PROJECT AKHIR

VISUALISASI FITUR GRAD-CAM DENGAN

PENDEKATAN DEEP LEARNING PADA
KASUS DETEKSI PENYAKIT TUMOR OTAK

Deny Sulistiyo
Latar
Belakang
Di Amerika Serikat, hampir 23.000 pasien diidentifikasi kanker tumor otak pada tahun 2015. Dalam laporan
indikator kanker lainnya, penyakit ini seragam baik pada orang dewasa maupun anak-anak. Sekitar 80.000 kasus
baru tumor otak primer dilaporkan pada tahun 2018: Meningioma mewakili 36,3% (29.320), Glioma 26,5%
(21.200), tumor hipofisis mewakili hampir 16,2% (13.210) dan sisanya merupakan jenis tumor otak lain seperti
Malignant, Medulloblastoma, dan Lymphomas. Penyebab utama penyakit tersebut adalah penyakit dan
morbiditas terkait kanker. Penanganan yang efektif dari penyakit ini sangat penting yang tergantung pada deteksi
tepat waktu dan akurat. Menemukan lokasi objek pada gambar merupakan salah satu masalah dalam domain
Computer Vision yang cukup menarik untuk ditemukan solusinya. Oleh karena itu, kami tertarik untuk membantu
dokter untuk mendeteksi dini lokasi objek tumor otak dengan menggunakan pendekatan Deep Learning dan
Grad-CAM.
 Akuisisi Transfer
Data Learning
Penjelasan mengenai Pengunaan transfer learning
penggunaan dataset yang yang digunakan dalam
pelatihan data yang dilakukan
digunakan serta pembagian
data

PROSES
PELAKSANAAN
PROJEK AKHIR
Proses Pengujian Visualisasi
dan Hasil Fitur
Menjelaskan proses pengujian Akan melakukan visualisasi
data serta hasil yang fitur dari model terbaik yang
didapatkan telah didapatkan
AKUISISI
DATA

Pembangian dataset yaitu untuk training

terdapat 2349 data dengan kelas Glioma yaitu
787, Meningioma yaitu 796, dan Pituitary yaitu
766, serta untuk dataset testing terdapat 415
data dengan kelas glioma yaitu 139,
Meningioma yaitu 141, dan kelas Pituitary
yaitu 135
TRANSFER
LEARNING
Terdapat penggunaan transfer
learning yang digunakan yaitu
ResNet50, VGG16, dan DenseNet121.
Dimana parameter yang digunakan
terdapat pada tabel disamping
Proses Pengujian
dan Hasil
 1

Proses Pengujian 2
dan Hasil

3
VISUALISASI
FITUR
Melakukan visualisasi fitur dengan
menggunakan Grad-CAM sebagai
metode visualisasi fitur yang didapatkan
dari hasil model terbaik
 Kesimpulan
Pada penelitian ini melakukan klasifikasi serta visualisasi fitur pada kasus klasifikasi tumor otak
dengan 3 kelas yang mana setiap kelas memiliki 3 jenis cara pandang dengan menggunakan
teknik transfer learning. Arsitektur yang digunakan pada penelitian ini yaitu ResNet50, VGG16, dan
DenseNet121 yang mana masing-masing arsitektur mendapatkan 9 model dengan parameter
yang berbeda-beda sehingga mendapatkan 27 model sebagai perbandingan hasil klasifikasi.
Hasil dari klasifikasi menunjukkan bahwa terdapat 3 model terbaik dengan akurasi sebesar 97%,
lalu dilakukan perbandingan grafik akurasi dan loss sebagai pembuktian bahwa proses pelatihan
berjalan dengan baik. Dari hasil klasifikasi dapat ditunjukkan bahwa pengaruh learning rate
cukup signifikan terhadap proses pelatihan yang dilakukan.
Serta pada proses visualisasi fitur menunjukkan hasil visualisasi fitur sudah cukup baik, namun
masih ada beberapa hasil gambar yang belum terlalu tepat dalam melakukan visualisasi, dalam
arti masih ada yang kurang tepat dalam visualisasi fitur. Kedepannya dapat dilakukan kembali
tuning parameter dan mencoba beberapa arsitektur lainnya.
 THANKS
FOR WATCHING