Analisa Kinerja Metode Mask Regional-Convolutional Neural Network dalam Mendeteksi Tumor Otak pada Gambar Magnetic Resonance Imaging dengan Teknik Image Segmentation

Andira, Firgi (2025) Analisa Kinerja Metode Mask Regional-Convolutional Neural Network dalam Mendeteksi Tumor Otak pada Gambar Magnetic Resonance Imaging dengan Teknik Image Segmentation. S1 thesis, Universitas Andalas.

	Text (Cover dan Abstrak) Cover dan Abstrak.pdf - Published Version Download (277kB)
	Text (Bab I Pendahuluan) Bab I Pendahuluan.pdf - Published Version Download (232kB)
	Text (Bab V Penutup) Bab V Penutup.pdf - Published Version Download (216kB)
	Text (Daftar Pustaka) Daftar Pustaka.pdf - Submitted Version Download (228kB)
	Text (Laporan Tugas Akhir_Firgi Andira_2010952050) Laporan Tugas Akhir_Firgi Andira_2010952050.pdf - Published Version Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

Tumor otak adalah kondisi di mana terjadi pertumbuhan sel yang abnormal dan tidak terkendali di area otak yang dapat memicu gejala kanker. Salah satu cara untuk mendapatkan informasi gambaran citra otak yang mengalami gejala tumor yaitu dengan Scan MRI. Pengidentifikasian hasil scan MRI masih dilakukan secara manual yaitu dengan pengamatan langsung yang membutuhkan waktu yang cukup lama dan seringkali terjadi kesalahan identifikasi. Tugas akhir ini bertujuan untuk mendeteksi tumor otak hasil scan MRI menggunakan image segmentation dengan metode Mask R-CNN. Terdapat 4 jenis pendeteksian yang dilakukan yaitu glioma, meningioma, adenoma pituitary, dan no tumor. Dataset training berjumlah 2180 gambar yang dianotasi menggunakan platform roboflow. Dalam pengujian model Mask R-CNN dilakukan pemberian variasi parameter learning rate dan iterasi dengan total 6 model variasi parameter. Hasil pengujian image segmentation didapatkan Model 4 dengan learning rate 0,0005 dan 10900 iterasi mendapatkan akurasi tertinggi yaitu 94%, diikuti model 1 yang mendapatkan akurasi sebesar 92,23% dan model 2 dengan akurasi sebesar 92,15%. Lalu model 5 dan 6 mendapatkan akurasi sebesar 92%. Dan yang mendapatkan akurasi terendah yaitu model 3 dengan akurasi sebesar 91%. Untuk rerata waktu komputasi model Mask R-CNN dapat mendeteksi dalam waktu dibawah 1 detik dan model dengan variasi parameter yang memiliki rerata waktu komputasi tercepat adalah model 6 dengan rerata waktu 0,081456 detik. Berdasarkan hasil tersebut didapatkan model dengan performa terbaik yaitu model 4 dengan variasi learning rate 0,0005 dan 10900 iterasi. Persentase akurasi model 4 yaitu 94% dengan presisi glioma 96%, meningioma 88,46%, adenoma pituitary 100%, dan notumor 96,15%. Sedangkan persentase recall glioma 88%, meningioma 92%, adenoma pituitary 96%, dan notumor 100% dengan rerata waktu komputasi 0,082556 detik.

Actions (login required)

View Item