Klasifikasi Citra Magnetic Resonance Imaging (MRI) Kanker Payudara Menggunakan Metode Convolutional Neural Network (CNN) dengan Arsitektur EfficientNetV2-S , RegNetY-16GF, dan ResNet50

Nur, Tiara Kalbia (2026) Klasifikasi Citra Magnetic Resonance Imaging (MRI) Kanker Payudara Menggunakan Metode Convolutional Neural Network (CNN) dengan Arsitektur EfficientNetV2-S , RegNetY-16GF, dan ResNet50. Tugas Akhir (S1) - thesis, Universitas Bakrie.

[thumbnail of COVER] Text (COVER)
00.COVER.pdf - Accepted Version
Download (414kB)
[thumbnail of 01. BAB I-III] Text (01. BAB I-III)
01. BAB I-III.pdf - Accepted Version
Restricted to Registered users only
Download (1MB) | Request a copy
[thumbnail of 02. BAB IV] Text (02. BAB IV)
02. BAB IV.pdf - Accepted Version
Restricted to Registered users only
Download (930kB) | Request a copy
[thumbnail of 03. BAB V] Text (03. BAB V)
03. BAB V.pdf - Accepted Version
Restricted to Registered users only
Download (267kB) | Request a copy
[thumbnail of 04. BAB Daftar Pustaka] Text (04. BAB Daftar Pustaka)
04. BAB Daftar Pustaka.pdf - Accepted Version
Download (261kB)
[thumbnail of LAMPIRAN] Text (LAMPIRAN)
05 LAMPIRAN.pdf - Accepted Version
Download (81kB)

Abstract

Kanker payudara merupakan salah satu penyebab utama kematian pada wanita di seluruh dunia. Deteksi dini sangat penting untuk meningkatkan peluang kesembuhan, namun analisis citra Magnetic Resonance Imaging (MRI) masih bergantung pada dokter radiologi sehingga proses diagnosis memerlukan waktu dan berpotensi menimbulkan subjektivitas. Oleh karena itu, Convolutional Neural Network (CNN) dapat menjadi alternatif untuk meningkatkan akurasi dan efisiensi diagnosis. Penelitian ini bertujuan membandingkan kinerja tiga arsitektur CNN, yaitu EfficientNetV2-S, RegNetY-16GF, dan ResNet50, dalam klasifikasi citra MRI kanker payudara. Dataset diperoleh dari Kaggle dan Synapse, kemudian melalui tahap preprocessing berupa normalisasi dan augmentasi citra. Seluruh model diterapkan menggunakan pendekatan transfer learning dan dievaluasi menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa pada binary classification (benign dan malignant), RegNetY-16GF memperoleh performa tertinggi dengan accuracy, precision, recall, dan F1-score masing-masing sebesar 92%. EfficientNetV2-S memperoleh accuracy sebesar 63%, precision 71%, recall 63%, dan F1-score 60%, sedangkan ResNet50 memperoleh accuracy, precision, recall, dan F1 score masing-masing sebesar 75%. Pada multiclass classification yang melibatkan enam subtipe tumor, seluruh model mengalami penurunan performa dibandingkan binary classification. RegNetY-16GF memperoleh accuracy tertinggi sebesar 31%, diikuti EfficientNetV2-S sebesar 23% dan ResNet50 sebesar 20%. Berdasarkan hasil tersebut, RegNetY-16GF menunjukkan performa tertinggi pada kedua skenario klasifikasi dalam penelitian ini.

Item Type: Thesis (Tugas Akhir (S1) - )
Uncontrolled Keywords: Magnetic Resonance Imaging (MRI), Convolutional Neural Network (CNN), EfficientNetV2-S, RegNetY-16GF, ResNet50, Transfer Learning, Klasifikasi.
Subjects: Computer Science
Computer Science > Image Processing
Thesis > Thesis (S1)
Divisions: Fakultas Teknik dan Ilmu Komputer > Program Studi Informatika
Depositing User: Tiara Kalbia Nur
Date Deposited: 25 Sep 2026 04:38
Last Modified: 25 Sep 2026 04:38
URI: https://repository.bakrie.ac.id/id/eprint/15129

Actions (login required)

View Item View Item