Klasifikasi tumor otak berdasarkan citra mri menggunakan Gray Level Co-Occurrence Matrix dan Multilayer Perceptron

Bahasa Indonesia:
Tumor otak merupakan pertumbuhan sel abnormal yang dapat menimbulkan gangguan neurologis serius dan banyak ditemukan pada usia produktif, sehingga diperlukan metode deteksi yang cepat dan akurat untuk mendukung penanganan dini. Penelitian ini bertujuan mengembangkan model klasifikasi untuk membedakan citra MRI bertumor dan tidak bertumor menggunakan Gray Level Co-occurrence Matrix (GLCM) dan Multilayer Perceptron (MLP). Tahapan penelitian diawali dengan preprocessing citra berupa penyeragaman ukuran, normalisasi intensitas, dan reduksi noise, kemudian dilanjutkan dengan ekstraksi fitur tekstur GLCM berupa nilai contrast, correlation, energy, dan homogeneity pada empat orientasi sudut. Fitur tersebut digunakan sebagai masukan pada beberapa skenario arsitektur MLP untuk memperoleh model terbaik. Hasil pengujian menunjukkan bahwa arsitektur dengan tiga hidden layer dan batch size 32 menghasilkan akurasi tertinggi sebesar 93,67% serta metrik presisi, recall, dan F1-score yang stabil. Temuan ini menunjukkan bahwa kombinasi GLCM dan MLP mampu mempelajari pola tekstur citra MRI secara efektif sehingga dapat menjadi pendekatan yang ringan dan representatif untuk mendukung deteksi awal tumor otak.

Bahasa Inggris:
Brain tumors are abnormal cell growths that can cause serious neurological disorders and are commonly found in individuals of productive age, making fast and accurate detection essential for early medical intervention. This study aims to develop a classification model to distinguish between MRI images with and without tumors using the Gray Level Co-occurrence Matrix (GLCM) and a Multilayer Perceptron (MLP). The research process begins with image preprocessing, including size standardization, intensity normalization, and noise reduction, followed by the extraction of GLCM texture features—contrast, correlation, energy, and homogeneity—across four directional orientations. These features are used as inputs for several MLP architecture scenarios to obtain the most effective model. The results show that an architecture with three hidden layers and a batch size of 32 achieved the highest accuracy of 93.67%, along with stable precision, recall, and F1-score metrics. These findings demonstrate that the combination of GLCM and MLP can effectively learn texture patterns in MRI images, making it a lightweight and representative approach to support early detection of brain tumors.

Bahasa Arab:
تُأورام الدماغ هي نمو غير طبيعي للخلايا يمكن أن يسبب اضطرابات عصبية خطيرة، وتوجد عادةً لدى الأشخاص في سن الإنتاج، مما يتطلب طرقًا سريعة ودقيقة للكشف عنها لدعم العلاج المبكر. تهدف هذه الدراسة إلى تطوير نموذج تصنيف للتمييز بين صور الرنين المغناطيسي للأورام وغير الأورام باستخدام مصفوفة التواجد المشترك لمستوى الرمادي (GLCM) والبيرسيبترون متعدد الطبقات (MLP). بدأت الدراسة بمعالجة الصور مسبقًا، والتي تضمنت توحيد الحجم وتوحيد الكثافة وتقليل الضوضاء، تلاها استخراج خصائص نسيج GLCM في شكل قيم التباين والترابط والطاقة والتجانس في أربعة اتجاهات زاوية. تم استخدام هذه الخصائص كمدخلات في عدة سيناريوهات لهندسة MLP للحصول على أفضل نموذج. أظهرت نتائج الاختبار أن البنية ذات الطبقات الخفية الثلاث وحجم الدفعة 32 حققت أعلى دقة بنسبة 93.67٪ ومقاييس دقيقة ومستقرة للاستدعاء ودرجة F1. تشير هذه النتائج إلى أن الجمع بين GLCM و MLP قادر على تعلم أنماط نسيج صور التصوير بالرنين المغناطيسي بشكل فعال، مما يجعله نهجًا خفيفًا وتمثيليًا لدعم الكشف المبكر عن أورام الدماغ.