Deteksi Tumor Otak pada Citra Magnetic Resonance Imaging (MRI) Menggunakan Arsitektur MobileNet dengan Optimizer Adam

Muhammad Zawawi Basri; Muhammad Gabriel Somoal; Rafiq Setyo Aji

doi:10.58794/jekin.v5i2.1394

Authors

Muhammad Zawawi Basri Teknik Informatika - Universitas Muhammadiyah Prof. Dr. Hamka
Muhammad Gabriel Somoal Universitas Muhammadiyah Prof. DR. Hamka
Rafiq Setyo Aji Universitas Muhammadiyah Prof. DR. Hamka

DOI:

https://doi.org/10.58794/jekin.v5i2.1394

Keywords:

deep learning, klasifikasi tumor otak, MRI, MobileNet, transfer learning

Abstract

Deteksi dini tumor otak melalui citra Magnetic Resonance Imaging (MRI) merupakan tantangan penting dalam diagnostik medis. Penelitian ini mengembangkan model klasifikasi tumor otak berbasis deep learning dengan membandingkan arsitektur MobileNetV1 dan MobileNetV2. Dataset yang digunakan terdiri dari 2.000 citra MRI yang seimbang (500 gambar per kelas: glioma, meningioma, non-tumor, dan pituitary), dibagi menjadi 1.700 gambar (85%) untuk pelatihan, 200 gambar (10%) untuk validasi, dan 100 gambar (5%) untuk pengujian. Kedua model dievaluasi menggunakan optimizer Adam dan SGD dengan pendekatan transfer learning. Hasil penelitian menunjukkan bahwa MobileNetV1 dengan Adam optimizer mencapai kinerja optimal dengan akurasi 96,5%, presisi 96,5%, recall 96,5%, dan F1-score 96,5%. Sementara itu, MobileNetV2 menunjukkan akurasi 86% dengan kesulitan khusus pada klasifikasi meningioma (F1-score 74%). Analisis confusion matrix mengungkapkan konsistensi prediksi yang baik untuk semua kelas pada MobileNetV1. Temuan ini menegaskan bahwa untuk dataset berukuran terbatas, MobileNetV1 lebih unggul dalam stabilitas dan akurasi dibandingkan MobileNetV2. Penelitian ini memberikan kontribusi penting dalam pengembangan sistem computer-aided diagnosis (CAD) untuk tumor otak, dengan rekomendasi implementasi MobileNetV1 di fasilitas kesehatan dan kebutuhan optimasi lebih lanjut untuk MobileNetV2. Temuan ini menegaskan bahwa untuk dataset berukuran terbatas, MobileNetV1 lebih unggul dalam stabilitas dan akurasi dibandingkan MobileNetV2. Penelitian ini memberikan kontribusi penting dalam pengembangan sistem computer-aided diagnosis (CAD) untuk tumor otak, dengan rekomendasi implementasi MobileNetV1 di fasilitas kesehatan dan kebutuhan optimasi lebih lanjut untuk MobileNetV2.

Downloads

Download data is not yet available.

References

Q. T. Ostrom et al., "CBTRUS Statistical Report," Neuro-Oncology, vol. 24, no. Suppl 1, 2022, doi: 10.1093/neuonc/noac202.

T. Zhou et al., "MRI Features of Brain Tumors," IEEE Trans. Med. Imag., vol. 41, no. 3, pp. 1-15, 2022, doi: 10.1109/TMI.2021.3124856.

A. Wadhwa et al., "Brain Tumor Diagnostic Challenges," PMC, 2021. [Online]. Available: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8320463/

T. Zhou et al., "IEEE TMI," IEEE Trans. Med. Imag., doi: 10.1109/TMI.2021.3124856.

A. Esteva et al., "Nat Med," Nature Medicine, 2021, doi: 10.1038/s41591-021-01487-3.

Y. LeCun et al., "IEEE Proc," Proc. IEEE, 2020, doi: 10.1109/JPROC.2020.3004371.

G. Litjens et al., "Radiol AI," Radiology: Artificial Intelligence, 2022, doi: 10.1148/ryai.210315.

O. Ronneberger et al., "arXiv," 2021. [Online]. Available: https://arxiv.org/abs/2108.08254

S. Bakas et al., "Sci Data," Scientific Data, 2023, doi: 10.1038/s41597-023-01965-w.

Y. Zhang et al., "A Comprehensive Survey of Deep Transfer Learning for Anomaly Detection in Industrial Time Series: Methods, Applications, and Directions," IEEE Access, vol. 11, pp. 1-25, 2023, doi: 10.1109/ACCESS.2023.3349132.

A. G. Howard et al., "MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications," arXiv, 2017, doi: 10.48550/arXiv.1704.04861.

T. Rahman, M. S. Islam, and M. S. Alom, "Efficient Deep Learning Models for Brain MRI-based Tumor Classification," Sci. Rep., vol. 13, no. 4567, 2023, doi: 10.1038/s41598-023-31672-y.

J. Amin et al., "Brain Tumor Detection Using Deep Learning and Transfer Learning Approaches," Diagnostics, vol. 12, no. 5, p. 1201, 2022, doi: 10.3390/diagnostics12051201.

S. Alqazzaz et al., "Automated Brain Tumor Segmentation Using MobileNetV1 with Attention Mechanism," Sensors, vol. 21, no. 8, p. 2852, 2021, doi: 10.3390/s21082852.

M. D. Tuna dan H. Kristianto, "Klasifikasi Citra Cuaca Menggunakan Convolutional Neural Network Berbasis VGG16," Jurnal Teknologi dan Sistem Komputer, vol. 10, no. 1, pp. 55–61, 2021.

Dewantara, A., Suryanto, B., & Widodo, C. (2024). Penerapan Arsitektur Convolutional Neural Networks (CNN) dalam Klasifikasi Citra Medis. Jurnal Teknologi Informasi dan Komputer, 15(2), 23–34.

Prasetya, M., & Aisyah, R. (2025). Pengembangan Deep Learning untuk Pengenalan Pola pada Citra Digital Menggunakan CNN. Jurnal Ilmu Komputer dan Teknologi, 8(1), 45–56.

Herlambang, D., & Wulandari, T. (2025). Optimasi Arsitektur CNN dalam Sistem Pengenalan Wajah. Jurnal Penelitian AI dan Deep Learning, 10(3), 121–135.

R. Putra, A. Santoso, dan D. Pratama, "Optimasi Model CNN untuk Klasifikasi Citra Dengan Augmentasi Data," Jurnal Informatika Terapan, vol. 5, no. 3, pp. 110–117, 2020.

D. Rizky, T. Maulana, dan F. Hasan, "Penerapan Callbacks EarlyStopping dan ReduceLROnPlateau pada CNN untuk Klasifikasi Citra," Jurnal Ilmu Komputer, vol. 11, no. 1, pp. 44–51, 2022.

M. Ananda, A. Sutanto, dan A. Fauzan, "Klasifikasi Citra Tanaman Tropis Menggunakan MobileNetV2 dan Augmentasi Data," Jurnal Informatika Terapan, vol. 5, no. 3, pp. 110–117, 2023

R. Hidayat dan D. Utami, "Pengaruh Distribusi Dataset Terhadap Akurasi Model Deep Learning untuk Klasifikasi Visual," Jurnal Sains Data dan Teknologi Informasi, vol. 7, no. 1, pp. 22–28, 2023.

Yanto, S. Rachmawati, dan T. Wibowo, "Penerapan CNN pada Klasifikasi Citra Dua Dimensi," Jurnal Teknologi Informasi, vol. 11, no. 1, pp. 33–40, 2021.

A. Hastomo dan Sudjiran, "Klasifikasi Citra Berbasis CNN untuk Deteksi Visual," Jurnal Teknologi dan Sistem Komputer, vol. 9, no. 2, pp. 77–83, 2021.

Yanto et al., "Pengembangan Deep Learning untuk Identifikasi Visual," Jurnal Teknologi dan Komputer, vol. 13, no. 1, pp. 55–62, 2023.

B. Sasongko, R. Irwansyah, dan A. Nugraha, "Pra-pemrosesan Citra Menggunakan Rescaling untuk Klasifikasi CNN," Jurnal Informatika dan Sistem Informasi, vol. 9, no. 1, pp. 12–19, 2023.

Husen, "Pengaruh Pra-pemrosesan Citra terhadap Akurasi Model CNN," Jurnal Teknologi dan Sistem Komputer, vol. 10, no. 2, pp. 64–70, 2024.

S. Rohmah, D. Saputra, dan I. Hidayati, "Implementasi Data Augmentation untuk Peningkatan Akurasi Deep Learning," Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 6, no. 2, pp. 105–112, 2023.

Hermanto dan Saputra, "Distribusi Data dan Akurasi Deep Learning," Jurnal Teknologi Komputer, vol. 5, no. 2, pp. 65–71, 2023.

D. P. Kingma dan J. Ba, "Adam: A Method for Stochastic Optimization," arXiv preprint arXiv:1412.6980, 2015.