Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Nainggolan, Yohana Beatrice
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Klasifikasi Penyakit Tumor Otak berdasarkan Citra MRI Menggunakan Metode Convolutional Neural Network EfficientNetV2-S Nainggolan, Yohana Beatrice; Perdana, Rizal Setya; Soebroto, Arief Andy
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 10 (2025): Oktober 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Tumor otak merupakan salah satu penyakit yang menjadi ancaman bagi otak manusia. Diagnosis yang cepat dan akurat merupakan kunci utama untuk menentukan rencana pengobatan yang efektif dan meningkatkan prognosis pasien. Magnetic Resonance Imaging (MRI) adalah salah satu teknik pencitraan medis non-invasif untuk mendeteksi dan mendiagnosis tumor otak. Interpretasi citra MRI secara manual oleh ahli radiologi memiliki kekurangan seperti bersifat subjektif, memakan waktu, dan rentan terhadap kelelahan, yang dapat menyebabkan kesalahan diagnosis. Untuk mengatasi tantangan tersebut, penelitian ini melakukan klasifikasi tumor otak menggunakan arsitektur deep learning modern, EfficientNetV2-S, yang unggul dalam efisiensi dan kecepatan. Model ini dilatih dan divalidasi menggunakan dataset MRI yang mencakup kelas tumor glioma, meningioma, pituitary, serta citra tanpa tumor. Tahapan penelitian meliputi pra-pemrosesan citra seperti resizing, augmentasi data, diikuti dengan proses fine-tuning pada arsitektur EfficientNetV2-S. Kinerja model dievaluasi secara komprehensif menggunakan metrik akurasi, presisi, sensitivitas, dan F1 score. Hasil pengujian kinerja model menunjukkan bahwa model yang diusulkan mampu mencapai akurasi klasifikasi yang sangat tinggi dan andal terutama pada pembekuan layers transfer learning sebesar 70% untuk 4 kelas dengan akurasi validasi mencapai 99,81%. Pendekatan ini menegaskan potensi EfficientNetV2-S sebagai metode yang robust untuk dikembangkan menjadi sistem pendukung keputusan klinis, yang dapat membantu ahli radiologi dalam mempercepat dan meningkatkan keakuratan diagnosis tumor otak. Kata kunci: efficientnetv2-s, brain tumor, magnetic resonance imaging, transfer learning
Co-Authors Arief Andy Soebroto Rizal Setya Perdana