Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol.
No.
Februari 2025, hlm.
Akreditasi KEMENRISTEKDIKTI.
No.
36/E/KPT/2019
DOI: 10.
25126/jtiik.
p-ISSN: 2355-7699
e-ISSN: 2528-6579
KOMPARASI MOBILENETV2 DENGAN KUSTOMISASI TRANSFER LEARNING
DAN HYPERPARAMETER UNTUK IDENTIFIKASI TUMOR OTAK
Muhammad Gabriel Somoal1.
Akhmad Rizal Dzikrillah*2 Universitas Muhammadiyah Prof.
DR.
HAMKA.
DKI Jakarta Email: 1gabrielsomoal@gmail.
com, 2ahmad.
rizal@uhamka.
Penulis Korespondensi (Naskah masuk: 16 Desember 2024, diterima untuk diterbitkan: 11 Februari 2.
Abstrak Tumor otak disebabkan dengan pertumbuhan sel otak yang abnormal pada jaringan otak yang menyebabkan kematian bagi pria dan wanita.
Identifikasi tumor otak umumnya dilakukan dengan metode biopsi oleh dokter selama 10 hingga 15 hari.
Namun, pendekatan modern diperlukan untuk menekan waktu dalam identifikasi tumor otak dengan teknologi deep learning.
Dalam penelitian ini, menggunakan 4 kategori tumor otak yaitu glioma, meningioma, notumor, dan pituitary dengan akumulasi citra data sebanyak 20.
000 data dan pembagian data meliputi 75% untuk train data, 15% untuk validation data, dan 10% untuk testing data.
Penelitian ini bertujuan untuk membandingkan performa dari Adam dan Stochastic Gradient Descent Optimizer, dan model arsitektur transfer learning MobileNetV2 dan MobileNetV2 dalam identifikasi tumor otak.
Penelitian ini menggunakan metode komparatif dengan metode evaluasi menggunakan confusion matrix.
Comparative analysis dilakukan dengan membandingkan 4 skenario meliputi skenario 1 yaitu menggunakan Adam optimizer dan transfer learning, skenario 2 yaitu menggunakan SGD optimizer dan transfer learning, skenario 3 yaitu menggunakan Adam optimizer dan tanpa transfer learning, serta skenario 4 yaitu menggunakan SGD optimizer dan tanpa transfer Hasil penelitian menunjukkan bahwa skenario 1 dengan penggunaan Adam optimizer dan model transfer learning MobileNetV2 memperoleh accuracy sebesar 98%, precision sebesar 98%, recall sebesar 97,75%, dan f1score sebesar 97,75% yang merupakan hasil model terbaik.
Temuan ini mengindikasikan bahwa peran transfer learning sangat berpengaruh baik pada performa model dan diharapkan dapat memberikan wawasan lebih mendalam terkait model arsitektur yang paling akurat untuk identifikasi tumor otak serta menawarkan fondasi untuk pengembangan aplikasi berbasis Magnetic Resonance Imaging dalam citra medis.
Kata kunci: Transfer Learning MobileNetV2.
Adam Optimizer.
SGD Optimizer.
Tumor Otak.
Magnetic Resonance Imaging COMPARISON OF MOBILENETV2 WITH CUSTOMISED TRANSFER LEARNING
AND HYPERPARAMETER FOR BRAIN TUMOUR IDENTIFICATION
Abstract Brain tumors are caused by the abnormal growth of brain cells in brain tissue, leading to death for both men and Typically, brain tumor identification is performed through a biopsy by doctors, taking 10 to 15 days.
However, a modern approach is needed to reduce the time for brain tumor identification using deep learning This study uses four categories of brain tumors: glioma, meningioma, no tumor, and pituitary tumor, with a dataset of 20,000 images.
The data is divided into 75% for training, 15% for validation, and 10% for testing.
The purpose of this study is to compare the performance of the Adam and Stochastic Gradient Descent (SGD) optimizers, as well as the MobileNetV2 and MobileNetV2 transfer learning architecture models in brain tumor A comparative method is used, with evaluation through a confusion matrix.
The analysis compares four scenarios: Scenario 1 using the Adam optimizer and transfer learning.
Scenario 2 using the SGD optimizer and transfer learning.
Scenario 3 using the Adam optimizer with no transfer learning, and Scenario 4 using the SGD optimizer with no transfer learning.
The results show that Scenario 1, using the Adam optimizer and MobileNetV2 transfer learning, achieved the highest performance with 98% accuracy, 98% precision, 97.
recall, and 97.
75% F1-score.
This finding highlights the significant impact of transfer learning on model performance, providing valuable insights into the most accurate architecture for brain tumor identification, and offers a foundation for developing Magnetic Resonance Imaging-based medical image applications.
Keywords: Transfer Learning MobileNetV2.
Adam Optimizer.
SGD Optimizer.
Brain Tumour.
Magnetic Resonance Imaging 230 Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK).
Vol.
No.
Februari 2025, hlm.
PENDAHULUAN
Tumor otak menempati urutan ke-10 dalam kategori penyakit yang dapat menyebabkan kematian bagi pria dan wanita (DEEKSHA et al.
, 2.
serta anak-anak dan orang dewasa (HAO et al.
, 2.
Tumor otak disebabkan dengan adanya pertumbuhan sel otak yang abnormal pada jaringan otak secara (ANDRE.
WAHYU PURBANINGTYAS, 2.
dan mengganggu fungsi sistem saraf pusat (ESSIANDA et al.
, 2.
Beberapa jenis tumor otak antara lain glioma, meningioma, notumor, dan pituitary.
Namun, jika dilihat pada citra nya hampir mirip (AULIA ALFARISI HARAHAP et al.
, 2.
Metode yang biasa dilakukan oleh dokter dalam identifikasi jenis tumor otak adalah dengan pengamatan langsung atau biopsi (SUTA.
HARTATI and DIVAYANA, 2.
Namun, proses ini memerlukan waktu yang cukup lama dengan interval 10 hingga 15 hari (PASSA.
NURMAINI and RINI, 2.
Oleh karena itu, diperlukan solusi untuk berupa identifikasi secara efisien dan efektif dengan menggunakan teknologi deep learning yang dapat membantu dokter dalam klasifikasi dan diagnosa jenis tumor otak (AULIA ALFARISI HARAHAP et al.
, 2.
, (SEPTIPALAN
et al.
, 2.
Salah satu metode yang populer dalam teknologi deep learning adalah convolutional neural network (AULIA ALFARISI HARAHAP et al.
, 2.
yang bekerja secara hierarki (FAUZI JESSAR.
TOTO WIBOWO and RACHMAWATI, 2.
dengan teknik pembelajaran yang membutuhkan sejumlah data besar dengan anotasi berkualitas tinggi (HAO et , 2.
melalui pengembangan dengan multilayer perceptron (YANTO et al.
, 2021.
yakni jaringanjaringan yang sepenuhnya saling terhubung (NURLIANI et al.
, 2.
dengan pengolahan data dalam bentuk dua dimensi (YANTO et al.
, 2.
misalnya suara dan gambar (YANTO et al.
, 2021.
melalui penerimaan input berupa citra (RAHMAN SYAAoBANI.
HAMZAH and SUSANTI, 2.
dalam bentuk feature learning dan classification (YANTO and HERAWAN HAYADI, 2.
dan dilakukan pemrosesan hingga menjadi data informasi (YANTO et al.
, 2021.
Feature learning berkontribusi dalam melakukan ekstraksi data dari sebuah citra menjadi sebuah features yang merepresentasikan citra berupa angka-angka, atau dapat dikatakan bahwa input berupa citra dan output berupa features (ARSYAD.
WULANNINGRUM and SETIAWAN, 2.
Kemudian, features dihasilkan dari tahap feature learning masih dalam bentuk multidimensional array sehingga input sebelum di proses ke tahap classification diperlukan teknik flatten terlebih dahulu yakni konversi multidimensional array menjadi sebuah vector atau array satu dimensi (TSALSABILA RHAMADIYANTI, 2.
Convolutional difungsikan untuk identifikasi dan klasifikasi citra dengan skala yang besar (AULIA ALFARISI HARAHAP et al.
, 2.
data yang dilabeli dengan memanfaatkan metode supervised learning (YANTO et al.
, 2021.
, (KASIM and SATYA NUGRAHA, 2.
untuk memecahkan masalah linear maupun nonlinear (MUCHTAR et al.
, 2.
Namun, penggunaan algoritma convolutional neural network tidak selama nya bagus, terkadang mendapatkan masalah seperti overfitting dan underfitting.
Teknik yang dapat digunakan untuk mengatasi hal tersebut (TSALSABILA RHAMADIYANTI, 2.
, transfer learning ataupun optimasi hyperparameter.
Transfer learning merupakan prinsip pada neural network yang digunakan untuk membantu pelatihan pada data yang sedikit dan dapat mempercepat proses serta meningkatkan performa pelatihan (MUHAMMAD.
ARIMURTHY and CHAHYATI, 2.
, (WINNARTO.
MAILASARI and PURNAMAWATI, 2.
dengan memanfaatkan arsitektur yang sudah ada (AULIA ALFARISI HARAHAP et al.
, 2.
Transfer learning dapat membantu mengatasi masalah overfitting dan underfitting dengan memanfaatkan representasi mendalam dari data yang sudah dilatih sebelumnya sebagai dasar untuk membangun arsitektur baru (BEIKMOHAMMADI FAEZ, (SETIAWAN, 2.
Pada model arsitektur MobileNetV2 jika dikombinasikan dengan transfer learning, maka ekstraksi fitur telah dilatih oleh ImageNet sebagai ekstraktor fitur (WINNARTO.
MAILASARI and PURNAMAWATI, 2.
Kemudian, convolutional layer 1x1, global average pooling dan dense layer dengan activation function berupa softmax activation function.
Menurut (HANG et al.
parameter yang terdapat pada fully connected layer menyebabkan kecepatan pada pelatihan jaringan menjadi lambat untuk training data dan mengakibatkan mudah terjadinya overfitting.
Oleh karena itu, global average pooling digunakan untuk menghasilkan satu peta fitur pada setiap kelas data
klasifikasi dan langsung diproses ke dalam softmax
(WINNARTO,
MAILASARI and PURNAMAWATI, 2.
Softmax activation function layer dimanfaatkan pada fully connected layer untuk klasifikasi terhadap empat kelas data jenis tumor otak yang meliputi glioma, meningioma, notumor, dan pituitary.
Penelitian yang dilakukan oleh (MUKTI et al.
dengan judul AuAkurasi 12 Layer Convolutional Neural Network (CNN) Untuk Jenis Tumor Otak Dari Hasil Citra MRI Dengan Google Colab Dan dataset KaggleAy menerapkan 12 layer dengan model CNN murni dan menggunakan K-Fold Cross Validation dengan 80% untuk data train dan 20% untuk data test dengan total 5.
712 data citra dari akumulasi 4 data kelas tumor otak dengan akurasi 79%.
Penelitian lainnya yang dilakukan oleh (HUSEN, 2.
dengan judul AuKlasifikasi Citra MRI Tumor Otak Menggunakan Metode Convolutional Neural Somoal & Dzikrillah.
Komparasi MobileNETV2 dengan KustomisasiA 231 NetworkAy menerapkan model CNN serta data augmentasi dalam prosesnya dengan total 726 data citra dari akumulasi 4 data kelas tumor otak dengan data yang tidak seimbang dengan akurasi 93%.
Penelitian lainnya yang dilakukan oleh (FADIYAH ALYA.
WIBOWO and PARADISE, 2.
dengan judul AuCLASSIFICATION OF BATIK MOTIF
USING
TRANSFER
LEARNING
CONVOLUTIONAL NEURAL NETWORK (CNN)Ay menerapkan model VGG-16 dengan transfer learning yang berfokus pada perbandingan penggunaan dengan dan tanpa transfer learning terhadap klasifikasi motif batik dengan akurasi 89%.
Perbedaan penelitian ini dengan penelitian yang dilakukan oleh (MUKTI et al.
, 2.
dan (HUSEN, 2.
terdapat kebaruan pada penggunaan transfer learning dalam proses pembuatan model dan oleh (HUSEN, 2.
terdapat kebaruan pada adam hyperparameter sehingga peran adam optimizer dapat mempercepat konvergensi dan peran transfer learning dapat meningkatkan nilai akurasi dari penelitian sebelumnya.
Perbedaan penelitian ini dengan penelitian yang dilakukan oleh (FADIYAH ALYA.
WIBOWO and PARADISE, 2.
terletak pada kebaruan dalam model arsitektur dengan menggunakan MobileNetV2 sehingga dapat meningkatkan efisiensi komputasi.
Penelitian ini berkontribusi untuk memperkaya kajian terkait deep learning dengan menggunakan transfer learning terhadap model MobileNetV2 yang belum dipakai pada penelitian (MUKTI et al.
, 2.
dan (HUSEN, 2.
serta memperkaya kajian terkait MobileNetV2 yang belum dipakai pada penelitian (MUKTI et al.
, 2.
, (HUSEN, 2.
dan (FADIYAH ALYA.
WIBOWO and PARADISE.
Diharapkan penelitian ini dapat berguna untuk penelitian selanjutnya dengan pemilihan detail model dan hyperparameter yang sesuai untuk klasifikasi citra tumor otak.
Gambar 1.
Metode Penelitian Collect Data Pada penelitian ini, penulis akuisisi data dari jurnal seperti (HASTOMO and SUDJIRAN, 2.
, (HUSEN, 2.
, (MUKTI et al.
, dan (WINNARTO.
MAILASARI and PURNAMAWATI, 2.
dengan sebanyak empat kategori tumor otak yang meliputi glioma dengan jumlah sebesar 1321 data gambar, meningioma dengan jumlah sebesar 1339 data gambar, notumor dengan jumlah sebesar 1595 data gambar, dan pituitary dengan jumlah sebesar 1457 data gambar sehingga total keseluruhan data adalah 5712 data Gambar dari 4 kategori tumor otak, ditunjukkan pada gambar 2 secara berurut dari kiri.
METODE PENELITIAN
Penelitian ini menggunakan metode komparatif seperti yang tervisualisasikan pada gambar 1.
Gambar 2.
Tumor Otak Glioma.
Meningioma.
Notumor, dan Pituitary Study Literature Preprocessing Image Penulis menggunakan salah satu teknik ini bertujuan untuk menelusuri berbagai konsep dan cara kerja (SALAWAZO et al.
, 2.
dalam membangun model deep learning (KASIM and SATYA NUGRAHA, 2.
Dimulai dari collect data, preprocessing, split data, custom hyperparameter, model process, model evaluation, dan comparative analysis merupakan teknik yang penulis adaptasikan dalam penelitian ini untuk menentukan akurasi model terbaik dengan objek identifikasi pada tumor otak.
Preprocessing pada objek gambar merupakan langkah yang sangat penting, langkah ini dapat mengatasi noise image, missing value (WIBOWO and RAHMAWATI, 2.
, dan variasi warna, resolusi, serta skala yang tidak konsisten (LARASATI and SETYAWAN, 2.
sehingga dapat meningkatkan kualitas gambar dan mempercepat model dalam memproses gambar (MIRANDA.
NOVAMIZANTI and RIZAL, 2.
Dalam prosesnya, dataset berupa gambar dilakukan teknik resize yaitu merubah ukuran gambar menjadi 224 x 224 piksel dan menggunakan teknik rescale yaitu membagi nilai piksel dengan 225 sehingga nilai piksel berada antara 0 dan 1 agar tidak terjadinya 232 Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK).
Vol.
No.
Februari 2025, hlm.
inkonsistensi ukuran input gambar (MIRANDA.
NOVAMIZANTI and RIZAL, 2.
, dan penghematan memori serta sumber daya komputasi (NUR CAHYO et al.
, 2.
, (MICHAEL and RUSMAN, 2.
sehingga stabilitas proses pembuatan model tetap terjaga, dan mencegah masalah gradien yang menghilang (SUSANTO and MULYONO, 2.
Selanjutnya, augmentation yaitu teknik yang digunakan untuk mengatasi overfitting dan meningkatkan performa model (HENCYA et al.
, 2.
melalui penambahan salinan dataset guna meningkatkan variasi dataset yang dimanfaatkan untuk train process (AHMAD and CHOUDHURY, 2.
, (ASIF et al.
, 2.
Proses data augmentation meliputi image rotation, image zoom, horizontal flip, dan vertical flip dengan menggunakan library ImagedataGenerator yang disediakan oleh subset framework tensorflow yaitu Berikut adalah gambar dengan jenis tumor otak meningioma yang belum dilakukan preprocessing seperti pada gambar 3 dan telah dilakukan preprocessing seperti pada gambar 4.
Gambar 3.
Before Preprocessing Gambar 4.
After Preprocessing Split Data Distribusi persentase dataset dalam proses mempengaruhi untuk mendapatkan hasil akurasi yang optimal (AULIA ALFARISI HARAHAP et al.
, (RIDHOVAN and SUHARSO, 2.
Dalam prosesnya, pembagian dataset untuk data train, data test, dan data validation sangat dibutuhkan (RODIAH.
SUSETIANINGTIAS and PATRIYA.
Penulis menentukan sebanyak 75% untuk data train, 15% untuk data validation, dan 10% untuk data test dari jumlah gambar sebanyak 20000 data.
Rincian jumlah data dapat dilihat pada tabel 1 berikut.
Jenis Glioma Meningioma Notumor Pituitary Tabel 1.
Rincian Split Data Train Test Val Hyperparameter Penulis menggunakan empat skenario dengan kustomisasi hyperparameter pada penelitian ini, dua diantaranya memanfaatkan stochastic gradient descent .
sebagai optimizer dan dua lainnya memanfaatkan adaptive moment estimation .
sebagai optimizer.
Optimizer bekerja dengan menyesuaikan bobot dan parameter lainnya pada model-model convolutional neural network selama proses training dengan penekanan terhadap nilai loss function sehingga performa model dapat menjadi (SULTONI.
JUNAIDI PUSPANINGRUM, 2.
Stochastic membutuhkan satu data train pada setiap iterasi yang berfungsi untuk memaksimalkan fungsi tujuan atau meminimalkan fungsi biaya dari model dengan mencari nilai bobot optimal sehingga terjadi penghematan memori.
Namun, karena proses stokastik .
yang dilakukan dapat mengakibatkan noise yang timbul pada gradient, hal tersebut merupakan penyebab yang dapat membuat konvergensi menjadi lebih lambat (Wardani et al.
Adaptive moment estimation menggabungkan dua optimizer yaitu stochastic gradient descent dan root mean square propagation (RMSPro.
(SULTONI.
JUNAIDI and PUSPANINGRUM, 2.
yang digunakan untuk memperoleh konvergensi yang cepat dan stabil pada training process (WARDANI et al.
, 2.
secara empiris (PRAMANA, 2.
dengan percepatan dalam mengoptimalkan model dan mengatasi masalah seperti penurunan learning rate yang terlalu signifikan atau fluktuasi ekstrem pada learning rate (WARDANI et al.
, 2.
Sebelum optimizer dapat digunakan, penulis menentukan besaran learning rate yang akan Pada penelitian ini, penulis menggunakan 1e-5 yang merepresentasikan learning rate.
Semakin kecil learning rate yang digunakan, maka dapat membantu untuk mengurangi risiko overshooting dan mencapai nilai konvergensi yang lebih stabil terutama pada loss function yang kompleks (JULIANTO.
SUNYOTO and WIBOWO, 2.
Namun, kecepatan dalam train process membutuhkan waktu lebih lama untuk mencapai konvergensi yang stabil (JULIANTO.
SUNYOTO and WIBOWO, 2.
Pada penelitian ini, penulis mengadaptasikan categorical cross entropy sebagai loss function untuk empat kategori tumor otak, categorical cross entropy merupakan loss function yang dapat digunakan untuk multi kelas (PRILIANTI.
OKTARIYANTO and SETIAWAN, 2.
Dalam empat skenario tersebut, penulis menerapkan batch size sebesar 32 sebagai acuan saat memproses data dalam satu iteration dan epoch sebesar 25 dengan teknik callback bermetode ReduceLROnPlateau menggunakan pendekatan patience sebesar 10.
Hal tersebut dilakukan guna meningkatkan efisiensi Somoal & Dzikrillah.
Komparasi MobileNETV2 dengan KustomisasiA 233 pelatihan, menghindari overfitting dan underfitting dengan memonitor validation loss (BUDIONO and WIRAWAN, 2.
, apabila validation loss tidak mengalami penurunan selama 10 epoch, maka train process akan dihentikan pada metode early stopping dan jika validation loss tidak mengalami penurunan selama 10 epoch, maka nilai learning rate akan dikurangi factor dengan nilai yang ditentukan pada metode ReduceLROnPlateau hingga mencapai epoch yang ditentukan.
Oleh karena itu, kedua metode tersebut membantu model untuk mempertahankan kemampuan generalisasi yang baik dengan menghentikan pelatihan pada waktu yang tepat dan memungkinkan penyesuaian yang lebih halus pada bobotnya saat mendekati konvergensi (PRAMANA, 2.
yang dapat mencegah kehilangan informasi
(RAHMAWATI,
HIDAYAT and MUBAROK, 2.
Model Process Gambar 5.
Model Arsitektur MobileNetV2 Pada penelitian ini, penulis menggunakan empat skenario yaitu dua diantaranya menggunakan metode transfer learning dan dua lainnya tidak.
Algoritma yang digunakan adalah convolutional neural network dengan model arsitektur MobileNetV2.
Pada model arsitektur MobileNetV2, tidak terdapat perubahan dan pembaharuan layer-layer model dan hanya pada model arsitektur transfer learning MobileNetV2 yang membaharui layer pada fully connected layer.
MobileNetV2 menggunakan teknik depthwise separable convolution dengan depthwise convolution dan pointwise convolution sebagai himpunan nya.
Depthwise convolution menggunakan filter konvolusi untuk setiap saluran pada lapisan input dengan menerapkan stride sebanyak 1 hingga 2 yang digunakan secara bergantian, sedangkan pointwise convolution merupakan lapisan kedua yang memanfaatkan convolution 1 x 1 untuk menciptakan fitur baru melalui perhitungan kombinasi linear (HASTOMO and SUDJIRAN, 2.
, (KARNO et , 2.
Hal ini dapat mengoptimalkan pada kecepatan dan efisiensi klasifikasi gambar dengan mempertahankan akurasi yang baik dan ukuran model yang kecil.
Selain itu.
MobileNetV2 mempunyai keunggulan dalam stabilitas model, dan presisi tinggi (JULIANTO.
SUNYOTO and WIBOWO, 2.
berkat desainnya yang dapat mengurangi complexity cost (JANNATA et al.
Gambar 5 menunjukkan model arsitektur MobileNetV2.
Transfer learning memanfaatkan network architecture yang telah ada dengan memodifikasi dan memperbarui parameter-parameter pada network tersebut sehingga network architecture telah mengenali feature berupa bentuk, tekstur dan warna serta tidak diperlukan pembelajaran dari awal (AULIA ALFARISI HARAHAP et al.
, 2.
Tabel 2 menunjukkan custom fully connected layer.
Tabel 2.
Custom Fully Connected Layer Layer Output Shape Global Average Pooling (None, 1.
Dropout Layer (None, 1.
Dense Layer (None, .
Dropout Layer_1 (None, .
Dense Layer_1 (None, .
Global average pooling digunakan untuk mencegah overfitting dengan mengurangi jumlah dimensi spasial secara efisien dan menggunakan jumlah parameter yang lebih rendah yang mendukung stabilitas dalam generalisasi dan menjaga informasi penting (ARYA et al.
, 2.
, (HAFEEZ et al.
, 2.
Hal ini disebabkan dengan menghitung mean dari seluruh nilai pada setiap feature map atau channel sehingga menghasilkan output tensor satu dimensi (RASHEED et al.
, 2.
, (DOMINIC et al.
, 2.
Misalnya, jika pada convolution layer memiliki ukuran 7 x 7 x 1280, global average pooling akan menghitung rata-rata nilai untuk setiap feature map 7 x 7, dan menghasilkan vector dengan panjang 1280.
Dropout layer dengan dropout rate sebesar 0.
atau 40% digunakan untuk mengurangi risiko overfitting dan meningkatkan generalisasi dengan cara pada setiap iteration yang dilakukan, dropout secara random memilih neuron-neuron untuk dinonaktifkan berdasarkan probabilitas yang telah Kemudian, output dari proses tersebut dilakukan normalize agar sesuai dengan skala yang sama seperti output dari layer sebelumnya, sehingga dapat menjaga konsistensi dalam distribusi data saat train model (ZHANG et al.
, 2.
, (ALMASLUKH,
Hal ini sangat membantu dalam menjaga stabilitas dan meningkatkan efektivitas pembelajaran model secara keseluruhan (AMOU et al.
, 2.
(CHANDRASEKARAN et al.
, 2.
Dense layer digunakan untuk menghubungkan semua neuron dari layer sebelumnya yang memungkinkan untuk memanfaatkan semua fitur 234 Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK).
Vol.
No.
Februari 2025, hlm.
yang telah diekstraksi dengan mengkombinasikan dan mengekstraksi fitur-fitur yang relevan dari data input agar model dapat belajar pola yang lebih kompleks melalui activation function yang telah ditentukan, dalam hal ini softmax activation function yang dapat mengatur bobot dan bias pada dense layer sehingga bobot dapat mengatur kekuatan antar neuron dan bias dapat membantu menyesuaikan output neuron (ARYA et al.
, 2.
, (S M et al.
Softmax activation function digunakan dalam fully connected layer yang dikombinasikan pada dense layer sebagai output layer menjadi probabilitas untuk setiap kelas, sehingga mengoptimalkan hasil yang belum terstandarisasi pada setiap kelasnya dan dapat memudahkan dalam klasifikasi (GIANZURRIELL et al.
, 2.
Model Evaluation Dalam melakukan evaluasi model, penulis menggunakan metode confusion matrix sebagai metode untuk mengukur accuracy, precision, recall, dan f1-score dari skenario-skenario yang telah dicanangkan dengan dapat melihat pada persamaan .
cNycE ycNycA) yaycaycaycycycaycayc = .
cNycE yaycE ycNycA yaycA) ycEycyceycaycnycycnycuycu = ycIyceycaycaycoyco = ycNycE cNycE yaycE) ycNycE cNycE yaycA) ycEycyceycaycnycycnycuycu ycu ycIyceycaycaycoyco ya1 ycIycaycuycyce = 2 ycu ycEycyceycaycnycycnycuycu ycIyceycaycaycoyco Tabel 3.
Skenario Penelitian Skenario
Optimizer Adam
SGD
Adam
SGD
Model Architecture Transfer Learning MobileNetV2
Transfer Learning MobileNetV2
MobileNetV2
MobileNetV2
HASIL DAN PEMBAHASAN
Pada penelitian ini bertujuan untuk mencari akurasi model terbaik dan optimal dengan metode confusion matrix pada identifikasi tumor otak menggunakan 4 skenario dengan optimizer dan transfer learning sebagai pembeda dari tiap skenario yang diujikan.
Skenario 1 Dari pengujian yang telah dilakukan pada skenario 1 yaitu dengan menggunakan adam optimizer dan transfer learning, didapatkan persentase accuracy sebesar 98%, precision sebesar 98%, recall sebesar 97.
75%, dan f1-score sebesar Tabel 4 menunjukkan persentase confusion Tabel 4.
Persentase Confusion Matrix Skenario 1 Tumor Otak Precision Recall F1-Score Glioma Meningioma Notumor Pituitary Model klasifikasi ini menunjukkan performa tinggi dalam mendeteksi keempat kategori tumor otak dengan tingkat akurasi yang sangat baik yang dibuktikan oleh prediksi benar yang mendominasi tiap kelas pada confusion matrix.
Gambar 6 menunjukkan confusion matrix skenario 1.
dengan TP merupakan true positive.
TN adalah true negative.
FP merupakan false positive, dan FN adalah false negative (AULIA ALFARISI HARAHAP et al.
, 2.
Comparative Analysis Pada penelitian ini, dilakukan analisis komparasi terkait empat skenario yang berbeda.
Keempat skenario ini dirancang untuk mengevaluasi performa model arsitektur MobileNetV2 dalam konteks identifikasi tumor otak berdasarkan penggunaan transfer learning dan pemilihan optimizer yang berbeda.
Penggunaan transfer learning untuk mengatasi rendahnya akurasi pada penelitian yang dilakukan oleh (AULIA ALFARISI HARAHAP et al.
, 2.
dan penggunaan optimizer diterapkan untuk mengatasi rendahnya akurasi pada penelitian yang dilakukan oleh (MUKTI et al.
, 2.
sehingga penelitian ini dapat menjadi kombinasi dari kedua penelitian tersebut dengan optimal.
Skenario penelitian dapat dilihat pada tabel 3 berikut.
Gambar 6.
Confusion Matrix Skenario 1 Grafik menunjukkan proses pelatihan yang stabil tanpa tanda-tanda overfitting dan underfitting, akurasi pelatihan dan validasi meningkat hampir bersamaan hingga mendekati 100% dan loss pada keduanya menurun mendekati nol di akhir pelatihan.
Somoal & Dzikrillah.
Komparasi MobileNETV2 dengan KustomisasiA 235 Hal ini menunjukkan bahwa model mampu belajar secara optimal, menggeneralisasi dengan baik, dan memiliki performa yang kuat baik pada data pelatihan maupun validasi.
Gambar 7 menunjukkan grafik Gambar 9.
Grafik Skenario 2 Skenario 3 Gambar 7.
Grafik Skenario 1 Skenario 2 Dari pengujian yang telah dilakukan pada skenario 2 yaitu dengan menggunakan SGD optimizer dan transfer learning, didapatkan persentase accuracy sebesar 92%, precision sebesar 91.
recall sebesar 91.
75%, dan f1-score sebesar 91.
Tabel 5 menunjukkan persentase confusion matrix.
Tabel 5.
Persentase Confusion Matrix Skenario 2 Tumor Otak Precision Recall F1-Score Glioma Meningioma Notumor Pituitary Dari pengujian yang telah dilakukan pada skenario 3 yaitu dengan menggunakan adam optimizer dan tanpa transfer learning, didapatkan persentase accuracy sebesar 25%, precision sebesar 25%, recall sebesar 25%, dan f1-score sebesar 10%.
Tabel 6 menunjukkan persentase confusion matrix.
Tabel 6.
Persentase Confusion Matrix Skenario 3 Tumor Otak Precision Recall F1-Score Glioma Meningioma Notumor Pituitary Model ini mengilustrasikan bahwa model tidak dapat belajar dengan baik yang dibuktikan pada prediksi benar bahwa seluruh kelas merupakan kelas Gambar 10 menunjukkan confusion matrix Model ini menunjukkan bahwa model berhasil mengklasifikasikan tiga jenis tumor dengan mean pada kelas pituitary, notumor, dan glioma diatas dari Hasil ini mengindikasikan potensi kuat model dalam mendeteksi jenis tumor secara akurat.
Gambar 8 menunjukkan confusion matrix skenario 2.
Gambar 10.
Confusion Matrix Skenario 3 Gambar 8.
Confusion Matrix Skenario 2 Grafik menunjukkan proses pelatihan optimal tanpa overfitting dan underfitting, dengan akurasi mendekati 92% dan penurunan loss yang konsisten yang mengindikasikan model mampu belajar dan menggeneralisasi pola dengan sangat baik.
Gambar 9 menunjukkan grafik skenario 2.
Grafik menunjukkan model mengalami overfitting karena loss validation meningkat drastis meskipun loss train menurun, dan juga terdapat underfitting pada akurasi validasi yang stagnan di level rendah.
Hal ini mengindikasikan bahwa model terlalu fokus pada train data dan gagal menggeneralisasi pola untuk data baru.
Gambar 11 menunjukkan grafik skenario 3.
236 Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK).
Vol.
No.
Februari 2025, hlm.
Gambar 11.
Grafik Skenario 3 Gambar 13.
Grafik Skenario 4 Skenario 4 Dari pengujian yang telah dilakukan pada skenario 4 yaitu dengan menggunakan SGD optimizer dan tanpa transfer learning, didapatkan persentase accuracy sebesar 45%, precision sebesar 46.
recall sebesar 44.
5%, dan f1-score sebesar 42.
Tabel 7 menunjukkan persentase confusion matrix.
Tabel 7.
Persentase Confusion Matrix Skenario 4 Tumor Otak Precision Recall F1-Score Glioma Meningioma Notumor Pituitary Model ini menunjukkan bahwa dari empat jenis tumor otak, hanya satu jenis tumor otak yang dapat mengklasifikasikan dengan cukup baik yaitu kelas Namun, secara keseluruhan, diperlukan pengembangan untuk meningkatkan akurasi model.
Gambar 12 menunjukkan confusion matrix skenario Analisis komparasi dengan 4 skenario melalui confusion matrix sebagai indikator yang dapat dilihat pada tabel 8.
Tabel 8.
Analisis Komparasi Skenario Accuracy Precision Recall F1-Score Ringkasan penelitian-penelitian sebelumnya dan saat ini dapat dilihat pada tabel 9.
Tabel 9.
Literature Review Model Optimizer Arsitektur (MUKTI et al.
CNN
Adam (HUSEN, 2.
CNN
(FADIYAH
Transfer
ALYA,
Learning WIBOWO and Adam
VGG-16
PARADISE,
Penelitian yang Transfer Adam Learning MobileNetV2 Author Akurasi Setelah penulis meneliti 4 skenario diperoleh skenario 1 yaitu penggunaan adam optimizer dan transfer learning merupakan skenario terbaik diantara 3 skenario lainnya yang di uji dan merupakan hasil akurasi terbaik dari penelitian-penelitian sebelumnya sehingga skenario 1 yaitu penggunaan adam optimizer dan transfer learning dapat dijadikan sebagai pembaharuan serta peningkatan performa model dari penelitian-penelitian sebelumnya.
Gambar 12.
Confusion Matrix Skenario 4 Grafik menunjukkan bahwa model mengalami underfitting pada awal pelatihan, terlihat dari akurasi validasi yang rendah dan stabil hingga epoch ke-15, lalu terjadi peningkatan tajam pada akurasi validasi setelahnya yang menunjukkan pembelajaran model terhadap data validasi.
Namun, peningkatan ini disertai dengan fluktuasi signifikan pada validation loss, mengindikasikan overfitting partial dimana model mulai mempelajari noise pada data sehingga menyebabkan ketidakstabilan dalam generalisasi.
Gambar 13 menunjukkan grafik skenario 4.
KESIMPULAN
Penelitian ini bertujuan untuk membandingkan performa antara adam dan SGD optimizer serta mengevaluasi perbedaan kinerja model arsitektur transfer learning MobileNetV2 dan model tanpa transfer learning dalam mengidentifikasi jenis tumor otak melalui citra MRI.
Dengan menggunakan data 000 citra yang dibagi menjadi 75% untuk data train, 15% untuk data validation, dan 10% untuk data test, penelitian ini memberikan hasil yang signifikan dalam meningkatkan akurasi identifikasi tumor otak.
Somoal & Dzikrillah.
Komparasi MobileNETV2 dengan KustomisasiA 237 Berdasarkan hasil evaluasi pada 4 skenario yang diuji, skenario 1 yang menggunakan adam optimizer dan model transfer learning MobileNetV2 menunjukkan hasil terbaik dengan accuray mencapai 98%, precision 98%, recall 97.
75%, f1-score Temuan ini mengindikasikan bahwa transfer learning memiliki pengaruh yang sangat signifikan dalam meningkatkan performa model, khususnya dengan penggunaan arsitektur MobileNetV2 yang lebih efisien dalam hal komputasi.
Penelitian ini juga menunjukkan bahwa penggunaan adam optimizer dapat mempercepat konvergensi model, serta peran transfer learning dalam mengatasi kekurangan data yang terbatas dan meningkatkan akurasi prediksi.
Dengan demikian, penelitian ini berkontribusi pada pengembangan aplikasi berbasis teknologi deep learning dalam bidang medis, khususnya untuk diagnosa tumor otak menggunakan citra MRI.
Secara keseluruhan, penelitian ini memberikan wawasan yang lebih mendalam tentang penggunaan transfer learning dan teknik optimasi dalam klasifikasi citra medis, serta memperkaya kajian hyperparameter yang tepat untuk identifikasi tumor
Diharapkan, temuan ini dapat menjadi dasar untuk pengembangan sistem diagnosa medis berbasis deep learning yang lebih efisien dan akurat di masa DAFTAR PUSTAKA