<![CDATA[Tingginya prevalensi tumor otak dan pentingnyadeteksi dini mendorong pengembangan sistem diagnosisotomatis berbasis kecerdasan buatan. Penelitian ini bertujuanmembandingkan kinerja dua arsitektur deep learning, yaituVGG16 dan ResNet50, dalam mengklasifikasi empat jenis citraMRI tumor otak yakni glioma, meningioma, pituitary, dan notumor. Pendekatan yang digunakan adalah transfer learningdengan dua skenario perbandingan yakni sebelum dan sesudahfine-tuning. Transfer learning memungkinkan pemanfaatanmodel yang telah dilatih sebelumnya, sedangkan fine-tuningdilakukan untuk menyesuaikan parameter model terhadapkarakteristik data baru. Seluruh proses penelitian mengikutitahapan Knowledge Discovery in Database (KDD), yang meliputipengumpulan data, preprocessing, pelatihan model, danevaluasi. Hasil evaluasi menunjukkan bahwa ResNet50menghasilkan akurasi sebesar 94,80% sebelum fine-tuning danmeningkat menjadi 97,54% setelah fine-tuning. Sementara itu,VGG16 memperoleh akurasi sebesar 91,39% sebelum finetuning dan meningkat signifikan menjadi 98,68% setelah finetuning. Berdasarkan hasil tersebut, dapat disimpulkan bahwamodel VGG16 dengan fine-tuning menunjukkan kinerja terbaikdalam klasifikasi tumor otak pada citra MRI. Temuan inimengindikasikan bahwa pendekatan deep learning berbasistransfer learning berpotensi meningkatkan efektivitas danefisiensi diagnosis tumor otak secara otomatis.Kata Kunci: fine-tuning, transfer learning, VGG16, ResNet50,klasifikasi tumor, citra MRI]]>
Copyrights © 2025
