[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"detail-sidebar-cat-0-id-113":3,"doc-seo-118234-113":53,"doc-detail-118234-id":119},{"code":4,"msg":5,"data":6},0,"success",[7,13,17,21,25,29,33,37,41,45,49],{"id":8,"doc_module":4,"doc_module_name":9,"category_name":10,"show_sort_weight":11,"slug":12},55,"Document","Agama & Spiritualitas",60,"religion-spirituality",{"id":14,"doc_module":4,"doc_module_name":9,"category_name":15,"show_sort_weight":11,"slug":16},48,"Cerita & Novel","story-novel",{"id":18,"doc_module":4,"doc_module_name":9,"category_name":19,"show_sort_weight":11,"slug":20},56,"Gaya Hidup","lifestyle",{"id":22,"doc_module":4,"doc_module_name":9,"category_name":23,"show_sort_weight":11,"slug":24},51,"Komik","comic",{"id":26,"doc_module":4,"doc_module_name":9,"category_name":27,"show_sort_weight":11,"slug":28},53,"Layanan Kesehatan","healthcare",{"id":30,"doc_module":4,"doc_module_name":9,"category_name":31,"show_sort_weight":11,"slug":32},54,"Penelitian & Laporan","research-report",{"id":34,"doc_module":4,"doc_module_name":9,"category_name":35,"show_sort_weight":11,"slug":36},49,"Sastra","literature",{"id":38,"doc_module":4,"doc_module_name":9,"category_name":39,"show_sort_weight":11,"slug":40},52,"Teknologi","technology",{"id":42,"doc_module":4,"doc_module_name":9,"category_name":43,"show_sort_weight":11,"slug":44},50,"Ujian","exam",{"id":46,"doc_module":4,"doc_module_name":9,"category_name":47,"show_sort_weight":11,"slug":48},57,"Umum","general",{"id":50,"doc_module":4,"doc_module_name":9,"category_name":51,"show_sort_weight":4,"slug":52},181,"Formulir","formulir",{"code":4,"msg":54,"data":55},"ok",{"site_id":56,"language":57,"slug":58,"title":59,"keywords":60,"description":61,"schema_data":62,"social_meta":112,"head_meta":114,"extra_data":116,"updated_unix":118},113,"id","development-of-a-machine-learning-system-on-magnetic-resonance-imaging-for-brain-tumor-detection-conclusions-and-recommendations","Pengembangan Sistem Machine Learning pada Magnetic Resonance Imaging untuk Deteksi Tumor Otak - Simpulan dan Rekomendasi","","Penelitian ini menyimpulkan bahwa setiap jenis tumor otak pada citra MRI memiliki karakteristik pola persebaran pixel yang berbeda sehingga dapat dijadikan dasar validasi untuk machine learning. Ekstraksi fitur GLCM mampu memberikan informasi mengenai pola persebaran pixel pada tiap jenis tumor. Penggunaan teknik augmentasi data dan penambahan layer dense pada EfficientNetV2 menghasilkan performa paling optimal dengan akurasi 99,53% dan validasi 99,00%. Resolusi efektif untuk klasifikasi adalah 256x256 dengan akurasi 99,53%, validasi 99,00%, serta waktu iterasi 270 detik.",{"@graph":63,"@context":111},[64,81,102],{"@type":65,"itemListElement":66},"BreadcrumbList",[67,72,75,78],{"item":68,"name":69,"@type":70,"position":71},"https://docshare.wps.com","Home","ListItem",1,{"item":73,"name":9,"@type":70,"position":74},"https://docshare.wps.com/id/document/",2,{"item":76,"name":27,"@type":70,"position":77},"https://docshare.wps.com/id/document/layanan-kesehatan/",3,{"item":79,"name":59,"@type":70,"position":80},"https://docshare.wps.com/id/document/development-of-a-machine-learning-system-on-magnetic-resonance-imaging-for-brain-tumor-detection-conclusions-and-recommendations/118234/",4,{"url":79,"name":59,"@type":82,"image":83,"author":88,"headline":59,"publisher":91,"fileFormat":94,"inLanguage":57,"description":61,"dateModified":95,"datePublished":96,"encodingFormat":94,"isAccessibleForFree":97,"interactionStatistic":98},"DigitalDocument",{"url":84,"@type":85,"width":86,"height":87},"https://docshare.wps.com/thumbnails/development-of-a-machine-learning-system-on-magnetic-resonance-imaging-for-brain-tumor-detection-conclusions-and-recommendations/118234.png","ImageObject",300,407,{"name":89,"@type":90},"Ezra","Person",{"url":68,"name":92,"@type":93},"DocShare","Organization","application/pdf","2026-09-19","2026-08-02",true,{"@type":99,"interactionType":100,"userInteractionCount":74},"InteractionCounter",{"@type":101},"ViewAction",{"@type":103,"mainEntity":104},"FAQPage",[105],{"name":106,"@type":107,"acceptedAnswer":108},"Apa rekomendasi pengembangan lanjutan yang disarankan?","Question",{"text":109,"@type":110},"Model perlu diperluas tidak hanya untuk arah aksial, tetapi juga mencakup citra coronal dan sagital melalui penambahan dataset. Selain itu, model sebaiknya diintegrasikan ke dalam software yang terhubung dengan komputer MRI agar lebih mudah digunakan dibandingkan menjalankan melalui kode editor.","Answer","https://schema.org",{"og:url":79,"og:type":113,"og:title":59,"og:site_name":92,"og:description":61},"article",{"robots":115,"canonical":79},"index,follow",{"doc_id":117,"site_id":56},118234,1785682500,{"code":4,"msg":5,"data":120},{"doc_id":117,"user_id":121,"nickname":89,"user_avatar":122,"doc_module":4,"category_id":26,"category_name":27,"doc_title":59,"doc_description":61,"doc_content":123,"file_id":124,"file_url":125,"file_type":126,"file_size":127,"view_count":74,"is_deleted":4,"is_public":71,"is_downloadable":71,"audit_status":71,"page_count":74,"language":128,"language_code":57,"site_id":56,"html_lang":57,"table_of_contents":129,"faqs":130,"seo_title":131,"seo_description":61,"update_tm":118,"read_time":77},2336474466412,"https://ap-avatar.wpscdn.com/davatar_155a257f0dc6eb9ab79c44ca47cae57d","BAB V  \nSIMPULAN DAN REKOMENDASI  \n5.1 Simpulan  \nBerdasarkan temuan dan pembahasan dari penelitian yang telah dilakukan ini, simpulan dari penelitian ini adalah sebagai berikut:  \n1. Setiap citra jenis tumor otak memiliki karakteristik pola persebaran pixel atau array yang berbeda-beda sehingga bisa menjadi validasi sertainformasi bagi machine learning untuk membedakan setiap jenis tumor otak, Penggunaan ekstraksi fitur GLCM dapat memberikan informasi bagaimana pola persebaran pixel pada setiap jenis tumor otak.  \n2. Pengembangan algoritma machine learning yang dilakukan dengan penggunaan teknik augmentasi data dan juga penambahan layer dense di lapisan fully connected layer pada model algoritma dasar EfficeintNetV2 mendapatkan nilai akurasi dan validasi paling optimal dengan nilai akurasi  \n99,53% dan nilai validasi sebesar 99,00% .  \n3. Resolusi citra yang paling efektif dalam mengklasifikasikan jenis tumor otak berada pada resolusi 256x256 karena memiliki nilai akurasi serta nilai validasi yang paling tinggi diantara resolusi citra yang diujicoba padapenelitian ini, dengan nilai akurasi 99,53% dan nilai validasi sebesar  \n99,00%, pada resolusi ini waktu yang dibutuhkan untuk melakukan iterasiadalah 270 detik.  \n5.2 Rekomendasi dan saran  \nMachine learning yang dikembangkan pada penelitian ini terbatasuntuk memprediksi hasil citra tumor otak MRI dari arah aksial saja, sedangkan MRI dapat menangkap citra dari berbagai arah yaitu aksial, coronal dan sagital, untuk itu diperlukan pengembangan lebih lanjut dengan penambahan dataset tumor otak dari arah coronal dan sagittal supaya machine learning yang dikembangkan dapat memprediksi jenis tumor otak dari berbagai arah citra yang dihasilkan MRI.  \nSelain itu model algoritma machine learning yang dikembangkan belum dibuat dalam sebuah software yang terintegrasi dengan komputer MRI, untuk saat ini hanya bisa dilakukan prediksi melalui kode editor, sehingga jika dibuat dalam sebuah software tampilannya akan mudahdipahami dan dapat mempermudah penggunanya jika ingin melakukan prediksi tumor otak.","cbCaid570tTMUSaW","https://ap.wps.com/l/cbCaid570tTMUSaW","pdf",263397,"Indonesian","# Simpulan\n## Karakteristik citra dan fitur GLCM\n## Pengembangan algoritma machine learning dan performa model\n## Resolusi citra paling efektif\n# Rekomendasi dan saran\n## Perluasan arah citra aksial, coronal, dan sagital\n## Integrasi model ke software MRI","[{\"question\":\"Apa rekomendasi pengembangan lanjutan yang disarankan?\",\"answer\":\"Model perlu diperluas tidak hanya untuk arah aksial, tetapi juga mencakup citra coronal dan sagital melalui penambahan dataset. Selain itu, model sebaiknya diintegrasikan ke dalam software yang terhubung dengan komputer MRI agar lebih mudah digunakan dibandingkan menjalankan melalui kode editor.\"}]","Pengembangan Sistem Machine Learning pada Magnetic Resonance Imaging untuk Deteksi Tumor Otak - Simpulan dan Rekomendasi | PDF"]