Nadila Handayani Putri, - (2023) KLASIFIKASI CITRA STROKE MENGGUNAKAN AUGMENTASI DAN CONVOLUTIONAL NEURAL NETWORK EFFICIENTNET-B0. Klasifikasi Citra Stroke Menggunakan Augmentasi dan Convolutional Neural Network EfficientNet-B0, 7 (2). pp. 650-658. ISSN eISSN 2548-8368 - pISSN 2614-5278

Preview

Text Jurnal watermark nadila.pdf Download (1MB) | Preview

Abstract

Stroke adalah gangguan fungsional otak secara tiba-tiba yang disebabkan oleh disfungsi otak klinis fokal dan global selama 24 jam bahkan lebih. Sebanyak 15 juta jiwa meninggal diakibatkan oleh stroke setiap tahunnya. Pasien yang terkena stroke harus segera ditangani sehingga bisa meminimalisir resiko kerusakan otak. Salah satu pendukung diagnosis stroke yaitu melalui analisa citra hasil pemindaian Computed Tomograpghy (CT-Scan). Seiring perkembangan zaman, teknologi pengolahan citra memungkinkan untuk mendeteksi pola stroke pada citra otak, dapat membantu dokter dan ahli radiologi dalam proses diagnosis dan pengobatan. Penelitian ini bertujuan untuk melakukan perbandingan tingkat akurasi menggunakan augmentasi dan tanpa augmentasi serta hyperparameter menggunakan Convolutional Neural Network dalam arsitektur EfficientNet-B0 untuk melakukan klasifikasi citra stroke iskemik, hemoragik, dan otak normal. Augmentasi data yang digunakan adalah dengan melakukan rotation, horizontal flip, dan pengaturan contrast pada data asli. Data uji disediakan sebanyak 20% dari porsi data asli dan augmentasi, dan 80% lainnya digunakan untuk proses training pencarian model optimal. Pencarian model berdasarkan komposisi data latih dan validasi dengan perbandingan 70:30, 80:20, dan 90:10. Hasil eksperimen menunjukkan performa yang terbaik diperoleh pada gabungan citra asli dan augmentasi, dengan akurasi dan F1- score berturut-turut sebesar 97%, 93%, dan 94% untuk data uji citra asli, citra augmentasi, dan citra gabungan. Penggabungan citra asli dan augmentasi untuk data training telah menunjukkan bahwa model cukup robust untuk dapat menghasilkan akurasi yang tinggi.

Actions (login required)

View Item