Mengoptimalkan Teknologi AI untuk Deteksi Tumor Otak dengan Model Hybrid DCNN-SVM

Mengoptimalkan Teknologi AI untuk Deteksi Tumor Otak dengan Model Hybrid DCNN-SVM

Kemajuan teknologi dalam bidang kesehatan semakin mempercepat inovasi di berbagai aspek, terutama dalam deteksi dan klasifikasi penyakit. Salah satu area yang mendapat perhatian besar adalah klasifikasi tumor otak, yang sangat penting untuk menentukan perawatan yang tepat bagi pasien. Menurut data dari American Cancer Society (2020), lebih dari 18.000 kematian di Amerika Serikat terjadi akibat tumor otak setiap tahun. 

Mengingat tingkat kematian yang tinggi, deteksi dini dan akurat menjadi kunci keberhasilan pengobatan. Artikel yang ditulis oleh Angona Biswas dan Md. Saiful Islam (2023) dalam Journal of Information Systems Engineering and Business Intelligence menyoroti inovasi dalam metode klasifikasi tumor otak menggunakan pendekatan hybrid antara Deep Convolutional Neural Network (DCNN) dan Support Vector Machine (SVM). 

Pendekatan ini menawarkan peningkatan akurasi hingga 96%, jauh lebih baik dibandingkan metode lain seperti AlexNet (93,05%) atau GoogLeNet (89,39%). Dengan lebih dari 120 jenis tumor otak yang teridentifikasi, kemampuan untuk mengklasifikasikan tumor dengan cepat dan akurat merupakan sebuah terobosan penting. 

Seiring berkembangnya teknologi kecerdasan buatan (AI) dan machine learning (ML), solusi berbasis data seperti ini semakin mengubah cara kita memandang perawatan kesehatan. Namun, teknologi ini juga membawa tantangan tersendiri, seperti kebutuhan akan data yang besar dan komputasi yang intensif. Meskipun demikian, penelitian ini menegaskan bahwa teknologi AI bukan hanya masa depan, tetapi telah menjadi realitas dalam dunia medis saat ini.

***

Metode yang diusulkan oleh Biswas dan Islam (2023) dalam penelitian mereka merupakan respons terhadap keterbatasan model klasifikasi tradisional yang mengandalkan feature extraction manual. Penggunaan CNN dan SVM dalam satu rangkaian proses memberikan efisiensi yang signifikan, baik dari segi waktu maupun akurasi. 

CNN memiliki kemampuan unggul dalam mengekstraksi fitur secara otomatis dari citra medis, dalam hal ini citra MRI dari dataset Figshare yang memuat lebih dari 3000 gambar MRI dengan tiga jenis tumor: glioma, meningioma, dan pituitari. Preprocessing citra seperti resizing dan peningkatan kontras dengan Adaptive Histogram Equalization (AHE) memastikan kualitas data sebelum masuk ke proses klasifikasi.

Salah satu keunggulan utama metode ini adalah akurasi yang dihasilkan. Dengan akurasi mencapai 96%, model ini terbukti lebih efektif dibandingkan AlexNet (93,05%) dan GoogLeNet (89,39%). Model lain seperti VGG16, yang lebih dalam dan kompleks, membutuhkan lebih dari 8 jam pelatihan untuk mencapai akurasi hanya 85,24%, jauh di bawah performa DCNN-SVM. Tidak hanya akurat, model ini juga lebih cepat.

Dibutuhkan kurang dari 26 menit untuk melatih model DCNN-SVM, dibandingkan GoogLeNet yang memerlukan hampir 5 jam. Fakta bahwa model ini lebih cepat dan akurat menjadikannya pilihan yang sangat menarik bagi institusi medis yang memerlukan hasil yang cepat dan andal.

Selain itu, pemanfaatan SVM di sini memainkan peran penting dalam meningkatkan keakuratan prediksi. SVM dikenal memiliki kemampuan yang baik dalam mengklasifikasikan data yang kompleks dan multiclass, seperti dalam kasus tumor otak yang memiliki karakteristik yang berbeda-beda. 

Model ini mampu mengatasi masalah overfitting, yang sering kali menjadi tantangan besar dalam metode deep learning lainnya. Penelitian ini menunjukkan bagaimana penggunaan teknik hybrid tidak hanya mengoptimalkan kinerja, tetapi juga mampu menghindari kelemahan yang ditemukan pada metode tradisional.

***

Dengan segala keunggulan yang dihadirkan oleh model DCNN-SVM ini, jelas bahwa teknologi AI dapat memberikan kontribusi signifikan dalam dunia kesehatan, khususnya dalam klasifikasi dan deteksi dini tumor otak. Dengan akurasi 96% dan waktu pemrosesan yang jauh lebih singkat dibandingkan model lain, metode ini memberikan solusi yang efisien dan tepat guna bagi rumah sakit dan klinik yang membutuhkan hasil cepat dan akurat. Tantangan yang tersisa adalah bagaimana menerapkan model ini secara lebih luas dan memastikan infrastruktur komputasi yang diperlukan tersedia di berbagai fasilitas kesehatan.

Penelitian ini membuka peluang bagi pengembangan model yang lebih maju dan adaptif, terutama dengan penggunaan dataset yang lebih besar dan lebih bervariasi. Ke depan, optimasi lebih lanjut terhadap model ini dan integrasinya dengan metode lain seperti transfer learning atau modifikasi arsitektur CNN bisa lebih meningkatkan performa. Dalam dunia medis yang semakin dipacu oleh teknologi, solusi hybrid seperti yang ditawarkan oleh Biswas dan Islam dapat menjadi tonggak baru dalam praktik diagnosis penyakit yang lebih efektif dan efisien.

Referensi

Biswas, A., & Islam, M. S. (2023). A hybrid deep CNN-SVM approach for brain tumor classification. Journal of Information Systems Engineering and Business Intelligence, 9(1), 1-15. https://doi.org/10.20473/jisebi.9.1.1-15