<![CDATA[Deteksi dini tumor otak melalui citra Magnetic Resonance Imaging (MRI) merupakan tantangan penting dalam diagnostik medis. Penelitian ini mengembangkan model klasifikasi tumor otak berbasis deep learning dengan membandingkan arsitektur MobileNetV1 dan MobileNetV2. Dataset yang digunakan terdiri dari 2.000 citra MRI yang seimbang (500 gambar per kelas: glioma, meningioma, non-tumor, dan pituitary), dibagi menjadi 1.700 gambar (85%) untuk pelatihan, 200 gambar (10%) untuk validasi, dan 100 gambar (5%) untuk pengujian. Kedua model dievaluasi menggunakan optimizer Adam dan SGD dengan pendekatan transfer learning. Hasil penelitian menunjukkan bahwa MobileNetV1 dengan Adam optimizer mencapai kinerja optimal dengan akurasi 96,5%, presisi 96,5%, recall 96,5%, dan F1-score 96,5%. Sementara itu, MobileNetV2 menunjukkan akurasi 86% dengan kesulitan khusus pada klasifikasi meningioma (F1-score 74%). Analisis confusion matrix mengungkapkan konsistensi prediksi yang baik untuk semua kelas pada MobileNetV1. Temuan ini menegaskan bahwa untuk dataset berukuran terbatas, MobileNetV1 lebih unggul dalam stabilitas dan akurasi dibandingkan MobileNetV2. Penelitian ini memberikan kontribusi penting dalam pengembangan sistem computer-aided diagnosis (CAD) untuk tumor otak, dengan rekomendasi implementasi MobileNetV1 di fasilitas kesehatan dan kebutuhan optimasi lebih lanjut untuk MobileNetV2. Temuan ini menegaskan bahwa untuk dataset berukuran terbatas, MobileNetV1 lebih unggul dalam stabilitas dan akurasi dibandingkan MobileNetV2. Penelitian ini memberikan kontribusi penting dalam pengembangan sistem computer-aided diagnosis (CAD) untuk tumor otak, dengan rekomendasi implementasi MobileNetV1 di fasilitas kesehatan dan kebutuhan optimasi lebih lanjut untuk MobileNetV2.]]>
Copyrights © 2025
