Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Bintang, Tulistyana Irfany
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Deteksi Mutasi Kanker Paru Pada Citra CT-Scan Menggunakan ResNet-CNN Bintang, Tulistyana Irfany; Muflikhah, Lailil; Setiawan, Budi Darma
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 8 No 8 (2024): Agustus 2024
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Kanker paru termasuk penyebab utama kematian hampir di seluruh dunia baik pada laki-laki maupun perempuan dari segala usia. Seiring berjalannya waktu kanker paru-paru juga dapat mengalami mutasi dan perubahan yang kompleks. Seiring dengan perkembangan teknologi, komputer telah digunakan dalam deteksi kanker paru-paru, termasuk menggunakan teknologi seperti gambar CT scan (Computed Tomography). CT scan merupakan standar sarana penunjang radiologi dalam mendiagnosis suatu penyakit. Beberapa penelitian juga telah menggunakan teknologi kecerdasan buatan, khususnya Convolutional Neural Network (CNN), untuk mengembangkan algoritma yang dapat membantu analisis citra medis dan deteksi dini kanker paru-paru. Pada penelitian ini dilakukan deteksi mutasi kanker paru ke dalam dua kelas (positif dan negatif). Data citra yang digunakan pada penelitian ini yaitu sejumlah 39.823 citra dari total 20 pasien. Penelitian ini menggunakan Convolutional Neural Network (CNN) dengan pretrained ResNet-50 untuk meningkatkan akurasi model. Modifikasi lapisan dilakukan dengan menambahkan lapisan-lapisan tambahan seperti global average pooling dan dense layer serta mengimplementassikan fungsi aktivasi tambahan. Hasil pengujian model menunjukkan bahwa modifikasi ini mampu meningkatkan akurasi model hingga mencapai 99.9%.
Co-Authors Budi Darma Setiawan Lailil Muflikhah