Klasifikasi Jenis Penyakit Tumor Otak Menggunakan Convolutional Neural Network Arsitektur Inception-V3

Abstract

Tumor otak merupakan salah satu penyakit yang paling mengancam nyawa dan memerlukan diagnosis yang akurat. Salah satu tantangan utama dalam mendiagnosis tumor otak terletak pada kesamaan visual antara jenis tumor pada gambar MRI, yang seringkali menyulitkan klasifikasi manual. Untuk mengatasi hal ini, sistem klasifikasi berbasis deep learning dikembangkan menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur Inception-V3. Data yang digunakan diperoleh dari Kaggle dan terdiri dari empat kelas glioma, meningioma, pituitari, dan notumor. Penelitian ini menerapkan teknik pre-procesing seperti Contrast Limited Adaptive Histogram Equalization (CLAHE) dan augmentasi data untuk meningkatkan kinerja model. Berbagai kombinasi hyperparameters diuji, dan kinerja terbaik dicapai dengan batch size 32 dan learning rate 0,0001. Model mencapai accuracy 97,92%, precision 98%, recall 98%, dan F1-score 98%. Selain itu, arsitektur Inception-V3 dibandingkan dengan arsitektur lain yaitu MobileNetV2 dan ResNet50, yang mencapai accuracy 83,67% dan 71,79%. Hasil menunjukkan bahwa arsitektur Inception-V3 unggul dalam mengklasifikasikan jenis tumor otak dari gambar MRI. Penelitian ini diharapkan dapat berkontribusi dalam meningkatkan akurasi dan kecepatan diagnosis tumor otak bagi medis.