Komparasi MobileNETV2 dengan Kustomisasi Transfer Learning dan Hyperparameter untuk Identifikasi Tumor Otak

Abstract

Bahasa Indonesia

Tumor otak disebabkan dengan pertumbuhan sel otak yang abnormal pada jaringan otak yang menyebabkan kematian bagi pria dan wanita. Identifikasi tumor otak umumnya dilakukan dengan metode biopsi oleh dokter selama 10 hingga 15 hari. Namun, pendekatan modern diperlukan untuk menekan waktu dalam identifikasi tumor otak dengan teknologi deep learning. Dalam penelitian ini, menggunakan 4 kategori tumor otak yaitu glioma, meningioma, notumor, dan pituitary dengan akumulasi citra data sebanyak 20.000 data dan pembagian data meliputi 75% untuk train data, 15% untuk validation data, dan 10% untuk testing data. Penelitian ini bertujuan untuk membandingkan performa dari Adam dan Stochastic Gradient Descent Optimizer, dan model arsitektur transfer learning MobileNetV2 dan MobileNetV2 dalam identifikasi tumor otak. Penelitian ini menggunakan metode komparatif dengan metode evaluasi menggunakan confusion matrix. Comparative analysis dilakukan dengan membandingkan 4 skenario meliputi skenario 1 yaitu menggunakan Adam optimizer dan transfer learning, skenario 2 yaitu menggunakan SGD optimizer dan transfer learning, skenario 3 yaitu menggunakan Adam optimizer dan tanpa transfer learning, serta skenario 4 yaitu menggunakan SGD optimizer dan tanpa transfer learning. Hasil penelitian menunjukkan bahwa skenario 1 dengan penggunaan Adam optimizer dan model transfer learning MobileNetV2 memperoleh accuracy sebesar 98%, precision sebesar 98%, recall sebesar 97,75%, dan f1-score sebesar 97,75% yang merupakan hasil model terbaik, Temuan ini mengindikasikan bahwa peran transfer learning sangat berpengaruh baik pada performa model dan diharapkan dapat memberikan wawasan lebih mendalam terkait model arsitektur yang paling akurat untuk identifikasi tumor otak serta menawarkan fondasi untuk pengembangan aplikasi berbasis Magnetic Resonance Imaging dalam citra medis. Abstract Brain tumors are caused by the abnormal growth of brain cells in brain tissue, leading to death for both men and women. Typically, brain tumor identification is performed through a biopsy by doctors, taking 10 to 15 days. However, a modern approach is needed to reduce the time for brain tumor identification using deep learning technology. This study uses four categories of brain tumors: glioma, meningioma, no tumor, and pituitary tumor, with a dataset of 20,000 images. The data is divided into 75% for training, 15% for validation, and 10% for testing. The purpose of this study is to compare the performance of the Adam and Stochastic Gradient Descent (SGD) optimizers, as well as the MobileNetV2 and MobileNetV2 transfer learning architecture models in brain tumor identification. A comparative method is used, with evaluation through a confusion matrix. The analysis compares four scenarios: Scenario 1 using the Adam optimizer and transfer learning, Scenario 2 using the SGD optimizer and transfer learning, Scenario 3 using the Adam optimizer with no transfer learning, and Scenario 4 using the SGD optimizer with no transfer learning. The results show that Scenario 1, using the Adam optimizer and MobileNetV2 transfer learning, achieved the highest performance with 98% accuracy, 98% precision, 97.75% recall, and 97.75% F1-score. This finding highlights the significant impact of transfer learning on model performance, providing valuable insights into the most accurate architecture for brain tumor identification, and offers a foundation for developing Magnetic Resonance Imaging-based medical image applications.

English

Tumor otak disebabkan dengan pertumbuhan sel otak yang abnormal pada jaringan otak yang menyebabkan kematian bagi pria dan wanita. Identifikasi tumor otak umumnya dilakukan dengan metode biopsi oleh dokter selama 10 hingga 15 hari. Namun, pendekatan modern diperlukan untuk menekan waktu dalam identifikasi tumor otak dengan teknologi deep learning. Dalam penelitian ini, menggunakan 4 kategori tumor otak yaitu glioma, meningioma, notumor, dan pituitary dengan akumulasi citra data sebanyak 20.000 data dan pembagian data meliputi 75% untuk train data, 15% untuk validation data, dan 10% untuk testing data. Penelitian ini bertujuan untuk membandingkan performa dari Adam dan Stochastic Gradient Descent Optimizer, dan model arsitektur transfer learning MobileNetV2 dan MobileNetV2 dalam identifikasi tumor otak. Penelitian ini menggunakan metode komparatif dengan metode evaluasi menggunakan confusion matrix. Comparative analysis dilakukan dengan membandingkan 4 skenario meliputi skenario 1 yaitu menggunakan Adam optimizer dan transfer learning, skenario 2 yaitu menggunakan SGD optimizer dan transfer learning, skenario 3 yaitu menggunakan Adam optimizer dan tanpa transfer learning, serta skenario 4 yaitu menggunakan SGD optimizer dan tanpa transfer learning. Hasil penelitian menunjukkan bahwa skenario 1 dengan penggunaan Adam optimizer dan model transfer learning MobileNetV2 memperoleh accuracy sebesar 98%, precision sebesar 98%, recall sebesar 97,75%, dan f1-score sebesar 97,75% yang merupakan hasil model terbaik, Temuan ini mengindikasikan bahwa peran transfer learning sangat berpengaruh baik pada performa model dan diharapkan dapat memberikan wawasan lebih mendalam terkait model arsitektur yang paling akurat untuk identifikasi tumor otak serta menawarkan fondasi untuk pengembangan aplikasi berbasis Magnetic Resonance Imaging dalam citra medis. Abstract Brain tumors are caused by the abnormal growth of brain cells in brain tissue, leading to death for both men and women. Typically, brain tumor identification is performed through a biopsy by doctors, taking 10 to 15 days. However, a modern approach is needed to reduce the time for brain tumor identification using deep learning technology. This study uses four categories of brain tumors: glioma, meningioma, no tumor, and pituitary tumor, with a dataset of 20,000 images. The data is divided into 75% for training, 15% for validation, and 10% for testing. The purpose of this study is to compare the performance of the Adam and Stochastic Gradient Descent (SGD) optimizers, as well as the MobileNetV2 and MobileNetV2 transfer learning architecture models in brain tumor identification. A comparative method is used, with evaluation through a confusion matrix. The analysis compares four scenarios: Scenario 1 using the Adam optimizer and transfer learning, Scenario 2 using the SGD optimizer and transfer learning, Scenario 3 using the Adam optimizer with no transfer learning, and Scenario 4 using the SGD optimizer with no transfer learning. The results show that Scenario 1, using the Adam optimizer and MobileNetV2 transfer learning, achieved the highest performance with 98% accuracy, 98% precision, 97.75% recall, and 97.75% F1-score. This finding highlights the significant impact of transfer learning on model performance, providing valuable insights into the most accurate architecture for brain tumor identification, and offers a foundation for developing Magnetic Resonance Imaging-based medical image applications.

Keywords

• Transfer Learning MobileNetV2
• Adam Optimizer
• SGD Optimizer
• Brain Tumour
• Magnetic Resonance Imaging
• Tumor Otak