Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal REMIK : Riset dan E-Jurnal Manajemen Informatika Komputer
Agung RM Alam
Universitas Potensi Utama
Computer Science & IT Decision Sciences, Operations Research & Management Education

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

Found 1 Documents
Search

 1 
Klasifikasi Jenis Tumor Otak pada Citra MRI Menggunakan Convolutional Neural Network (CNN) Agung RM Alam; M Suhada WD; Agus F Nduru; Rika Rosnelly; Adil Setiawan
REMIK: Riset dan E-Jurnal Manajemen Informatika Komputer Vol. 9 No. 4 (2025): Volume 9 Nomor 4 Oktober 2025
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/remik.v9i4.15020

Abstract

Tumor otak merupakan salah satu kondisi neurologis serius yang menuntut penanganan cepat dan tepat. Proses klasifikasi citra MRI secara manual masih menghadapi sejumlah kendala, seperti waktu yang dibutuhkan yang relatif lama, ketergantungan terhadap keahlian radiolog, serta potensi subjektivitas dalam interpretasi. Untuk mengatasi permasalahan tersebut, penelitian ini mengembangkan sistem klasifikasi otomatis berbasis Convolutional Neural Network (CNN) guna mengidentifikasi tiga tipe tumor otak, yakni glioma, meningioma, dan pituitari, dengan memanfaatkan dataset MRI yang bersifat publik. Proses prapengolahan data dilakukan melalui tahapan resizing, normalisasi intensitas, serta augmentasi data berupa rotasi acak, zoom, dan flipping, dengan tujuan meningkatkan kemampuan generalisasi model. Arsitektur jaringan yang diusulkan terdiri atas dua blok konvolusi, satu lapisan fully connected, serta penggunaan dropout sebagai upaya meminimalisasi overfitting. Model dilatih dengan skema pembagian data latih dan uji sebesar 80:20, serta dievaluasi menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil pelatihan menunjukkan bahwa model mencapai akurasi 97,18%, lebih tinggi dibandingkan baseline metode SVM (90,7%) dan MobileNetV2 (94,6%). Selain itu, teknik visualisasi Grad-CAM digunakan untuk mengidentifikasi area penting dalam citra yang berkaitan dengan keberadaan tumor, sehingga memperkuat interpretabilitas dari sistem yang dibangun. Temuan ini menegaskan bahwa arsitektur CNN yang dikembangkan memiliki potensi tinggi dalam mendukung proses diagnosis tumor otak secara otomatis dan dapat diandalkan dalam praktik klinis.
Co-Authors Agus F Nduru M Suhada WD Rika Rosnelly Setiawan, Adil