Perbandingan Klasifikasi Tumor Otak Pada Citra MRI Dengan Menggunakan Arsitektur CNN EfficientNetV2S, ResNet152V2, Dan VGG19

Abstract

Tumor otak merupakan salah satu penyakit neurologis serius yang membutuhkan diagnosis cepat dan akurat, di mana citra Magnetic Resonance Imaging (MRI) memegang peranan krusial. Interpretasi manual citra MRI seringkali memakan waktu dan bervariasi antar-pengamat, mendorong eksplorasi otomatisasi menggunakan deep learning. Penelitian ini bertujuan untuk membandingkan performa arsitektur pre-trained Convolutional Neural Network (CNN) EfficientNetV2S, ResNet152V2, dan VGG19 dalam klasifikasi tumor otak berdasarkan citra MRI. EfficientNetV2S dipilih karena dikenal dengan efisiensi parameter dan skalabilitasnya, sedangkan VGG19 merupakan model klasik yang telah terbukti kemampuannya dalam berbagai tugas klasifikasi citra. ResNet152V2 juga dipilih karena merupakan salah satu arsitektur dengan layer yang banyak dan model yang besar. Penelitian ini menggunakan dataset citra MRI tumor otak yang telah dianotasi untuk melatih dan mengevaluasi ketiga model. Hasil eksperimen menunjukkan bahwa ketiga konfigurasi model berhasil mengidentifikasi tumor otak dengan akurasi tinggi. Secara spesifik, EfficientNetV2S meraih akurasi testing tertinggi sebesar 99.2%, ResNet152V2 mendapatkan akurasi sebesar 98.8%, dan VGG19 mendapatkan akurasi sebesar 99.0%. Berdasarkan temuan ini, EfficientNetV2S terbukti menjadi pilihan yang lebih optimal, terutama jika mempertimbangkan efisiensi komputasi karena kemampuannya meraih akurasi tinggi dengan model yang lebih ringan. Meskipun demikian, VGG19 dan ResNet152V2 tetap memberikan hasil yang kompetitif dan layak dipertimbangkan, khususnya bila efisiensi komputasi bukan prioritas utama.