EPrints Universitas Amikom YogyakartaPERBANDINGAN ARSITEKTUR DEEP LEARNING RESNET50 DAN VGG16 DALAM DETEKSI TUMOR OTAK MENGGUNAKAN CITRA MRIGillasTanarawauthorTumor 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.000 Ilmu komputer, informasi dan pekerjaan umum006 Metode komputer khusus2026-02-18Universitas AMIKOM Yogyakarta;Fakultas Ilmu KomputerThesis

For work being deposited by its own author: In self-archiving this collection of files and associated bibliographic metadata, I grant EPrints Universitas Amikom Yogyakarta the right to store them and to make them permanently available publicly for free on-line. I declare that this material is my own intellectual property and I understand that EPrints Universitas Amikom Yogyakarta does not assume any responsibility if there is any breach of copyright in distributing these files or metadata. (All authors are urged to prominently assert their copyright on the title page of their work.)

For work being deposited by someone other than its author: I hereby declare that the collection of files and associated bibliographic metadata that I am archiving at EPrints Universitas Amikom Yogyakarta) is in the public domain. If this is not the case, I accept full responsibility for any breach of copyright that distributing these files or metadata may entail.

Clicking on the deposit button indicates your agreement to these terms.