Klasifikasi Tumor Otak Pada Citra Magnetic Resonance Imaging Menggunakan Metode Hybrid Convolutional Neural Network

Brain Tumor Classification On Magnetic Resonance Imaging Using Hybrid Convolutional Neural Network

Berdasarkan Global Cancer Observatory pada tahun 2020, tercatat sekitar 308.162 kasus kejadian tumor otak di seluruh dunia. Oleh karena itu sangat perlu dilakukan deteksi awal pada pasien yang terjangkit. Metode yang umum digunakan oleh dokter untuk mengambil keputusan dalam diagnosis tumor otak adalah biopsi dan pengamatan manual. Prosedur biopsi membutuhkan waktu yang cukup lama, sekitar 10-15 hari untuk pengujian laboratorium, sementara metode manual memiliki risiko kesalahan. Untuk mengatasi permasalahan tersebut, metode Hybrid Convolutional Neural Netwrok memberikan bantuan dalam meningkatkan akurasi dan mempercepat waktu diagnosis. Tujuan dari penelitian ini adalah Mengetahui arsitektur Hybrid CNN yang dapat meningkatkan performa klasifikasi pada dataset citra MRI dan mengetahui hasil perbandingan performa pengklasifikasian citra MRI tumor otak menggunakan Hybrid CNN denga metode yang lain. Metode ini menggunakan CNN sebagai pembelajaran fitur dan XGBoost sebagai label prediksi kelas. Arsitektur CNN yang digunakan adalah DenseNet121 dengan Hyperparameter batch size 64, learning_rate 0,001, dan Drop out 0,8. Hyperparameter XGBoost terbaik adalah Learning_rate=0,1, Max_depth=15, dan n_estimators=500. Kesimpulan hasil penelitian ini yaitu Arsitektur iii yang dirancang mampu mengatasi permsalahan klasifikasi tumor otak pada citra MRI otak. Bedasarkan analisis hasil performa menunjukkan bahwa model hybrid CNN+XGB memberikan performa terbaik dibandingkan dengan model lainnya yang dievaluasi yaitu CNN dan hybrid CNN+SVM. Hasil akurasi dari hybrid CNN+XGB adalah 99,01%. 

Kata Kunci : Akurasi , Hybrid CNN, Klasifikasi, SVM, Tumor Otak, XGBoost

According to the Global Cancer Observatory's data from 2020, there were a total of 308,162 reported cases of brain tumors worldwide. Hence, it is imperative to do early detection in patients who are affected. Doctors typically employ biopsy and manual observation as the primary approaches for diagnosing brain tumors. The biopsy procedure has a lengthy duration, typically lasting 10-15 days for laboratory testing, whereas the manual method carries a chance of error. The Hybrid Convolutional Neural Network approach offers aid in enhancing accuracy and expediting diagnosis time to address this issue. The objective of this study is to identify a Hybrid CNN architecture that can enhance the classification accuracy of MRI image datasets. Additionally, the study aims to compare the performance of categorizing brain tumor MRI images using the Hybrid CNN approach with other existing methods. This approach employs Convolutional Neural Networks (CNN) for feature extraction and XGBoost for classifying the predicted labels. The CNN architecture employed is DenseNet121, utilizing a batch size of 64, a learning rate of 0.001, and a dropout rate of 0.8. The optimal hyperparameters for XGBoost are Learning_rate=0.1, Max_depth=15, and n_estimators=500. The research concludes that the developed architecture effectively addresses the challenge of classifying brain cancers in MRI images of the brain. According v to the examination of performance findings, it is evident that the hybrid CNN+XGB model outperforms the other analyzed models, specifically CNN and hybrid CNN+SVM. The hybrid CNN+XGB model achieved an accuracy of 99.01%.

Keywords: Accuracy, Brain Tumor, Classification, Hybrid CNN, SVM, XGBoost