Klasifikasi Penyakit Otak Menggunakan 3D Cnn Pada Citra Mri

Pinton, I Made Nugraha (2022) Klasifikasi Penyakit Otak Menggunakan 3D Cnn Pada Citra Mri. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 07211840000023-Undergraduate_Thesis.pdf Restricted to Repository staff only Download (8MB)

Abstract

Penyakit-penyakit yang menyerang otak manusia dapat menyebabkan manusia kehilangan kemampuannya dalam menjalani kehidupan sehari-hari, seperti berpikir, berjalan atau bahkan dapat menyebabkan kematian. Salah satu penyakit yang menyerang otak manusia adalah alzheimer. Penyakit alzheimer merupakan penyakit neurodegenerative yang akan semakin memburuk seiring dengan berjalannya waktu. Sehingga, pendeteksian awal mengenai penyakit yang menyerang otak diperlukan untuk dapat memberikan perawatan terbaik bagi pasien untuk mencegah penyakit tersebut menjadi semakin parah. Salah satu metode yang dapat digunakan untuk mendeteksi penyakit otak adalah dengan menggunakan teknik Magnetic Resonance Imaging (MRI). Namun, metode pembacaan citra MRI masih dilakukan secara manual oleh dokter radiologi, sehingga sangat rentan terhadap kesalahan manusia. Salah satu metode yang dapat digunakan untuk mengurangi kesalahan manusia dalam analisa citra MRI adalah dengan menggunakan Deep Learning. Sehingga, penelitian ini bertujuan untuk menggunakan 3D Convolutional Neural Network (3D CNN) untuk mengklasifikasikan kondisi otak normal dan alzheimer. Pada penelitian ini digunakan beberapa arsitektur model CNN seperti ResNet (18, 34, 50, 101, 152), SE-ResNet (18, 34, 50, 101, 152) dan DenseNet(121, 169, 201), dimana tanpa menggunakan metode augmentasi pada training dataset, model ResNet-50 berhasil mendapatkan hasil terbaik dengan nilai akurasi mencapai hingga 100%. Sedangkan dengan menggunakan metode augmentasi pada training dataset, model ResNet-50 dan DenseNet-201 mendapatkan hasil terbaik dengan tingkat akurasi hingga 97% pada test dataset dengan perbedaan hanya pada nilai precision dan recall.
==============================================================================================================================
Brain disease can cause humans to lose their ability to carry out daily life activities, such as thinking, walking or can even cause death. One of the diseases that attack the human brain is alzheimer’s. Alzheimer’s disease is a neurodegenerative disease that will gets worse over time. Thus, early detection of Alzheimer’s diseases that attack the brain is needed to be able to provide the best treatment for patients to prevent the disease from getting worse. One method that can be used to detect brain disease such as Alzheimer is to use the Magnetic Resonance Imaging (MRI) technique. However, the method of reading MRI images is still done manually by radiology doctors, so it is very susceptible to human error. One method that can be used to reduce human error in MRI image analysis is to use Deep Learning. Thus, this study aims to use a 3D Convolutional Neural Network (3D CNN) to classify brain conditions between Normal and Alzheimer. In this study, several CNN architecture models were used such as ResNet (18, 34, 50, 101, 152), SE-ResNet (18, 34, 50, 101, 152) and DenseNet(121, 169, 201), where without using augmentation method on the training dataset, ResNet-50 gets the best result with accuracy reaches up to 100%. Meanwhile, by using the augmentation method on the training dataset, the ResNet-50 and DenseNet-201 models get the best results with an accuracy level of up to 97% on the test dataset with the difference only in the precision and recall values. Keywords: 3D-CNN, MRI, ResNet, SE-ResNet, Dense-Net, Alzheimer.

Item Type:	Thesis (Other)
Additional Information:	RSKom 616.07 Pin k-1 2022
Uncontrolled Keywords:	3D-CNN. MRI. ResNet. SE-ResNet. DenseNet. Alzheimer. 3D-CNN. MRI. ResNet. SE-ResNet. Dense-Net. Alzheimer.
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science. EDP
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Computer Engineering > 90243-(S1) Undergraduate Thesis
Depositing User:	Mr. Marsudiyana -
Date Deposited:	17 Jun 2026 01:46
Last Modified:	17 Jun 2026 01:46
URI:	http://repository.its.ac.id/id/eprint/133832

Actions (login required)

View Item