ALIFAH, ALIFAH (2026) HYBRID MODEL DWT-CNN UNTUK PENGENALAN MULTIKELAS TUMOR OTAK PADA MRI. S1 thesis, Universitas Mercu Buana Jakarta.
|
Text (HAL COVER)
01-COVER.pdf Download (536kB) | Preview |
|
![[img]](https://repository.mercubuana.ac.id/style/images/fileicons/text.png) |
Text (BAB I)
02-BAB I.pdf Restricted to Registered users only Download (100kB) |
|
|
Text (BAB II)
03-BAB 2.pdf Restricted to Registered users only Download (195kB) |
|
|
Text (BAB III)
04-BAB 3.pdf Restricted to Registered users only Download (550kB) |
|
|
Text (BAB IV)
05-BAB 4.pdf Restricted to Registered users only Download (330kB) |
|
|
Text (BAB V)
06-BAB 5.pdf Restricted to Registered users only Download (90kB) |
|
|
Text (DAFTAR PUSTAKA)
07-DAFTAR PUSTAKA.pdf Restricted to Registered users only Download (98kB) |
|
|
Text (LAMPIRAN)
08-LAMPIRAN.pdf Restricted to Registered users only Download (288kB) |
Abstract
Brain tumors are life-threatening neurological disorders requiring accurate and reliable early detection. Magnetic Resonance Imaging (MRI) is widely used for brain tumor diagnosis; however, visual interpretation remains challenging due to heterogeneous tumor structures and subtle texture variations. This study investigates the effectiveness of integrating Discrete Wavelet Transform (DWT) as a preprocessing stage to enhance Convolutional Neural Network (CNN) performance for multi-class brain tumor classification. Two identical CNN architectures were evaluated: a baseline model trained on original MRI images and a hybrid DWT–CNN model trained on level-1 wavelet-decomposed images using the ‘db1’ wavelet, producing four sub-bands (LL, LH, HL, HH). The dataset consists of 5,152 MRI images categorized into four classes: glioma, meningioma, pituitary tumor, and no tumor. Data were split into training, validation, and testing sets using a 70:15:15 ratio, with 773 MRI images used as the testing set. Experimental results demonstrate that the baseline CNN achieved an accuracy of 87.00%, whereas the proposed hybrid DWT–CNN model reached 97.41%, yielding an absolute improvement of 10.41%. The performance gain indicates that multiresolution frequency decomposition enhances feature representation, enabling the CNN to better capture discriminative texture and structural characteristics of brain tumors. These findings confirm that DWT serves as an effective preprocessing technique to improve CNN-based MRI classification systems and highlight its potential for computer-aided brain tumor diagnosis. Keywords: Brain Tumor Detection, MRI Images, Discrete Wavelet Transform (DWT), Convolutional Neural Network (CNN), Hybrid DWT – CNN, Deep Learning, Medical Image Processing, Early Diagnosis. Tumor otak adalah gangguan neurologis yang mengancam jiwa dan membutuhkan deteksi dini yang akurat dan andal. Magnetic Resonance Imaging (MRI) banyak digunakan untuk diagnosis tumor otak; namun, interpretasi visual masih menjadi tantangan karena struktur tumor yang heterogen dan variasi tekstur yang halus. Studi ini menyelidiki efektivitas pengintegrasian Discrete Wavelet Transform (DWT) sebagai tahap pra-pemrosesan untuk meningkatkan kinerja Convolutional Neural Network (CNN) untuk klasifikasi tumor otak multi-kelas. Dua arsitektur CNN yang identik dievaluasi: model dasar yang dilatih pada citra MRI asli dan model hibrida DWT–CNN yang dilatih pada citra yang didekomposisi wavelet level-1 menggunakan wavelet ‘db1’, menghasilkan empat sub-band (LL, LH, HL, HH). Dataset terdiri dari 5.152 citra MRI yang dikategorikan ke dalam empat kelas: glioma, meningioma, tumor hipofisis, dan tidak ada tumor. Data dibagi menjadi set pelatihan, validasi, dan pengujian menggunakan rasio 70:15:15, dengan 773 citra digunakan sebagai data pengujian. Hasil eksperimen menunjukkan bahwa CNN dasar mencapai akurasi 87,00%, sedangkan model hibrida DWT–CNN yang diusulkan mencapai 97,41%, menghasilkan peningkatan absolut sebesar 10,41%. Peningkatan kinerja menunjukkan bahwa dekomposisi frekuensi multi-resolusi meningkatkan representasi fitur, memungkinkan CNN untuk lebih baik menangkap tekstur diskriminatif dan karakteristik struktural tumor otak. Temuan ini menegaskan bahwa DWT berfungsi sebagai teknik pra-pemrosesan yang efektif untuk meningkatkan sistem klasifikasi MRI berbasis CNN dan menyoroti potensinya untuk diagnosis tumor otak berbantuan komputer. Kata Kunci: Deteksi Tumor Otak, Citra MRI, Discrete Wavelet Transform (DWT), Convolutional Neural Network (CNN), Hybrid DWT–CNN, Deep Learning, Pengolahan Citra Medis, Diagnosis Dini.
Actions (login required)
 |
View Item |
