Email this article Perbandingan Metode Deep Learning dalam Mengklasifikasi Citra Scan MRI Penyakit Otak Parkinson
Abstract
Penyakit Parkinson merupakan gangguan neurodegenerative yang bersifat progresif dan relative umum pada system saraf pusat yang menyebabkan kesulitan dalam bergerak. Biasanya penyakit ini sering terjadi pada individu berusia lebih dari 60 tahun dipengaruhi oleh factor genetic dan lingkungan. Deteksi dini pada penyakit Parkinson dapat mencegah gejala hingga usia tertentu sehingga meningkatkan harapan hidup. Dalam penelitian ini bertujuan untuk menggunakan gambar otak dari Magnetic Resonace Imaging (MRI) untuk mengetahui bagaimana penyakit tersebut menyebar, dengan menggunakan metode deep learning menggunakan model atau arsitektur InceptionV3, VGG16, VGG19, NasnetMobile, dan MobileNet dengan melalui proses Input data - augmentasi - preprocessing - Classification (model a b c d ) - result dan pembelajaran mesin pada kumpulan data klinis dan paraklinis untuk mendiagnosis secara akurat meggunakan dataset yang berasal dari Parkinsons Brain MRI sebanyak 2 kelas yaitu kelas normal dan Parkinson. Hasil dari penelitian menggunakan deep learning berdasarkan kelima algoritma yang digunakan tersebut diperoleh nilai akurasi terbaik dari seluruh model arsitektur adalah arsitektur MobileNet sebesar 99,75% dengan kappa score 99,30% dengan total durasi komputasi selama 2 jam satu menit
Keywords
References
A. Mozhdehfarahbakhsh, S. Chitsazian, P. Chakrabarti, T. Chakrabarti, B. Kateb, and M. Nami, “An MRI-based Deep Learning Model to Predict Parkinson’s Disease Stages,” medRxiv, p. 2021.02.19.21252081, 2021.
G. Gunawan, M. Dalhar, and S. N. Kurniawan, “Parkinson Dan Terapi Stem Sel,” Malang Neurol. J., vol. 3, no. 1, pp. 39–46, 2017.
D. I. Rsud and P. Margono, “HUBUNGAN ANTARA MEROKOK DENGAN PENYAKIT PARKINSON DI RSUD PROF. DR. MARGONO SOEKARJO PURWOKERTO,” 2014.
J. Sahlsten et al., “Deep Learning Fundus Image Analysis for Diabetic Retinopathy and Macular Edema Grading,” Sci. Rep., vol. 9, no. 1, pp. 1–11, 2019, doi: 10.1038/s41598-019-47181-w.
M. Ramadhani, “Klasifikasi Jenis Jerawat Berdasarkan Tekstur dengan Menggunakan Metode GLCM,” e-Proceding of Enggineering, vol. 5, no. 1, pp. 870–876, 2018.
M. D. L. Claro, L. D. M. Santos, W. Lima e Silva, F. H. D. De Araújo, N. H. De Moura, and A. M. Santana, “Automatic Glaucoma Detection Based on Optic Disc Segmentation and Texture Feature Extraction,” CLEI Electron. J., vol. 19, no. 2, pp. 1–10, 2016, doi: 10.19153/cleiej.19.2.4.
F. N. Cahya, N. Hardi, D. Riana, and S. Hadiyanti, “Klasifikasi Penyakit Mata Menggunakan Convolutional Neural Network (CNN),” Sistemasi, vol. 10, no. 3, p. 618, 2021, doi: 10.32520/stmsi.v10i3.1248.
G. Zeng, Y. He, Z. Yu, X. Yang, R. Yang, and L. Zhang, “Preparation of novel high copper ions removal membranes by embedding organosilane-functionalized multi-walled carbon nanotube,” J. Chem. Technol. Biotechnol., vol. 91, no. 8, pp. 2322–2330, 2016, doi: 10.1002/jctb.4820.
M. A. Pangestu and H. Bunyamin, “Analisis Performa dan Pengembangan Sistem Deteksi Ras Anjing pada Gambar dengan Menggunakan Pre-Trained CNN Model,” J. Tek. Inform. dan Sist. Inf., vol. 4, pp. 337–344, 2018.
W. Setiawan, “Perbandingan Arsitektur Convolutional Neural Network Untuk Klasifikasi Fundus,” J. Simantec, vol. 7, no. 2, pp. 48–53, 2020, doi: 10.21107/simantec.v7i2.6551.
H. Djarot and H. Santoso, “Plat Nomor Kendaraan Dengan Metode Convolutional Neural Network,” no. September 2021, pp. 1–12, 2019.
A. Michele, V. Colin, and D. D. Santika, “Mobilenet convolutional neural networks and support vector machines for palmprint recognition,” Procedia Comput. Sci., vol. 157, pp. 110–117, 2019, doi: 10.1016/j.procs.2019.08.147.
X. Feng, R. Xie, J. Sheng, and S. Zhang, “Population Statistics Algorithm Based on MobileNet,” J. Phys. Conf. Ser., vol. 1237, no. 2, 2019, doi: 10.1088/1742-6596/1237/2/022045.
P. A. Nugroho, I. Fenriana, and R. Arijanto, “Implementasi Deep Learning Menggunakan Convolutional Neural Network ( Cnn ) Pada Ekspresi Manusia,” Algor, vol. 2, no. 1, pp. 12–21, 2020.
M. F. Naufal et al., “Analisis Perbandingan Algoritma Klasifikasi MLP dan CNN pada Dataset American Sign Language,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 5, no. 3, pp. 489–495, 2021, doi: 10.29207/resti.v5i3.3009.
K. Arisudana et al., “Sistem pendeteksi kerusakan luar angkutan umum,” pp. 175–187, 2020.
DOI: http://dx.doi.org/10.22441/incomtech.v12i3.15068
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
Publisher Address:
Magister Teknik Elektro, Universitas Mercu Buana
Jl. Meruya Selatan 1, Jakarta 11650
Phone (021) 31935454/ 31934474
Fax (021) 31934474
Email: [email protected]
Website of Master Program in Electrical Engineering
http://mte.pasca.mercubuana.ac.id
pISSN: 2085-4811
eISSN: 2579-6089
Jurnal URL: http://publikasi.mercubuana.ac.id/index.php/Incomtech
Jurnal DOI: 10.22441/incomtech
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi-NonKomersial 4.0 Internasional
The Journal is Indexed and Journal List Title by:
