<![CDATA[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]]>
Copyrights © 2025
