Transfer Learning VGG16 untuk Deteksi Kanker Otak MRI: Analisis Komparatif CNN, FNN, LSTM

Nesa Puspitasari (Universitas Amikom Purwokerto)
Imam Tahyudin (Universitas Amikom Purwokerto)

Jurnal Algoritma
Vol 23 No 1 (2026): Jurnal Algoritma

Kanker otak memiliki tingkat mortalitas tinggi akibat keterlambatan diagnosis, sehingga sistem deteksi dini yang akurat menjadi kebutuhan mendesak. Penelitian ini mengusulkan pendekatan transfer learning dua tahap (initial training dan fine-tuning) menggunakan VGG16 sebagai ekstraktor fitur, dikombinasikan dengan tiga arsitektur klasifikasi CNN, FNN, dan LSTM untuk deteksi kanker otak pada citra MRI. Kebaruan penelitian terletak pada perbandingan sistematis ketiga arsitektur tersebut dalam kerangka transfer learning pada dataset MRI berskala kecil (818 citra, rasio 80:20) dengan augmentasi data. VGG16+LSTM mencapai akurasi tertinggi (96,38%), diikuti VGG16+FNN (96,21%) dan VGG16+CNN (94,74%). Model terbaik diintegrasikan ke dalam aplikasi web sebagai sistem pendukung keputusan klinis untuk skrining awal. Hasil ini mengonfirmasi efektivitas transfer learning dua tahap dalam mengatasi keterbatasan data sekaligus meningkatkan performa klasifikasi berbasis MRI.