Sistem deteksi tumor otak pada citra MRI menggunakan Algoritma Neural Network (NN)

INDONESIA :

Penelitian ini bertujuan untuk mengevaluasi performa model Neural Network dalam mendeteksi tumor otak pada citra MRI berdasarkan metrik evaluasi accuracy, precision, recall, dan F1-score menggunakan dataset 4514 pasien. Metode yang digunakan adalah arsitektur Neural Network yang dikombinasikan dengan ekstraksi fitur berbasis Gray Level Co-Occurrence Matrix (GLCM). Terdapat 18 konfigurasi model yang diuji dengan memvariasikan kedalaman arsitektur, jumlah neuron, serta nilai learning rate, dengan evaluasi menggunakan 5-Fold Cross-Validation dan confusion matrix. Hasil penelitian menunjukkan bahwa kedalaman arsitektur merupakan faktor determinan yang signifikan, di mana model dengan dua hidden layer secara konsisten mengungguli model dengan satu hidden layer dengan rentang akurasi 93,51%–96,61% dibandingkan 81,34% –94,69%. Model optimal yang ditetapkan adalah 2-CB-X dengan arsitektur NeuralNetworkV2 (256→128 neuron, aktivasi ReLU dan Sigmoid, learning rate 0,1), yang mencapai mean accuracy 96,61% ±0,43%, precision 95,96% ±0,42%, recall 97,81% ±0,51%, dan F1-score 96,87% ±0,40%.

ENGLISH :

This study aims to evaluate the performance of Neural Network models in detecting brain tumors on MRI Images based on accuracy, precision, recall, and F1-score evaluation metrics using a dataset of 4,514 images. The method employed is a Neural Network architecture combined with texture feature extraction based on the Gray Level Co-Occurrence Matrix (GLCM). A total of 18 model configurations were tested by varying the architecture depth, number of neurons, and learning rate values, with evaluation conducted using 5-Fold Cross-Validation and confusion matrix. The results demonstrate that architecture depth is a significant determinant factor, where models with two hidden layers consistently outperformed models with one hidden layer, achieving an accuracy range of 93.51%–96.61% compared to 81.34%–94.69%. The optimal model established is 2-CB-X with a NeuralNetworkV2 architecture (256→128 neurons, ReLU and Sigmoid activation, learning rate 0.1), achieving a mean accuracy of 96.61% ±0.43%, precision of 95.96% ±0.42%, recall of 97.81% ±0.51%, and F1-score of 96.87% ±0.40%.

ARABIC :

يهدف هذا البحث إلى تقييم أداء نماذج الشبكة العصبية الاصطناعية في الكشف عن أورام الدماغ من صور الرنين المغناطيسي، استناداً إلى معايير التقييم المتمثلة في الدقة الكلية والدقة الإيجابية والاستدعاء ودرج F1 ، وذلك باستخدام مجموعة بيانات تضم 4514 صورة. تعتمد المنهجية على بنية الشبكة العصبية الاصطناعية المدمجة مع استخراج السمات النسيجية القائمة على مصفوفة التضامن ذات المستوى الرمادي (GLCM). تم اختبار ثمانية عشر تهيئة نموذجية من خلال تغيير عمق البنية المعمارية وعدد الخلايا العصبية وقيم معدل التعلم، مع إجراء التقييم باستخدام التحقق المتقاطع ذي الخمسة طيات ومصفوفة الالتباس. كشفت النتائج أن عمق البنية المعمارية يُعدّ عاملاً محدداً بالغ الأهمية، إذ تفوّقت النماذج ذات الطبقتين المخفيتين باستمرار على النماذج ذات الطبقة المخفية الواحدة، محققةً نطاق دقة يتراوح بين 93.51% و96.61% مقارنةً بنطاق يتراوح بين 81.34% و94.69%. تم تحديد النموذج الأمثل وهو النموذج 2-CB-Xالمبني على بنية NeuralNetworkV2 المكوّنة من 256 إلى 128 خلية عصبية مع دالة تنشيط ReLU إلى Sigmoid ومعدل تعلم 0.1، إذ حقق متوسط دقة كلية 96.61% بانحراف معياري 0.43%، ودقة إيجابية 95.96% بانحراف معياري 0.42%، واستدعاء 97.81% بانحراف معياري 0.51%، ودرجة F1 تبلغ 96.87% بانحراف معياري 0.40%.