. Aranya, and N. Labiba, Brain Tumor Classification Using Convolutional Neural Network. 2019. doi: 10.1109/ICASERT.2019.8934603.
[6] A. S. Febrianti, T. A. Sardjono, and A. F. Babgei, “Klasifikasi Tumor Otak pada Citra Magnetic Resonance Image dengan Menggunakan Metode Support Vector Machine,” Jurnal Teknik ITS, vol. 9, no. 1, 2020, doi: 10.12962/j23373539.v9i1.51587.
[7] A. W. Jatmiko, “Efek Pemakaian Kontras untuk Optimalisasi Citra pada Pemeriksaan Diagnostik Magnetic Resonance Imaging (MRI),” Jurnal Biosains Pascasarjana, vol. 23, no. 1, pp. 28–39, 2021, doi: 10.20473/jbp.v23i1.2021.28-39.
[8] V. Benvenuto Gianzurriell et al., “ANALISIS GAMBAR MRI OTAK UNTUK MENDETEKSI TUMOR OTAK MENGGUNAKAN ALGORITMA CNN,” Journal of Informatics and Advanced Computing (JIAC), vol. 4, no. 2, 2023.
[9] D. Martomanggolo, “Perbandingan Convolutional Neural Network pada Transfer Learning Method untuk Mengklasifikasikan Sel Darah Putih,” Ultimatics : Jurnal Teknik Informatika, vol. 13, no. 1, p. 51, 2021.
[10] J. Alberto and D. Hermanto, “Klasifikasi Jenis Burung Menggunakan Metode CNN Dan Arsitektur ResNet-50,” JATISI (Jurnal Teknik Informatika dan Sistem Informasi), vol. 10, pp. 34–46, Sep. 2023.
[11] K. Ali, Z. A. Shaikh, A. A. Khan, and A. A. Laghari, “Multiclass skin cancer classification using EfficientNets – a first step towards preventing skin cancer,” Neuroscience Informatics, vol. 2, no. 4, p. 100034, 2022, doi: https://doi.org/10.1016/j.neuri.2021.100034.
[12] I. S. Ardan and R. Indraswari, “Sistem Berbasis Deep Learning untuk Segmentasi dan Klasifikasi Tingkat Keganasan Tumor Otak Menggunakan Citra MRI 3D,” ILKOMNIKA: Journal of Computer Science and Applied Informatics, vol. 6, no. 2, pp. 1–10, Aug. 2024, doi: 10.28926/ilkomnika.v6i2.643.
[13] M. I. Wahid, A. Lawi, D. A. Muh, and A. Siddik, “Perbandingan Kinerja Model Ensembled Transfer Learning Pada Klasifikasi Penyakit Daun Tomat,” Prosiding Seminar Nasional Teknik Elektro dan Informatika (SNTEI) 2022, 2022.
[14] P. Laksono, H. Harliana, and T. Prabowo, “Deteksi Tumor Otak Melalui Penerapan GLCM dan Naïve Bayes Classification,” Jurnal Ilmiah Intech : Information Technology Journal of UMUS, vol. 5, no. 1, pp. 41–48, May 2023, doi: 10.46772/intech.v5i1.1286.
[15] B. Sujatmiko, E. Yudaningtyas, and P. Raharjo, “CONVOLUTION NEURAL NETWORK DENGAN DESAIN JARINGAN RESNET SEBAGAI METODE KLASIFIKASI TUMOR KULIT,” Jurnal Simantec, vol. 11, pp. 53–64, Dec. 2022, doi: 10.21107/simantec.v11i1.14083.
[16] J. Cheng et al., “Enhanced performance of brain tumor classification via tumor region augmentation and partition,” PLoS One, vol. 10, no. 10, p. e0140381, 2015.
[17] A. Nada Nafisa, E. Nia Devina Br Purba, F. Aulia Alfarisi Harahap, N. Adawiyah Putri, I. Komputer, and F. Matematika dan Ilmu Pengetahuan Alam, “Implementasi Algoritma Convolutional Neural Network Arsitektur Model MobileNetV2 dalam Klasifikasi Penyakit Tumor Otak Glioma, Pituitary dan Meningioma,” Jurnal Teknologi Informasi, Komputer dan Aplikasinya (JTIKA), vol. 5, no. 1, pp. 53–61, 2021, [Online]. Available: http://jtika.if.unram.ac.id/index.php/JTIKA/
[18] A. Ridhovan and A. Suharso, “PENERAPAN METODE RESIDUAL NETWORK (RESNET) DALAM KLASIFIKASI PENYAKIT PADA DAUN GANDUM,” JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), vol. 7, no. 1, pp. 58–65, 2022.
[19] D. Iskandar Mulyana, M. Ainur Rofik, and M. Ohan Zoharuddin Zakaria, “Klasifikasi Kendaraan pada Jalan Raya menggunakan Algoritma Convolutional Neural Network ( CNN ),” Jurnal Pendidikan Tambusai, vol. 6, no. 1, pp. 1668–1679, 2022.
[20] R. Wardhani and N. Nafi’iyah, “Identifikasi Tumor Otak Citra MRI dengan Convolutional Neural Network,” Jurnal Informatika Jurnal Pengembangan IT, vol. 8, pp. 213–219, Sep. 2023.
[21] K. Amalia, R. Magdalena, and S. Saidah, “Klasifikasi Penyakit Tumor Otak Pada Citra Mri Menggunakan Metode CNN,” 2022. [Online]. Available: www.kaggle.com
[22] M. Grandini, E. Bagli, and G. Visani, Metrics for Multi-Class Classification: an Overview. 2020. doi: 10.48550/arXiv.2008.05756.
[23] A. Raup, W. Ridwan, Y. Khoeriyah, S. Supiana, and Q. Zaqiah, “Deep Learning dan Penerapannya dalam Pembelajaran,” JIIP - Jurnal Ilmiah Ilmu Pendidikan, vol. 5, pp. 3258–3267, Sep. 2022, doi: 10.54371/jiip.v5i9.805.
[24] M. Ramadhan, T. Ananta, A. Zakkyfriza, I. H, and Y. Fauzan, “Perbandingan Jumlah Layer Pada Convolutional Neural Network Untuk Meningkatkan Akurasi Dalam Klasifikasi Gambar,” Merkurius : Jurnal Riset Sistem Informasi dan Teknik Informatika, vol. 2, pp. 211–217, Jul. 2024, doi: 10.61132/merkurius.v2i5.301.
[25] V. Marita and I. Sanubary, “Identifikasi Tumor Otak Menggunakan Jaringan Syaraf Tiruan Propagasi Balik pada Citra CT-Scan Otak,” vol. V, no. 3, pp. 117–121, 2014.
[26] N. Puspitasari, K. Nugroho, and K. Hadiono, “Usability of Brain Tumor Detection Using the DNN (Deep Neural Network) Method Based on Medical Image on DICOM,” CESS (Journal of Computer Engineering, System and Science), vol. 8, p. 619, Jul. 2023, doi: 10.24114/cess.v8i2.48727.
[27] T. Adilah and Q. N. Azizah, “Klasifikasi Tumor Otak Menggunakan Ekstraksi Fitur HOG dan Support Vector Machine,” 2022. [Online]. Available: http://ejournal.bsi.ac.id/ejurnal/index.php/infortech45
[28] A. Deshpande, V. Estrela, and P. Patavardhan, “The DCT-CNN-ResNet50 architecture to classify brain tumors with super-resolution, convolutional neural network, and the ResNet50,” Neuroscience Informatics, vol. 1, p. 100013, Oct. 2021, doi: 10.1016/j.neuri.2021.100013.
[29] M. A. Armansyah, “Aplikasi Pengolahan Citra Mri Untuk Deteksi Area Kanker Otak Dengan Menggunakan Metode Robinson,” 2022.
[30] N. D. Miranda, L. Novamizanti, and S. Rizal, “CONVOLUTIONAL NEURAL NETWORK PADA KLASIFIKASI SIDIK JARI MENGGUNAKAN RESNET-50,” Jurnal Teknik Informatika (Jutif), vol. 1, no. 2, pp. 61–68, Dec. 2020, doi: 10.20884/1.jutif.2020.1.2.18.
[31] H. Fakhri, S. Setiawardhana, I. Syarif, and R. Sigit, “Klasifikasi Tumor Otak Menggunakan Convolutional Neural Network,” INOVTEK Polbeng - Seri Informatika, vol. 9, Jun. 2024, doi: 10.35314/isi.v9i1.3908.