Perbandingan Kinerja Model Transfer Learning VGG16 dan ResNet50 Dalam Klasifikasi Tumor Otak Pada Citra MRI

Abstract

Tingginya prevalensi tumor otak dan pentingnya
deteksi dini mendorong pengembangan sistem diagnosis
otomatis berbasis kecerdasan buatan. Penelitian ini bertujuan
membandingkan kinerja dua arsitektur deep learning, yaitu
VGG16 dan ResNet50, dalam mengklasifikasi empat jenis citra
MRI tumor otak yakni glioma, meningioma, pituitary, dan no
tumor. Pendekatan yang digunakan adalah transfer learning
dengan dua skenario perbandingan yakni sebelum dan sesudah
fine-tuning. Transfer learning memungkinkan pemanfaatan
model yang telah dilatih sebelumnya, sedangkan fine-tuning
dilakukan untuk menyesuaikan parameter model terhadap
karakteristik data baru. Seluruh proses penelitian mengikuti
tahapan Knowledge Discovery in Database (KDD), yang meliputi
pengumpulan data, preprocessing, pelatihan model, dan
evaluasi. Hasil evaluasi menunjukkan bahwa ResNet50
menghasilkan akurasi sebesar 94,80% sebelum fine-tuning dan
meningkat menjadi 97,54% setelah fine-tuning. Sementara itu,
VGG16 memperoleh akurasi sebesar 91,39% sebelum fine
tuning dan meningkat signifikan menjadi 98,68% setelah fine
tuning. Berdasarkan hasil tersebut, dapat disimpulkan bahwa
model VGG16 dengan fine-tuning menunjukkan kinerja terbaik
dalam klasifikasi tumor otak pada citra MRI. Temuan ini
mengindikasikan bahwa pendekatan deep learning berbasis
transfer learning berpotensi meningkatkan efektivitas dan
efisiensi diagnosis tumor otak secara otomatis.
Kata Kunci: fine-tuning, transfer learning, VGG16, ResNet50,
klasifikasi tumor, citra MRI