Perbandingan Model Machine Learning pada Klasifikasi Tumor Otak Menggunakan Fitur Discrete Cosine Transform

Penulis

  • Simeon Yuda Prasetyo Universitas Bina Nusantara
  • Ghinaa Zain Nabiilah Universitas Bina Nusantara

DOI:

https://doi.org/10.54914/jtt.v9i1.605

Kata Kunci:

DCT, Klasifikasi Biner, Machine Learning, SVM, Tumor Otak

Abstrak

Tumor otak adalah pertumbuhan jaringan abnormal yang ditandai dengan pertumbuhan sel yang berlebihan di bagian otak tertentu. Salah satu teknik andal saat ini yang tersedia untuk mengidentifikasi tumor otak adalah penggunaan pemindaian Magnetic Resonance Imaging (MRI). Gambar MRI yang dipindai dipantau dan diperiksa untuk deteksi tumor oleh dokter spesialis. Mengembangkan alat yang lebih efektif dan efisien untuk membantu profesional medis mengidentifikasi tumor otak dirasa cukup mendesak karena jumlah orang yang menderita tumor otak melonjak dan tingkat kematian yang mencapai 18.600 pada tahun 2021. Dalam penelitian sebelumnya, model berbasis pembelajaran mesin mampu menunjukkan kemampuan untuk mendeteksi tumor otak dengan akurasi klasifikasi 92% dan hal hasil ini dapat diandalkan. Untuk mendapatkan akurasi klasifikasi biner yang paling andal dalam gambar otak MRI, kami menguji secara komputasi beberapa hyperparameter menggunakan kumpulan data MRI yang tersedia untuk umum. Tingkat akurasi model yang tinggi dicapai dengan menguji berbagai arsitektur model machine learning yang ada, diikuti dengan memasukkan feature map yang diekstraksi dari Discrete Cosine Transform (DCT). Klasifikasi gambar MRI mencapai akurasi pada data test tertinggi sebesar 93% dengan menggunakan model Support Vector Machine (SVM).

Unduhan

Data unduhan belum tersedia.

Referensi

T. Sinha, “Tumors: Benign and Malignant,†Cancer Ther Oncol Int J, vol. 10, no. 3, May 2018, doi: 10.19080/ctoij.2018.10.555790.

SEER, “Surveillance, Epidemiology, and End Results Program,†https://seer.cancer.gov/.

S. A. H. S. Javadi and B. Rezaei, “Brain tumors and indications for brain imaging in patients with psychiatric manifestations: a case report,†Middle East Current Psychiatry, vol. 28, no. 1, Dec. 2021, doi: 10.1186/s43045-021-00136-2.

Rafi Haidar Ramdlon, Entin Martiana Kusumaningtyas, and Tita Karlita, “Brain Tumor Classification Using Mri Images With K-Nearest Neighbor Method,†2019 International Electronics Symposium (IES), pp. 660–667, 2019.

Göklap Cinarer and Bülent Gürsel Emiroglu, “Classificatin of Brain Tumors by Machine Learning Algorithms,†2019 3rd International Symposium on Multidisciplinary Studies and Innovative Technologies (ISMSIT), 2019.

M. A. Naser and M. J. Deen, “Brain tumor segmentation and grading of lower-grade glioma using deep learning in MRI images,†Comput Biol Med, vol. 121, Jun. 2020, doi: 10.1016/j.compbiomed.2020.103758.

Yakub Bhanothu, Anandhanarayanan Kamalakannan, and Govindaraj Rajamanickam, “Detection and Classification of Brain Tumor in MRI Images using Deep Convolutional Network,†2020 6th International Conference on Advanced Computing & Communication Systems (ICACCS) , pp. 248–252, 2020.

A. Samreen, A. M. Taha, Y. V. Reddy, and P. Sathish, “Brain Tumor Detection by Using Convolution Neural Network,†International journal of online and biomedical engineering, vol. 16, no. 13, pp. 58–69, 2020, doi: 10.3991/ijoe.v16i13.18545.

N. Abiwinanda, M. Hanif, S. T. Hesaputra, A. Handayani, and T. R. Mengko, “Brain tumor classification using convolutional neural network,†in IFMBE Proceedings, 2019, vol. 68, no. 1, pp. 183–189. doi: 10.1007/978-981-10-9035-6_33.

S. Dabbaghchian, A. Aghagolzadeh, and M. S. Moin, “Feature extraction using discrete cosine transform for face recognition,†in 2007 9th International Symposium on Signal Processing and its Applications, ISSPA 2007, Proceedings, 2007. doi: 10.1109/ISSPA.2007.4555358.

Aryan Felix, “BraTS 2019 (Train/Test/Valid),†2020.

P. Verma and G. Verma, “Brain Tumor Detection using Hybrid Model of DCT DWT and Thresholding,†International Research Journal of Engineering and Technology (IRJET), Certified Journal | Page, vol. 9001, 2008.

“Discrete Cosine Transform; Second Editionâ€

Hein Tun Zaw, Noppadol Maneerat, and Khin Yadanar Win, “Brain tumor detection based on Naïve Bayes Classification,†2019 5th International Conference on Engineering, Applied Sciences and Technology (ICEAST), 2019.

B. Charbuty and A. Abdulazeez, “Classification Based on Decision Tree Algorithm for Machine Learning,†Journal of Applied Science and Technology Trends, vol. 2, no. 01, pp. 20–28, Mar. 2021, doi: 10.38094/jastt20165.

B. Tu, J. Wang, X. Kang, G. Zhang, X. Ou, and L. Guo, “KNN-Based Representation of Superpixels for Hyperspectral Image Classification,†IEEE J Sel Top Appl Earth Obs Remote Sens, vol. 11, no. 11, pp. 4032–4047, Nov. 2018, doi: 10.1109/JSTARS.2018.2872969.

E. García-Gonzalo, Z. Fernández-Muñiz, P. J. G. Nieto, A. B. Sánchez, and M. M. Fernández, “Hard-rock stability analysis for span design in entry-type excavations with learning classifiers,†Materials, vol. 9, no. 7, Jul. 2016, doi: 10.3390/ma9070531.

D. M. W. Powers and Ailab, “Evaluation: From Precision, Recall And F-Measure To Roc, Informedness, Markedness & Correlation.â€

Unduhan

Diterbitkan

2023-07-04

Cara Mengutip

[1]
S. Y. Prasetyo dan G. Z. Nabiilah, “Perbandingan Model Machine Learning pada Klasifikasi Tumor Otak Menggunakan Fitur Discrete Cosine Transform”, j. teknologi terpadu, vol. 9, no. 1, hlm. 29–34, Jul 2023.

Terbitan

Bagian

Artikel