<![CDATA[Penelitian ini bertujuan mengatasi tantangan klasifikasi citra tumor otak berbasis kecerdasan buatan yang terhambat oleh keterbatasan data berlabel. Pendekatan yang diajukan adalah Penerapan Transfer Learning menggunakan arsitektur MobileNetV2. Model dilatih dengan strategi dua fase, yaitu pembekuan bobot dasar diikuti oleh fine-tuning lapisan konvolusi teratas, serta didukung oleh teknik Augmentasi Data. Evaluasi dilakukan pada 1.311 citra uji independen. Hasil penelitian menunjukkan model mencapai Akurasi Keseluruhan 94,02 persen dan Macro Average F1-Score 94,50 persen. Kinerja ini membuktikan keberhasilan Transfer Learning dalam mitigasi overfitting dan pencapaian generalisasi yang sangat baik. Model juga menunjukkan efisiensi komputasi yang tinggi, terbukti dengan waktu inferensi yang hanya sekitar 25 milidetik per citra. Dengan bobot yang ringan (14,2 megabyte), model ini diintegrasikan ke dalam prototipe visualisasi berbasis web. Temuan ini menegaskan kelayakan model untuk dikembangkan sebagai sistem diagnosis bantu klinis yang akurat dan responsif. Kata kunci: data terbatas, klasifikasi citra, mobilenetv2, transfer learning, tumor otak]]>
Copyrights © 2026
