@phdthesis{universitasamikomyogyakarta32244,
           title = {PERBANDINGAN ARSITEKTUR DEEP LEARNING
RESNET50 DAN VGG16 DALAM DETEKSI TUMOR OTAK
MENGGUNAKAN CITRA MRI},
           month = {February},
            year = {2026},
          school = {Universitas AMIKOM Yogyakarta},
          author = {Gillas Tanaraw},
             url = {https://eprints.amikom.ac.id/id/eprint/32244/},
        abstract = {Tumor otak merupakan salah satu penyakit berbahaya yang dapat
mengganggu fungsi sistem saraf pusat dan memerlukan deteksi dini untuk
meningkatkan peluang penanganan yang tepat. Magnetic Resonance Imaging
(MRI) menjadi salah satu metode pemeriksaan yang banyak digunakan karena
mampu menghasilkan citra otak dengan detail tinggi. Namun, proses identifikasi
tumor melalui citra MRI secara manual membutuhkan waktu, ketelitian, serta
bergantung pada pengalaman tenaga medis, sehingga berpotensi menimbulkan
perbedaan interpretasi. Penelitian ini bertujuan untuk membangun model
klasifikasi citra MRI otak menjadi dua kelas, yaitu ?yes? (tumor) dan ?no? (tidak
tumor), menggunakan pendekatan deep learning berbasis transfer learning. Model
yang digunakan adalah ResNet50 dan VGG16 dengan bobot awal ImageNet.
Dataset citra MRI dikonversi ke dalam format CSV metadata yang berisi path file,
ukuran gambar, ukuran file, dan label untuk memudahkan proses pengolahan data.
Data kemudian dibagi menjadi train, validation, dan test. Tahapan pelatihan
dilakukan menggunakan metode fine-tuning untuk meningkatkan performa model.
Evaluasi dilakukan menggunakan metrik loss, accuracy, precision, recall, f1score,
dan
ROC-AUC.
Hasil
penelitian
menunjukkan
bahwa
pendekatan
transfer

learning

mampu memberikan performa klasifikasi yang baik pada dataset dua
kelas, serta dapat digunakan sebagai dasar pengembangan sistem pendukung
diagnosis tumor otak berbasis komputer untuk membantu proses analisis citra
MRI secara lebih cepat dan konsisten.},
        keywords = {Tumor Otak, Deep Learning, Transfer Learning, ResNet50, VGG16, Brain Tumor.}
}