Dalam Era Society 5.0, teknologi dan inovasi digital semakin terintegrasi ke dalam berbagai aspek kehidupan seperti aspek ilmu pengetahuan, teknologi, dan industri. Di era ini, data merupakan aset berharga yang mendorong berbagai inovasi, khususnya di bidang kesehatan. Peningkatan kualitas pelayanan kesehatan merupakan salah satu fokus utama dalam hal integrasi ilmu pengetahuan, teknologi dan industri, khususnya industri kesehatan. Salah satu tantangan utama dalam dunia medis adalah diagnosis yang akurat dan cepat dari berbagai penyakit, termasuk tumor otak. Pencitraan medis masih merupakan standar emas untuk mendeteksi, mendiagnosis, dan memeriksa tumor otak dan penyakit lainnya. Namun, sebuah studi menemukan bahwa ada kesalahan diagnosis pada penderita tumor otak. Oleh karena itu, diperlukan alat deteksi untuk memvalidasi hasil diagnosis dokter yang diharapkan dapat meminimalisir kesalahan dalam diagnosis tumor otak. Melalui penelitian terbaru dari Fakultas Sains dan Teknologi Universitas Airlangga, model klasifikasi Convolutional Neural Network (CNN) dengan Transfer Learning (TL) diusulkan sebagai solusi untuk meningkatkan ketepatan deteksi tumor otak pada citra MRI.
Penggunaan algoritma CNN dalam klasifikasi gambar telah mengalami perkembangan pesat hingga saat ini. Hal ini dibuktikan dengan pengembangan metode CNN dengan TL, yang telah banyak diterapkan karena berbagai manfaat yang diperolehnya. TL adalah teknik Machine Learning (ML) di mana pre-trained model digunakan untuk meningkatkan pemahaman tentang tugas baru dengan menghubungkannya dengan tugas yang telah dilatih. Pre-trained model lebih kuat dan lebih tangguh terhadap data aktual dengan variabilitas tinggi di TL karena mempertahankan pemahaman dasar tentang tugas, fitur, bobot, dan fungsi. Ini memungkinkan model untuk beradaptasi dengan tugas baru lebih cepat. Ada 4 pre-trained model yang digunakan dalam penelitian ini, yaitu VGG19, InceptionV3, ResNet50, dan DenseNet121. Penelitian ini digagas oleh dosen dan mahasiswa Universitas Airlangga yang terdiri dari Dr. M. Fariz Fadillah Mardianto, M.Si dan Elly Pusporani, M.Stat, bersama tiga mahasiswa dari Program Studi Statistika Universitas Airlangga.
Penelitian ini menemukan bahwa arsitektur CNN dengan pendekatan transfer learning mampu mengklasifikasikan citra MRI otak ke dalam beberapa jenis tumor secara efektif. Model CNN berbasis transfer learning memiliki keunggulan dalam memproses citra yang kompleks dalam waktu yang lebih singkat dibandingkan CNN konvensional. Proses augmentasi data dilakukan sebelum tahap pelatihan model untuk meningkatkan variasi data. Penelitian ini mengungkapkan bahwa dari keempat pre-trained model CNN, yakni VGG19, ResNet50, InceptionV3, dan DenseNet121, model ResNet50 menunjukkan performa terbaik dengan akurasi mencapai 98%. Hal ini menunjukkan bahwa struktur residual learning pada ResNet50 mampu menangani fitur kompleks dari citra MRI secara lebih efisien dibandingkan arsitektur lainnya. Model ini juga menunjukkan nilai presisi, recall, dan F1 score yang unggul, menjadikannya pilihan paling andal dalam klasifikasi tumor otak. Temuan ini memberikan kontribusi penting dalam pengembangan sistem diagnosis berbasis AI, dan menunjukkan potensi besar penggunaan CNN transfer learning untuk aplikasi medis.
Penelitian ini memiliki implikasi yang sangat penting terutama di bidang kesehatan. Dengan tingkat akurasi yang tinggi, model yang diusulkan berpotensi besar membantu tenaga medis dalam mempercepat proses diagnosis dan mengurangi kesalahan diagnosis. Dengan demikian proses pelayanan kesehatan menjadi lebih efisien dan diharapkan membantu tenaga medis terutama pada wilayah dengan keterbatasan sumber daya radiologis. Selain itu, penelitian ini juga dapat membantu mempercepat pencapaian Tujuan Pembangunan Berkelanjutan (SDGs) ketiga adalah tentang “Hidup Sehat dan Sejahtera” karena berkontribusi dalam meningkatkan kesehatan masyarakat, terutama mengurangi angka kematian akibat tumor otak.
Hasil dari penelitian ini telah dipublikasikan dalam Jurnal Janapati, jurnal terindeks Sinta 2. Penelitian ini menjadi langkah maju bagi pengembangan model machine learning yang lebih adaptif dalam menghadapi tantangan di era society 5.0. Dengan memperkuat ketepatan deteksi tumor otak, penelitian ini memberikan kontribusi nyata dalam mendukung pengembangan dan integrase teknologi di dunia medis.
Penulis: M. Fariz Fadillah Mardianto, S.Si.,M.Si.
Link Publikasi:
https://doi.org/10.23887/janapati.v14i1.87377
https://ejournal.undiksha.ac.id/index.php/janapati/article/view/87377
