Klasifikasi Jenis Tumor Otak Pada Citra MRI Menggunakan Metode CNN Arsitektur ResNet-50 Dengan Pendekatan Transfer Learning

Penelitian ini bertujuan untuk mengembangkan model klasifikasi citra MRI otak menggunakan metode deep learning. Permasalahan utama yang dikaji adalah bagaimana melakukan klasifikasi jenis tumor otak menggunakan arsitektur ResNet-50, serta sejauh mana pengaruh kombinasi hyperparameter terhadap akurasi dan performa model. Data yang digunakan berjumlah 6.415 citra MRI otak, yang diperoleh dari dataset publik Kaggle dan RSUD Sanjiwani Kabupaten Gianyar. Proses klasifikasi dilakukan dengan memodifikasi arsitektur CNN ResNet-50 melalui pendekatan transfer learning dan diterapkan pula callback EarlyStopping dan ReduceLROnPlateau untuk meningkatkan efisiensi pelatihan dan mencegah overfitting. Hasil evaluasi menunjukkan bahwa model ResNet-50 dengan pendekatan transfer learning dan penggunaan optimizer SGD memberikan performa terbaik, dengan akurasi 92%, precision 93%, recall 92%, dan F1-score 92%. Temuan ini menunjukkan bahwa pemilihan arsitektur dan pengaturan hyperparameter yang tepat sangat berpengaruh terhadap kinerja model klasifikasi tumor otak berbasis deep learning.