PAMBUDI, Wasis (2025) Klasifikasi Multikelas Citra MRI Tumor Otak Pada Arsitektur Hybrid EfficientNetV2-M dan InceptionV3 Menggunakan eXtreme Gradient Boosting (XGBoost). Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 1. COVER.pdf Download (326kB)
	Text 4. HALAMAN PENGESAHAN.pdf Download (234kB)
	Text 5. KATA PENGANTAR.pdf Restricted to Repository staff only Download (5MB)
	Text 7. ABSTRAK.pdf Download (5MB)
	Text 8. ABSTRACT.pdf Download (5MB)
	Text 9. DAFTAR ISI.pdf Download (5MB)
	Text 12. BAB I.pdf Download (4MB)

Abstract

ABSTRAK
Diagnosis dan klasifikasi tumor otak merupakan tantangan signifikan di bidang medis modern,
terutama mengingat kompleksitasnya dan dampak terhadap kualitas hidup pasien. Meskipun
pencitraan resonansi magnetik (MRI) menjadi alat diagnostik utama, interpretasi manual sering
kali rentan terhadap variabilitas hasil, sehingga diperlukan pendekatan otomatis yang mampu
mengekstraksi dan menginterpretasi fitur citra dengan lebih akurat dan konsisten. Penelitian
ini mengembangkan model klasifikasi multikelas citra MRI tumor otak menggunakan
arsitektur Hybrid Dual Deep CNN yang dipadukan dengan algoritma XGBoost. Model ini
mengintegrasikan EfficientNetV2-M dan InceptionV3 untuk ekstraksi fitur multiskala, serta
dataset citra MRI otak dari Kaggle.com yang diklasifikasikan ke dalam empat kategori:
Glioma, Meningioma, Pituitary, dan No Tumor. Data diolah melalui prapemrosesan seperti
resize, normalisasi, dan augmentasi data untuk meningkatkan variasi dan kualitas data latih.
Hasil pelatihan menunjukkan model FC-Dual Deep CNN mengalami overfitting dengan nilai
precision, recall, dan F1-score yang rendah pada pengujian. Sebaliknya, model XGBoost-Dual
Deep CNN menunjukkan kinerja yang jauh lebih baik, dengan hasil terbaik mencapai rata-rata
precision 0.9865, recall 0.9864, dan F1-score 0.9684. Integrasi XGBoost mampu mengatasi
keterbatasan generalisasi model CNN murni. Ketepatan klasifikasi untuk pasien tanpa tumor
mencapai 100%, yang sangat penting untuk mencegah False Positive. Model ini berpotensi
besar sebagai sistem bantu diagnosis tumor otak yang cepat, akurat, dan dapat dipercaya.
Kata kunci: Augmentasi Citra, CNN, Deep Learning, EfficientNetV2-M, InceptionV3,
Klasifikasi Multikelas, MRI, Overfitting, Tumor Otak, XGBoost.

Actions (login required)

View Item