<![CDATA[Diagnosis tumor otak melalui MRI menghadapi tantangan akibat keterbatasan dalam visualisasi morfologi, lokasi, dan batas-batas tumor. Format MRI yang biasanya dua dimensi memerlukan interpretasi manual oleh radiolog, yang meningkatkan risiko kesalahan manusia. Untuk meningkatkan akurasi segmentasi MRI, pendekatan pembelajaran mendalam seperti Convolutional Neural Networks (CNN) telah diterapkan untuk menyoroti area-area penting. Studi ini membandingkan dua arsitektur CNN, U-Net dan Res-UNet, untuk segmentasi tumor otak menggunakan dataset Brain Tumor Segmentation Challenge (BraTS) 2020. Kedua model dilatih dengan pengaturan yang serupa dan dievaluasi berdasarkan kemampuannya mengidentifikasi area kunci, termasuk inti tumor, edema, dan area tumor yang mengalami peningkatan. Model ini menggunakan optimizer Adam dan fungsi loss categorical crossentropy, dengan metrik evaluasi termasuk akurasi. Hasil menunjukkan bahwa U-Net mencapai performa optimal pada 35 epoch dengan ukuran batch 64 dan learning rate 0,001, menghasilkan nilai loss terendah (0,0140) dan akurasi tertinggi (99,5%). Meskipun Res-UNet juga mencapai akurasi tinggi (99,3%), nilai loss yang lebih tinggi menunjukkan bahwa model ini kurang efektif dibandingkan U-Net.]]>
