PENERAPAN DEEP LEARNING UNTUK KLASIFIKASI CITRA MAGNETIC RESONANCE IMAGING TUMOR OTAK

Tumor otak merupakan salah satu penyakit serius yang membutuhkan diagnosis cepat dan akurat. Penelitian ini menerapkan pendekatan deep learning dengan arsitektur Convolutional Neural Network (CNN) untuk mengklasifikasikan citra Magnetic Resonance Imaging (MRI) tumor otak menjadi dua kelas, yaitu Glioma dan Meningioma. Arsitektur yang digunakan meliputi ResNet-50, DenseNet121, dan EfficientNet-B2 dengan penerapan data augmentation serta eksplorasi parameter seperti proporsi pembagian data, optimizer, dan learning rate. Hasil pelatihan menunjukkan bahwa penggunaan data augmentation berpengaruh signifikan terhadap peningkatan akurasi model. Dari beberapa konfigurasi yang diuji, arsitektur ResNet-50 dengan optimizer RMSProp dan learning rate 0,001 menghasilkan performa terbaik dengan akurasi validasi dan pengujian mendekati 100%. Arsitektur DenseNet121 dan EfficientNet-B2 juga menunjukkan hasil baik namun masih di bawah ResNet-50. Penelitian ini membuktikan bahwa penerapan deep learning berbasis CNN dengan teknik transfer learning mampu melakukan klasifikasi citra MRI tumor otak secara efektif dan akurat. Pendekatan ini berpotensi mendukung pengembangan sistem diagnosis medis berbasis kecerdasan buatan untuk membantu proses deteksi tumor otak secara lebih cepat dan efisien.