PERBANDINGAN ARSITEKTUR DEEP LEARNING RESNET50 DAN VGG16 DALAM DETEKSI TUMOR OTAK MENGGUNAKAN CITRA MRI

Tanaraw, Gillas (2026) PERBANDINGAN ARSITEKTUR DEEP LEARNING RESNET50 DAN VGG16 DALAM DETEKSI TUMOR OTAK MENGGUNAKAN CITRA MRI. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER - ABSTRAK) COVER.pdf - Published Version Download (1MB)
	Text (BAB I) BAB I.pdf - Published Version Download (202kB)
	Text (BAB II) BAB II.pdf - Published Version Restricted to Registered users only Download (459kB)
	Text (BAB III) BAB III.pdf - Published Version Restricted to Registered users only Download (525kB)
	Text (BAB IV) BAB IV.pdf - Published Version Restricted to Registered users only Download (789kB)
	Text (BAB V) BAB V.pdf - Published Version Download (106kB)
	Text (DAFTAR PUSTAKA - LAMPIRAN) Daftar Pustaka dan Lampiran.pdf - Published Version Restricted to Registered users only Download (208kB)
	Archive (SOURCE CODE) Sourcecode - 22.11.4858.zip Restricted to Repository staff only Download (3kB)
	Text (PUBLIKASI) Publikasi.pdf - Published Version Restricted to Repository staff only Download (733kB)

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.

Actions (login required)

View Item