Opialisti, Intan (2024) Identifikasi penyakit Alzheimer dan tumor otak pada Citra Magnetic Resonance Imaging menggunakan Convolutional Neural Network. Sarjana thesis, UIN Sunan Gunung Djati Bandung.
|
Text (COVER)
1_cover.pdf Download (254kB) | Preview |
|
|
Text (ABSTRAK)
2_abstrak.pdf Download (98kB) | Preview |
|
|
Text (DAFTAR ISI)
3_daftar Isi.pdf Download (84kB) | Preview |
|
|
Text (BAB I)
4_bab1.pdf Download (99kB) | Preview |
|
Text (BAB II)
5_bab2.pdf Restricted to Registered users only Download (1MB) |
||
Text (BAB III)
6_bab3.pdf Restricted to Registered users only Download (2MB) |
||
Text (BAB IV)
7_bab4.pdf Restricted to Registered users only Download (360kB) |
||
Text (BAB V)
8_bab5.pdf Restricted to Registered users only Download (81kB) |
||
Text (DAFTAR PUSTAKA)
9_daftarpustaka.pdf Restricted to Registered users only Download (138kB) |
Abstract
Tumor Otak dan Alzheimer merupakan penyakit yang berkaitan dengan sistem saraf manusia. Tumor otak berasal dari pertumbuhan sel abnormal di berbagai bagian otak yang dapat mengganggu fungsi otak dan dapat menyebabkan kematian. Di sisi lain, Alzheimer adalah penyakit umum pada lansia yang menyebabkan kerusakan otak yang mempengaruhi fungsi memori, bicara, dan perilaku. Salah satu cara untuk mendeteksi kedua penyakit tersebut adalah menggunakan Citra (MRI). Namun, proses deteksi kedua penyakit tersebut melalui citra MRI masih menggunakan penafsiran manual yang memakan waktu cukup lama bahkan pasien dapat menerima hasilnya minimal dua minggu setelah pemeriksaan. Oleh karena itu, diperlukan metode yang dapat mempermudah dan mempercepat proses deteksi kedua penyakit tersebut dengan menggunakan metode Convolutional Neural Network (CNN). Metode CNN dalam penelitian ini dimanfaatkan dalam mempelajari fitur-fitur penting secara otomatis untuk mengenali data citra MRI tumor otak dan Alzheimer. Model CNN dibangun menggunakan arsitektur EfficientNet-B0 dan dilatih dengan data yang telah diproses. Hasil yang diperoleh menunjukkan tingkat akurasi model mencapai 99.15% dengan presisi, recall, dan F1-score yang tinggi untuk setiap kelas penyakit. Hasil tersebut terbukti dari visualisasi Confusion Matrix yang menunjukkan kemampuan model dalam mengklasifikasikan penyakit secara akurat. Dengan demikian, penelitian ini menunjukkan bahwa metode CNN menggunakan EfficientNet-B0 efektif dalam mendeteksi penyakit Alzheimer dan tumor otak dari citra MRI. ABSTRACT Brain Tumors and Alzheimer’s are diseases related to the human nervous system. Brain tumors originate from the abnormal growth of cells in various parts of the brain that can disrupt brain function and potentially lead to death. On the other hand, Alzheimer’s is a common disease in the elderly that causes brain damage affecting memory, speech, and behavior. One way to detect these diseases is by using MRI images. However, the process of detecting these diseases through MRI images still relies on manual interpretation, which can take a considerable amount of time, with patients potentially receiving their results at least two weeks after the examination. Therefore, a method is needed to simplify and speed up the detection process of these diseases using the Convolutional Neural Network (CNN) method. The CNN method in this research is utilized to automatically learn important features to recognize MRI image data of brain tumors and Alzheimer’s. The CNN model is built using the EfficientNet-B0 architecture and trained with preprocessed data. The results obtained show the model’s accuracy rate reaching 99.15% with high precision, recall, and F1-score for each disease class. These results are evidenced by the visualization of the Confusion Matrix, which demonstrates the model’s ability to accurately classify diseases. Thus, this research indicates that the CNN method using EfficientNet-B0 is effective in detecting Alzheimer’s disease and brain tumors from MRI images.
Item Type: | Thesis (Sarjana) |
---|---|
Uncontrolled Keywords: | Tumor Otak; Alzheimer; MRI; CNN; Arsitektur EfficientNet-B0 ABSTRACT Keywords: Brain Tumor, Alzheimer’s, MRI, CNN, EfficientNet-B0 Architecture |
Subjects: | Physics Physics > Physicists Medicine and Health > Medical Physics |
Divisions: | Fakultas Sains dan Teknologi > Program Studi Fisika |
Depositing User: | Intan Itan Opialisti |
Date Deposited: | 09 Sep 2024 03:14 |
Last Modified: | 09 Sep 2024 03:14 |
URI: | https://digilib.uinsgd.ac.id/id/eprint/97025 |
Actions (login required)
View Item |