Hasil Pencarian  ::  Simpan CSV :: Kembali

"COVID-19 adalah penyakit infeksi menular yang disebabkan oleh virus SARS-CoV-2 dan dapat menyebabkan gangguan pada sistem pernapasan. Pencitraan X-Ray dapat menjadi alternatif dalam mendeteksi COVID-19 karena mampu menggambarkan kondisi paru-paru pasien. Deep learning dapat digunakan untuk menganalisis pola pada citra medis secara otomatis. Untuk itu, digunakan Convolutional Neural Network dengan teknik transfer learning menggunakan arsitektur Xception, EfficientNetB3, dan ensemble dari kedua model secara paralel untuk deteksi COVID-19 dan tingkat keparahannya dari citra X-Ray dada secara otomatis. Klasifikasi COVID-19 dilakukan untuk empat jenis kelas, yaitu: positif COVID-19, normal, pneumonia bakteri dan pneumonia virus. Pada klasifikasi COVID-19, ketiga model classifier yang diusulkan mencapai akurasi keseluruhan untuk semua kelas sebesar 94,44% untuk classifier Xception, 95,28% untuk classifier EfficientNetB3, dan 94,44% untuk classifier paralel. Nilai akurasi tersebut lebih tinggi dari nilai akurasi classifier lain. Klasifikasi tingkat keparahan COVID-19 dilakukan untuk tiga jenis kelas yaitu: ringan, sedang, dan parah. Pada klasifikasi tingkat keparahan COVID-19, ketiga model classifier yang diusulkan mencapai akurasi keseluruhan untuk semua kelas sebesar 70,00% untuk classifier Xception, 67,50% untuk classifier EfficientNetB3 dan paralel. Nilai akurasi tersebut lebih tinggi dari nilai akurasi classifier lain. Secara keseluruhan, ketiga classifier yang diusulkan dapat direkomendasikan sebagai alat yang dapat membantu ahli radiologi dan praktisi klinis dalam diagnosis dan tindak lanjut kasus COVID-19.

---

COVID-19 is a contagious infectious disease caused by the SARS-CoV-2 virus and can cause disorders of the respiratory system. X-Ray imaging can be an alternative in detecting COVID-19 because it is able to describe the condition of the patient's lungs. Deep learning can be used to analyze patterns in medical images automatically. For this reason, Convolutional Neural Network is used with transfer learning techniques using Xception, EfficientNetB3 architecture, and an ensemble of both models in parallel for the detection of COVID-19 and its severity level from Chest X-Ray images automatically. The classification of COVID-19 is carried out for four types of classes, namely: positive COVID-19, normal, bacterial pneumonia, and viral pneumonia. In the COVID-19 classification, the three proposed classifier models achieve overall accuracy for all classes of 94.44% for the Xception classifier, 95.28% for the EfficientNetB3 classifier, and 94.44% for the parallel classifier. The accuracy value is higher than the other classifier accuracy values. The classification of the severity level of COVID-19 is carried out for three types of classes, namely: mild, moderate, and severe. In the classification of the severity level of COVID-19, the three proposed classifier models achieve overall accuracy for all classes of 70.00% for the Xception classifier, 67.50% for the EfficientNetB3 classifier and parallel. The accuracy value is higher than the other classifier accuracy values. Overall, the three proposed classifiers can be recommended as tools that can assist radiologists and clinical practitioners in the diagnosis and follow-up of COVID-19 cases."

"Pencitraan 'X-ray' dapat digunakan sebagai alternatif penunjang diagnostik klinis untuk mendeteksi penyakit COVID-19 pada paru-paru pasien. 'Machine learning' atau 'Deep Learning' akan disematkan pada 'computer-aided-diagnosis' (CAD) untuk meningkatkan efisiensi dan akurasi dalam menangani permasalahan membedakan COVID-19 dengan penyakit lain yang memiliki karakteristik yang serupa. Beberapa sistem kecerdasan buatan berbasis 'Convolutional Neural Network' (CNN) pada penelitian sebelumnya, memiliki akurasi yang menjanjikan dalam mendeteksi COVID-19 menggunakan citra 'X-ray' rongga dada. Dalam penelitian ini, dikembangkan 'classifier' berbasis CNN dengan teknik 'transfer learning', yakni memanfaatkan model CNN pra-terlatih dari ImageNet bernama Xception dan ResNet50V2 yang dikombinasikan agar sistem menjadi lebih akurat dalam kemampuan ekstraksi fitur untuk mendeteksi COVID-19 melalui citra 'X-ray' rongga dada. 'Classifier' yang dikembangkan terdiri dari 2 jenis, yakni 'classifier' yang disusun secara serial dan paralel. Pengujian dilakukan dalam 2 skenario berbeda. Pada skenario 1, digunakan 'dataset' dan pengaturan parameter yang mengacu pada penelitian sebelumnya, sedangkan skenario 2 dilakukan dengan menambahkan sejumlah citra kedalam 'dataset' baru serta pengaturan parameter yang berbeda untuk memperoleh peningkatan akurasi. Dari pengujian untuk kelas COVID-19 pada skenario 1, diperoleh 'classifier' paralel berhasil menggungguli 'classifier' lain dengan mencapai akurasi rata-rata 93,412% serta memperoleh 'precision', 'recall,' dan 'f1-score' masing – masing mencapai 96.8%, 99.6% dan 98%. Pada skenario 2, 'classifier' paralel mencapai akurasi rata-rata yang lebih tinggi, yakni mencapai 96,678% serta memperoleh 'precision', 'recall,' dan 'f1-score' yang cukup tinggi pula, yakni masing – masing mencapai 98.8%, 99.8% dan 99.4% untuk kelas COVID-19. Adanya penambahan jumlah 'dataset' pada skenario 2 dapat meningkatkan akurasi dari 'classifier' yang dikembangkan. Secara keseluruhan, 'classifier' paralel yang dikembangkan dapat direkomendasikan menjadi alat yang dapat membantu praktisi klinis dan ahli radiologi untuk membantu mereka dalam diagnosis, kuantifikasi, dan tindak lanjut kasus COVID-19.

---

X-ray imaging can be used as an alternative support clinical diagnostics to detect COVID-19 in the patient's lungs. Machine learning or Deep Learning will be embedded in computer-aided diagnosis (CAD) to increase efficiency and accuracy in dealing with problems distinguishing COVID-19 from other diseases that have similar characteristics. Several artificial intelligence systems based on the Convolutional Neural Network (CNN) in previous studies have promising accuracy in detecting COVID-19 using Chest X-ray images. In this study, a CNN-based classifier with transfer learning techniques was developed, which utilizes a pre-trained CNN model from ImageNet named Xception and ResNet50V2 combined that makes the system powerful using multiple feature extraction capabilities to detect COVID-19 through Chest X-ray images. There are 2 types of classifiers developed, classifiers arranged in serial and parallel. The testing in this study was carried out in two different scenarios. In the scenario 1, the dataset and parameter settings are used referring to previous studies, while the scenario 2 was carried out by adding several images to the new dataset and setting different parameters to obtain increased accuracy. From testing of the COVID-19 class in the scenario 1, the parallel classifier succeeded in outperforming other classifiers by achieving an average accuracy in 93.412% and also obtains precision, recall and f1-score, which reached 96.8%, 99.6%, and 98% respectively. In the scenario 2, the parallel classifier achieved a higher average accuracy of 96.678%, and also obtained quite high precision, recall and f1-score, which reached 98.8%, 99.8% and 99.4% for the COVID-19 class, respectively. The addition of the number of datasets in scenario 2 can increase the accuracy of the developed classifier. Overall, the developed parallel classifier can be recommended as a tool that can help clinical practitioners and radiologists to aid them in diagnosis, quantification, and follow-up of COVID-19 cases."

"Kanker payudara (KPD) merupakan salah satu penyakit yang masih banyak terjadi di negara berkembang seperti Indonesia. Di Indonesia sendiri, KPD menempati peringkat pertama terbanyak dari berbagai jenis kanker yang terjadi.  Pendeteksian kanker ini dapat dilakukan sejak dini dengan memeriksa manual apakah terdapat benjolan atau kelainan pada payudara. Jika terasa ada benjolan, maka disarankan untuk diperiksa ke dokter dengan berbagai metode, seperti mammogram, Magnetic Resonance Imaging (MRI), dan USG. Diagnosa citra ini sering terkendala karena tidak setiap rumah sakit memiliki tenaga spesialis radiologi. Maka dari itu, untuk mengatasinya diperlukan bantuan komputer untuk mendiagnosa citra tersebut yang sering disebut computer aided diagnostis (CAD). Algoritma Convolutional Neural Network didasari pada hasil pemeriksaan rutin citra x-ray payudara normal/abnormal yang cenderung menunjukkan perubahan, salah satunya tekstur (konten). Data yang digunakan pada penelitian ini diambil dari website Pilot European Image Processing Archive (PEIPA) yaitu dataset Mammographic Image Analysis Society (MIAS). Sistem dimulai dengan mengenal dan mempelajari data 3 jenis mamografi, yakni mamografi normal (sehat), mamografi benign, dan mamografi malignant. Setelah mempelajari data tersebut, sistem akan mencoba untuk mendeteksi jenis kanker payudara dari data baru yang dimasukkan. Nilai akurasi yang didapatkan adalah 100%, dengan rasio data pembelajaran sebanyak 1247 data (setelah diaugmentasi) dan data pengujian sebanyak 93 data, sehingga disimpulkan bahwa sistem ini baik. Namun nilai ini hanya untuk data MIAS, sehingga masih perlu pengembangan lebih lanjut supaya dapat diterapkan ke data-data yang lain juga.

---

Breast Cancer (BC) is one of the diseases that still occur a lot in developing countries like Indonesia. In Indonesia alone, BC is the number one most occurrence cancer. This cancer detection can be done early by manual, checking if there is any lump or abnormality in breast. If there are any lump, it is recommended to go check in hospital. There are a lot of methods like Magnetic Resonance Imaging (MRI), and Ultrasonography (USG). This image diagnostics sometimes got constrained by the lack of radiology specialist in some hospital. Therefore, to counter this problem, Computer Aided Diagnostics (CAD) help is needed to detect those images. Convolutional Neural Network algorithm is based on the result of the routine x-ray's check of breast, both normal and abnormal which tend to show some changes, which one of them is texture (content). Data used in this research came from Pilot European Image Processing Archive (PEIPA) website, Mammographic Image Analysis Society (MIAS) database. The system start by recognizing and learning 3 types of mammograph data, normal (healthy), benign and malignant. Then, system will try to detect and classify breast cancer type from the new input data. The accuracy score is 100%, with a ratio of 1247 datas for learning (after augmented) and 93 datas for testing, so it can be concluded that this system is good. But this score is achieved only for MIAS data, it still need further improvement  so it can be applied to another data."

"Coronavirus Disease 2019 (COVID-19) pertama kali diidentifikasi di Wuhan, Thiongkok pada akhir Desember 2019. COVID-19 disebabkan oleh coronavirus baru yaitu The Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2). Sejak 11 Maret 2020, WHO secara resmi menyatakan pandemi COVID-19. COVID-19 ini menginfeksi saluran pernapasan manusia yaitu sel epitel alveolus paru-paru yang menyebabkan pneumonia. Dengan bantuan metode dari Deep learning yaitu Convolutional Neural Network (CNN) dapat digunakan dalam mendeteksi kasus COVID-19 melalui tanda-tanda pneumonia pada data citra Chest X-ray. Deteksi dini kasus COVID-19 sangat diperlukan sebagai langkah meminimalkan penularan dan mengurangi resiko kematian pasien. Oleh karena itu, penelitian ini membangun metode CNN transfer learning model DenseNet121, MobileNet dan ResNet50 dengan pendekatan pseudo-colouring (RGB) dalam mengklasifikasi kasus COVID-19 ke dalam tiga kelas yaitu: COVID-19 pneumonia, sehat dan viral pneumonia. Pendekatan pseudo-colouring (RGB) dilakukan pada tahap praproses dengan memanipulasi warna pada data citra Chest X-ray sebagai sarana untuk membantu meningkatkan hasil akurasi, presisi dan sensitivitas. Hasil evaluasi pada terbaik terdapat pada model DenseNet121 menunjukkan peningkatan akurasi total 99%, presisi total 99% dan sensitivitas total 99%. Pada model MobileNet menunjukkan peningkatan pada akurasi total 97%, presisi total 97% dan sensitivitas total 95% dan pada model ResNet50 menunjukkan peningkatan pada akurasi total 97%, presisi total 98% dan sensitivitas total 94%.

---

Coronavirus Disease 2019 (COVID-19) was first identified in Wuhan, China at the end of December 2019. COVID-19 is caused by a new coronavirus, namely The Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2). Since March 11, 2020, WHO has officially declared a COVID-19 pandemic. This COVID-19 infects the human respiratory tract, namely the alveolar epithelial cells of the lungs which causes pneumonia. With the help of methods from Deep learning, the Convolutional Neural Network (CNN) can be used to detect cases of COVID-19 through signs of pneumonia in Chest X-ray image data. Early detection of COVID-19 cases is important to minimize transmission and reduce the risk of patient death. Therefore, this study builds the CNN transfer learning model DenseNet121, MobileNet and ResNet50 with a pseudo-coloring (RGB) approach in classifying COVID-19 cases into three classes, namely: COVID-19 pneumonia, healthy and viral pneumonia. The pseudo-coloring (RGB) approach at the preprocessing stage by manipulating the colors in the Chest X-ray image data as a means to help improve accuracy, precision and sensitivity results. The evaluation results on the DenseNet121 model showed an increase in total accuracy of 99%, total precision of 99% and total sensitivity of 99%. The MobileNet model showed an increase in total accuracy of 97% , total precision of 97% and total sensitivity of 95% and the ResNet50 model showed an increase in total accuracy of 97%, total precision of 98% and total sensitivity of 94%."

"Diagnosa dan pengobatan kanker pada tahap jinak adalah hal yang sangat penting. Akhir akhir ini, ahli patologi menggunakan bantuan komputer dengan teknologi machine learning untuk membantu mendiagnosis pasien menggunakan citra medis. Namun, jumlah data yang dibutuhkan machine learning besar dan biasanya jumlah citra medis yang tersedia terbatas. Transfer learning adalah teknik machine learning yang dapat mengatasi terbatasnya jumlah data. Transfer learning adalah teknik yang mentransfer pengetahuan yang didapat saat model mempelajari untuk menyelesaikan suatu masalah dan digunakan untuk menyelesaikan masalah lain. Pada machine learning, pemilihan arsitektur model dan hyperparameter lainnya sangat berpengaruh pada performa model. Penelitian ini melakukan hyperparameter optimization terhadap CNN yang mengklasifikasi citra histopatologi berisi jaringan sehat dan jaringan kanker. Penelitian ini menemukan CNN dengan arsitektur DenseNet121, freeze rate 75%, 0 lapis classifier, learning rate 0.001, dan optimizer RMSProp mempunyai performa keakuratan terbaik pada 98% dengan waktu latih selama 19.5 detik.

---

Diagnosis and treatment of cancer at the benign stage is very important. Recently, pathologists are using computer-aided diagnostics with machine learning techniques to diagnose patients from medical images. However, the amount of data required for machine learning is large and the number of medical images available is usually limited. Transfer learning is a machine learning technique that can handle limited amounts of data. Transfer learning is a technique that transfers knowledge gained when learning to solve a problem, to use it to solve a different problem. In machine learning, choosing an optimum architecture and hyperparameters is very important because it affects the performance of the network. In this research, we did a hyperparameter optimization of a CNN that classifies images that contain healthy tissue and cancer tissue. The research concludes that CNN with architecture DenseNet121, freeze rate 75%, zero hidden layer on classifier, learning rate 0.001, and optimizer RMSProp have the best performance with 98% accuracy and 19.5 seconds training time."

"Diagnosis COVID-19 dapat dilakukan dengan berbagai metode, salah satunya dengan interpretasi citra medis rongga dada menggunakan machine learning. Namun, metode ini memiliki memerlukan waktu dan biaya yang besar, tidak ada standar dalam pengambilan gambar citra medis, dan pelindungan privasi pada data pasien. Model yang dilatih dengan dataset publik tidak selalu dapat mempertahankan performanya. Diperlukan metode pengklasifikasi berbasis multicenter yang dapat memiliki performa optimal pada dataset yang berbeda-beda. Skenario pertama dengan melatih model menggunakan arsitektur VGG-19 dan ConvNeXt dengan gabungan seluruh data dan masing-masing data. Lalu dilakukan fine tuning terhadap model yang dilatih pada gabungan seluruh data. Skenario kedua dengan Unsupervised Domain Adaptation berbasis maximum mean discrepancy dengan data publik sebagai source domain dan data privat sebagai target domain. Metode transfer learning dengan fine-tuning model pada arsitektur VGG-19 menaikkan train accuracy pada data Github menjadi 95% serta menaikkan test accuracy pada data Github menjadi 93%, pada data Github menjadi 93%, pada data RSCM menjadi 72%, dan pada data RSUI menjadi 75%. Metode transfer learning dengan fine-tuning model pada arsitektur ConvNeXt menaikkan evaluation accuracy pada data RSCM menjadi 73%. Metode unsupervised domain adaptation (UDA) berbasis maximum mean discrepancy (MMD) memiliki akurasi sebesar 89% pada dataset privat sehingga merupakan metode yang paling baik. Berdasarkan GRAD-CAM, model sudah mampu mendeteksi bagian paru-paru dari citra X-Ray dalam memprediksi kelas yang sesuai.

---

Diagnosis of COVID-19 can be done using various methods, one of which is by interpreting medical images of the chest using machine learning. However, this method requires a lot of time and money, there is no standard in taking medical images, and protecting patient data privacy. Models that are trained with public datasets do not always maintain their performance. A multicenter-based classification method is needed that can have optimal performance on different datasets. The first scenario is to train the model using the VGG-19 and ConvNeXt architecture by combining all data and each data. Then, the model trained using combined data is fine tuned. The second scenario uses Unsupervised Domain Adaptation based on maximum mean discrepancy with public data as the source domain and private data as the target domain. The transfer learning method with the fine-tuning model on the VGG-19 architecture increases train accuracy on Github data to 95% and increases test accuracy on Github data to 93%, on Github data to 93%, on RSCM data to 72%, and on data RSUI to 75%. The transfer learning method with the fine-tuning model on the ConvNeXt architecture increases the evaluation accuracy of RSCM data to 73%. The unsupervised domain adaptation (UDA) method based on maximum mean discrepancy (MMD) has an accuracy of 89% in private dataset making it the best method. Based on GRAD-CAM, the model has been able to detect parts of the lungs from X-Ray images in predicting the appropriate class."

"Angka penularan COVID-19 yang terus meningkat mendorong berbagai inovasi diciptakan untuk memutus rantai penyebarannya. Salah satu inovasi tersebut dapat diciptakan dengan menggabungkan pengetahuan dari Algoritma Haar Cascade sebagai pendeteksi wajah forntal dan jaringan saraf konvolusional (CNN) sebagai klasifikator. Konsep ini digunakan untuk membuat computer vision sebagai media pendeteksi penggunaan masker di lingkungan masyarakat. Media yang dapat digunakan untuk membuat pendeteksi ini adalah kamera. Hasil deteksi ini dapat menghasilkan suatu data baru yang dapat bermanfaat untuk kepentingan bersama seperti perhitungan jumlah pengguna masker, bukan pengguna masker, dan total orang yang terdeteksi oleh kamera. Pengujian dilakukan untuk meneliti kemampuan inovasi untuk diimplementasikan. Dilakukan dua jenis pengujian yaitu pengujian berbasis scenario penambahan jumlah objek dan pengujian langsung. Pengujian berbasis scenario ditujukkan untuk melakukan pengujian performansi minimum hasil tuning model dengan menambahkan jumlah objek ataupun variasi dari objek. Sedangkan pengujian langsung ditujukkan untuk menguji performansi maksimal dari model yang diujikan secara langsung. Hasil yang difokuskan dari seluruh pengujian adalah nilai akurasi dan hasil perhitungan setiap jenis objek. Didapatkan beberapa factor yang mempengaruhi hasil seperti resolusi kamera, kecepatan gerak objek dan sudut hadap wajah, jumlah dan variasi dataset yang digunakan untuk membuat model, dan sumber pencahayaan. Rata-rata nilai akurasi dari masing-masing pengujian adalah 95% untuk pengujian scenario dan 68,9% untuk pengujian langsung.

---

The increasing number of COVID-19 transmission has encouraged various innovations to be created to break the chain of its spread. One such innovation can be found by combining knowledge from the Haar Cascade Algorithm as a forntal face detection and convolutional neural network (CNN) as a classifier. This concept is used to make computer vision a medium for detecting the use of masks in the community. The media that can be used to make this detector is a camera. The results of this detection can generate new data that can be of mutual benefit, such as the calculation of the number of mask users, not mask users, and the total number of people detected by the camera. Tests are carried out to examine the ability of innovation to be implemented. Two types of examiners were carried out, namely scenario-based testing of increasing the number of objects and direct testing. Scenario-based testing is intended to perform tests to test the minimum result model by adding the number of objects or variations of the objects. Meanwhile, the direct tester is aimed at testing the maximum performance of the model being tested directly. The focused results of the test are accurate values and the calculation results of each type of object. There are several factors that affect the results such as camera resolution, object speed and face angle, number and variation of datasets used to create models, and lighting sources. The average accuracy value of each test is 95% for the test scenario and 68,9% for the direct test."

"Dalam konteks estimasi usia gigisebagai metode non-invasif untuk determinasi usia kronologis pasien, teknik orthopantomography (OPG) telah luas diaplikasikan meski menghadapi kendala seperti biaya tinggi dan eksposur radiasi. Merespons limitasi pendekatan konvensional, paradigma machine learning dan deep learning kini dioptimalkan untuk mengidentifikasi pola intrinsik pada data pencitraan medis kompleks. Penelitian ini bertujuan mengembangkan algoritma YOLOv8 untuk meningkatkan akurasi estimasi usia gigi, menggunakan dataset dari RSGMP Universitas Airlangga dengan subjek pediatrik 5—15 tahun. Dataset dimodifikasi menjadi tiga variasi: tanpa augmentasi, augmentasi tiga kali per sampel, dan augmentasi lima kali per sampel. Hasil optimal dicapai oleh variasi ketiga dengan augmentasi lima kali per sampel, mendemonstrasikan akurasi 60% dan F1-Score 61,05%, mengindikasikan potensi signifikan teknik augmentasi data dalam meningkatkan kinerja algoritma deep learning untuk estimasi usia gigi.

---

In the context of dental age estimation as a non-invasive method for determining patients' chronological age, orthopantomography (OPG) techniques have been widely applied despite facing challenges such as high costs and radiation exposure. Responding to the limitations of conventional approaches, machine learning and deep learning paradigms are now being optimized to identify intrinsic patterns in complex medical imaging data. This research aims to develop the YOLOv8 algorithm to improve the accuracy of dental age estimation, using a dataset from the Dental and Oral Hospital of Airlangga University with pediatric subjects aged 5-15 years. The dataset was modified into three variations: without augmentation, triplet augmentation, and quintuplet augmentation per sample. Optimal results were achieved by the third variation with quintuplet augmentation, demonstrating 60% accuracy and 61.05% F1-Score, indicating significant potential for data augmentation techniques in enhancing the performance of deep learning algorithms for dental age estimation."

"Analisis sentimen merupakan permasalahan klasifikasi data mining dengan proses memahami, mengekstrak dan mengolah data teks secara otomatis untuk mendapatkan informasi. Dalam menganalisis pendapat di media sosial digunakan machine learning untuk mendapatkan hasil klasifikasi. Banyak metode machine learning untuk melakukan klasifikasi, dalam penelitian ini akan digunakan convolutional neural network. Dalam machine learning, data dibagi menjadi data training dan data test dengan domain data yang sama. Permasalahan utama skripsi ini adalah data yang digunakan memiliki dua domain berbeda, sehingga metode machine learning tradisional tidak dapat diterapkan. Sehingga agar dapat menerapkan convolutional neural network untuk dua data berbeda diperkenalkan suatu cara yaitu transfer learning. Transfer learning merupakan suatu proses pembelajaran model yang didapatkan dari training data A oleh data B dengan domain berbeda. Simulasi dalam penelitian ini menghasilkan suatu akurasi transfer learning dengan metode convolutional neural network.

---

Sentiment analysis is classification problem in data mining with process of understanding, extracting and processing text data to obtain information. Machine learning is needed in analyzing sentiment of the people to get the result of classification. There are many methods in machine learning to do classification, this research will use convolutional neural network. In machine learning, data is divided into train and test data with the same domain.

The main problem of this research is the data has a different domain, so the traditional machine learning method can not be applied. In order to apply convolutional neural network into data with different domain, it will be introduced transfer learning method. Transfer learning is learning model process obtained from training data A then tested by data B. In this research, the simulations result is accuracy of transfer learning with convolutional neural network."

"Leptomeningeal metastatis merupakan indikasi keganasan yang terjadi pada pasien leukemia. Meskipun hanya memiliki porsi 30-40% yang menyebabkan kekambuhan keganasan pada pasien leukemia, hal tersebut yang dijadikan dasar dalam menentukan pengobatan terbaik yang diberikan kepada mereka. Leptomeningeal metastasis lebih baik dideteksi dengan menggunakan Magnetic Resonance Imaging (MRI) karena sensitivitasnya yang tinggi dalam citra neuraxis. Kemampuan expert yang tinggi untuk melihat dan menganalisis sangat diperlukan dalam membaca hasil Brain MRI pasien leukemia dengan suspek leptomeningeal metastasis. Oleh karena itu, klasifikasi akan memakan waktu yang lama dan memungkinkan kesalahan pembacaan hasil. Berbagai metode telah banyak diusulkan dan dikembangkan dalam klasifikasi Brain MRI untuk mendapatkan hasil terbaik namun tantangan dalam penelitian ini adalah leptomeningeal metastasis yang karakteristiknya lebih sudah dikenali dibandingkan tumor pada otak. Oleh karena itu peneliti mengusulkan pengklasifikasian leptomeningeal metastasis dengan menggunakan metode CNN via transfer learning. Dengan berbagai skenario yang dilakukan, hasil akurasi terbaik adalah implementasi metode CNN (ResNet50) via transfer learning mencapai 82,22%.

---

Leptomeningeal metastasis is an indication of malignancy that occurs in leukemia patients. Although it only has a 30-40% portion, which causes recurrence of malignancy in leukemia patients, it is the basis for determining the best treatment given to them. Leptomeningeal metastases are better detected by using Magnetic Resonance Imaging (MRI) because of their high sensitivity in neuroaxis images. A high expert ability to see and analyze is needed in reading the brain MRI results of leukemia patients with suspected leptomeningeal metastasis. Therefore, the classification will take a long time and may an incorrect reading of the results. Various methods have been proposed and developed in the brain MRI classification to get the best results, but the challenge in this research is leptomeningeal metastasis, whose characteristics are more not recognizable than tumors in the brain. Therefore, we propose the classification of leptomeningeal metastasis using the CNN method via transfer learning. With various scenarios done, we obtained the best accuracy result is the implementation of the CNN (ResNet50) method via transfer learning, up to 82.22%."