Implementasi Metode Extreme Learning Machine untuk Klasifikasi Tumor Otak pada Citra Magnetic Resonance Imaging
DOI:
https://doi.org/10.33005/santika.v1i0.45Keywords:
Klasifikasi, Extreme Learning Machine, Pengolahan Citra Digital, Tumor Otak, Sistem Diagnosa KomputerAbstract
Tumor otak merupakan penyakit yang menyerang otak makhluk hidup di mana sel otak tumbuh secara tidak normal pada daerah sekitar otak. Berbagai macam cara telah dilakukan untuk mendeteksi penyakit ini, bahkan dengan bantuan teknologi digital, satunya dengan melalui pendekatan anatomi citra kesehatan. Pada penelitian ini kami mengusulkan metode Extreme Learning Machine (ELM) sebagai pengklasifikasi citra tumor otak yang didapat melalui Magnetic Resonance Imaging. ELM dipilih karena keunggulannya pada proses pelatihan, yaitu lebih cepat dibanding algoritma pembelajaran mesin yang sifatnya iteratif. Dataset yang kami gunakan adalah Brain MRI Images for Tumor Detection. Dataset tersebut berisi dua kategori citra yaitu Tumor dan Otak tanpa tumor (sehat). Citra pada dataset tersebut dipraproses sebelum masuk tahap klasifikasi, ELM dilatih pada data latih dan melakukan pengujian performa pada data uji. Hasilnya ELM yang memiliki jumlah node pada lapisan tersembunyi sebanyak 2500 memiliki performa yang palin baik dibandingkan ELM yang memiliki node pada lapisan tersembunyi sebanyak 3000, 3500, dan 4000. Ini dibuktikan melalui nilai rata-rata presisi, recall, dan F1-score nya adalah 0.86 dan akurasi ujinya sebesar 86%.
References
[2] Suta, I., Hartati, R., Divayana, Y. (2019). Diagnosa Tumor Otak Berdasarkan Citra MRI (Magnetic Resonance Imaging). Bali : Majalah Ilmiah Teknologi Elektro Universitas Udayana.
[3] R. Riley, J. Murphy, and T. Higgins, “MRI imaging in pediatric appendicitis,” J. Pediatr. Surg. Case Reports, vol. 31, no. January, pp. 88–89, 2018.
[4] Guang-Bin Huang, Qin-Yu Zhu, and Chee-Kheong Siew 2006. Extreme learning machine: Theory and applications. Neurocomputing, 70(1), p.489 - 501.
[5] N. Chakrabarty, “Brain MRI Images for Brain Tumor Detection.” https://www.kaggle.com/navoneel/brain-mri-images-for-brain-tumor- detection.
[6] Febrianti, Ainani Shabrina, et al. “Klasifikasi Tumor Otak Pada Citra Magnetic Resonance Image Dengan Menggunakan Metode Support Vector Machine.” Jurnal Teknik ITS, vol. 9, no. 1, July 2020, pp. A118–23. DOI.org (Crossref), doi:10.12962/j23373539.v9i1.51587.
[7] Sharif, M., Amin, J., Raza, M., Anjum, M. A., Afzal, H., & Shad, S. A. (2020). Brain tumor detection based on extreme learning. Neural Computing and Applications. doi:10.1007/s00521-019-04679-8
[8] Khan, Muhammad & Ashraf, Imran & Alhaisoni, Majed & Damasevicius, Robertas & Scherer, Rafal & Rehman, Amjad & Ahmad, Syed & Bukhari, Syed Ahmad Chan. (2020). Multimodal Brain Tumor Classification Using Deep Learning and Robust Feature Selection: A Machine Learning Application for Radiologists. Diagnostics. 10. 565. 10.3390/diagnostics10080565.
[9] Pal, K.K., & Sudeep, K.S. (2016). Preprocessing for image classification by convolutional neural networks. 2016 IEEE International Conference on Recent Trends in Electronics, Information & Communication Technology (RTEICT), 1778-1781.
[10] Mikołajczyk, A., and Grochowski, M. 2018. Data augmentation for improving deep learning in image classification problem. In undefined (pp. 117-122).
[11] Powers, David & Ailab. (2011). Evaluation: From precision, recall, and F-measure to ROC, informedness, markedness & correlation. Journal of Machine Learning Technologies, BioInfo Publications
Hanlon, Jamie. 2016. “Why is so Much Memory Needed for Deep Neural Networks?” Graphcore. https://www.graphcore.ai/posts/why-is- so-much-memory-needed-for-deep-neural-networks
