Modifikasi arsitektur lenet-5 untuk mendeteksi tumor otak berbasis citra mri

ABSTRAK:

Tumor otak merupakan salah satu penyakit mematikan yang menyerang otak manusia dimana penyakit ini terjadi akibat adanya pertumbuhan sel tidak normal pada otak. Gejala awal ini timbul ketika manusia mengalami sakit kepala, kejang-kejang, mudah lelah, dan mual. Dengan mengamati gejala tersebut, penyakit dapat segera diidentifikasi dan dilakukan pencegahan awal dengan membangun sebuah sistem yang dapat mengidentifikasi suatu objek dengan mengimplementasi algoritma Convolutional Neural Network dengan menggunakan arsitektur Lenet-5 oleh Yann Lecun. Dalam penelitian ini bertujuan untuk mengukur hasil dari akurasi, sensitivitas, dan spesifisitas arsitektur sebelum dan sesudah dimodifikasi. Dataset yang digunakan merupakan data sekunder yang berjumlah 500 citra yang terbagi menjadi dua class yaitu otak normal dan otak dengan tumor. Prepocessing data dilakukan dengan teknik augmentasi untuk memperbanyak hasil dari citra asli. Pengujian arsitektur modifikasi dilakukan dengan hasil akurasi sebesar 88,00%, sensitivitas sebesar 90,00%, spesifitas sebesar 86,00%. Kemudian dilakukan pengujian menggunakan K-Fold Cross Validation diperoleh hasil untuk model arsitektur modifikasi diperoleh hasil akurasi rata-rata 94,40%, sensitivitas rata-rata 96,27%, dan spesifitas rata-rata 97,06%.

ABSTRACT:

Brain tumor is one of the deadly diseases that attack the human brain where this disease occurs due to abnormal cell growth in the brain. These early symptoms arise when humans experience headaches, convulsions, fatigue, and nausea. By observing these symptoms, diseases can be immediately identified and early prevention carried out by building a system that can identify an object by implementing the Convolutional Neural Network algorithm using the Lenet-5 architecture by Yann Lecun. This study aims to measure the results of the accuracy, sensitivity, and specificity of the architecture before and after modification. The dataset used is secondary data consisting of 500 images which are divided into two classes, namely normal brain and brain with tumors. Data preprocessing is done with augmentation techniques to reproduce the results of the original image. The modified architecture test was carried out with the results of an accuracy of 88.00%, sensitivity of 90.00%, specificity of 86.00%. Then testing using KFold Cross Validation obtained the results for the modified architectural model obtained an average accuracy of 94.40%, an average sensitivity of 92.18%, and an average specificity of 96,27%.

مستخلص البحث:

ةيعيبطلا ير يللا ون ةجيتن ضرلا اذه ثدي ثيح يرشبلا غامدلا بيصت تلا ةكاتفلا ضارملا نم غامدلا مرو بتعي هذه ةبقارم للا نم .نايثغلاو بعتلاو تاجنشتلاو عادصلا نم ناسنلا ناعي امدنع ةركبلا ضارعلا هذه رهظت .غامدلا ف ذيفنت للا نم نئاك ديدت هنكي ماظن ًانب للا نم ةركبلا ةياقولا ذيفنتو روفلا ىلع ضارملا ىلع فرعتلا نكي ، ضارعلا سايق لإ ةساردلا هذه فدت . Yann Lecun ةطساوب Lenet - 5 ةسدنه مادختسب ةيفيفلتلا ةيبصعلا ةكبشلا ةيمزراوا 500 نم نوكتت ةيونث تنايب نع ةرابع ةمدختسلا تنايبلا ةعومم .هدعبو ليدعتلا لبق ةرامعلا ةيصوصاو ةيساسحو ةقد جئاتن زيزعتلا تاينقت مادختسب تنايبلل ةقبسلا ةلاعلا متت .مارولب باصلا غامدلاو يعيبطلا غامدلا اهو ، يتتف لإ ةمسقم ةروص . ٪86.00 ةيعونو ٪90.00 ةيساسحو ٪88.00 ةقدب جئاتنب لدعلا ةرامعلا رابتاا ًارجإ ت .ةيلصلا ةروصلا جئاتن جاتنإ ةداعل طسوتم ىلع تلصح تلا لدعلا يرامعلا جذومنلا جئاتن ىلع K-Fold Cross Validation مادختسب رابتالا لصح ث .٪96.27 ةيصوصاطسوتمو ، ٪92.18 ةطسوتم ةيساسحو ، ٪94.40 ةقد