e-ISSN : 2597-3673 (Onlin.
, p-ISSN : 2579-5201 (Printe.
Vol.
9 No.
1 (June 2.
Journal of Information System.
Informatics and Computing Website/URL: http://journal.
id/index.
php/jisicom Email: jisicom@stmikjayakarta.
id , jisicom2017@gmail.
KLASIFIKASI CITRA TUMOR OTAK MENGGUNAKAN
TEKNIK TRANSFER LEARNING PADA ARSITEKTUR
RESNET-50
Yusrina Ilmi Salsabila1.
Hery Mustofa2.
Masy Ari Ulinuha3 Program Studi Teknologi Informasi Fakultas Sains dan Teknologi Universitas Islam Negeri Walisongo Semarang ilmisalsa04@gmail.
com1, herymustofa@walisongo.
ulinuha@walisongo.
Received: May 3, 2025.
Revised: May 29, 2025.
Accepted: May 30.
Issue Period: Vol.
9 No.
Pp.
Abstrak: Penelitian ini bertujuan untuk mengimplementasikan dan mengevaluasi performa model deep learning Convolutional Neural Network (CNN) berbasis arsitektur ResNet-50 dalam klasifikasi citra Magnetic Resonance Imaging (MRI) tiga jenis tumor otak: glioma, meningioma, dan pituitary.
Pendekatan transfer learning digunakan dengan dua skenario fine-tuning, yaitu pembekuan 30 layer pertama dan pembekuan 15 layer pertama.
Dataset terdiri dari 3.
064 citra MRI yang dibagi ke dalam data latih dan uji dengan rasio 80:20.
Citra diproses melalui tahapan resizing, normalisasi, dan augmentasi untuk meningkatkan variasi data.
Model dievaluasi menggunakan metrik akurasi, precision, recall.
F1-score, confusion matrix, dan ROCAUC.
Hasil menunjukkan bahwa model dengan freeze 15 layer memberikan akurasi lebih tinggi sebesar 91,86% dibandingkan freeze 30 layer sebesar 90,88%.
Namun, model dengan freeze 30 layer menunjukkan kestabilan dan generalisasi yang lebih baik terhadap data uji, terutama dalam mendeteksi meningioma.
Temuan ini menunjukkan bahwa ResNet-50 efektif dalam klasifikasi tumor otak berbasis MRI, dan fine-tuning yang tepat berpengaruh terhadap performa akhir model.
Kata kunci: tumor otak.
MRI.
CNN.
ResNet-50, transfer learning, klasifikasi citra Abstract: This study aims to implement and evaluate the performance of a deep learning Convolutional Neural Network (CNN) model based on the ResNet-50 architecture for classifying Magnetic Resonance Imaging (MRI) brain tumor images into three types: glioma, meningioma, and pituitary.
A transfer learning approach was applied using two fine-tuning scenarios: freezing the first 30 layers and freezing the first 15 layers.
The dataset consisted of 3,064 MRI images, split into training and testing data at an 80:20 ratio.
Images were processed through resizing, normalization, and augmentation to enhance data diversity.
The model was evaluated using accuracy, precision, recall.
F1-score, confusion matrix, and ROC-AUC Results showed that the 15-layer freeze model achieved a higher accuracy of 86% compared to the 30-layer freeze model at 90.
However, the 30-layer freeze model demonstrated better stability and generalization on the test data.
DOI: 10.
52362/jisicom.
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi 4.
0 Internasional.
e-ISSN : 2597-3673 (Onlin.
, p-ISSN : 2579-5201 (Printe.
Vol.
9 No.
1 (June 2.
Journal of Information System.
Informatics and Computing Website/URL: http://journal.
id/index.
php/jisicom Email: jisicom@stmikjayakarta.
id , jisicom2017@gmail.
particularly in detecting meningioma.
These findings indicate that ResNet-50 is effective for MRI-based brain tumor classification, and proper fine-tuning significantly influences model performance.
Keywords: brain tumor.
MRI.
CNN.
ResNet-50, transfer learning, image PENDAHULUAN Otak manusia merupakan organ paling kompleks dan vital dalam tubuh, yang berperan sebagai pusat kendali dari segala fungsi kehidupan.
Terdiri dari sekitar 86 miliar neuron dan jaringan pendukung, otak bertanggung jawab atas aktivitas biologis seperti pengaturan denyut jantung, pernapasan, dan homeostasis tubuh, serta fungsi kognitif seperti berpikir, mengingat, berbicara, dan merasakan emosi .
Secara struktural, otak dibagi menjadi tiga bagian utama: otak besar .
, otak kecil .
, dan batang otak .
Otak besar mendominasi volume otak dan berperan dalam fungsi eksekutif seperti pengambilan keputusan dan logika.
Otak kecil memainkan peran penting dalam koordinasi dan keseimbangan, sedangkan batang otak menangani fungsi dasar kehidupan seperti detak jantung dan tekanan darah .
Keseimbangan fungsi otak sangat rentan terhadap gangguan, salah satunya akibat kehadiran tumor.
Brain tumor adalah massa jaringan abnormal yang dapat tumbuh di dalam atau di sekitar otak.
Tumor ini bisa bersifat benign atau malignant dan dapat berasal dari jaringan otak itu sendiri maupun dari penyebaran sel kanker dari organ lain.
Tumor otak mengganggu fungsi otak dengan menekan jaringan sekitarnya, menyebabkan pembengkakan, dan meningkatkan tekanan intracranial.
Efeknya bisa menyebabkan kejang, gangguan penglihatan, hilangnya fungsi motorik, dan gangguan perilaku .
Jenis tumor otak yang paling umum meliputi glioma, meningioma, dan pituitary adenoma.
Glioma berasal dari sel glial yang mendukung neuron dan sering kali bersifat ganas.
Meningioma tumbuh dari meninges atau selaput pelindung otak dan sebagian besar bersifat jinak, tetapi karena pertumbuhannya yang lambat dan tekanannya terhadap jaringan otak, meningioma dapat menyebabkan kerusakan neurologis.
Tumor pituitary muncul di kelenjar pituitary dan dapat mengganggu sistem hormonal tubuh secara luas .
Menurut Das et .
, meskipun prevalensi tumor otak tergolong rendah jika dibandingkan dengan jenis kanker lain, tingkat morbidity dan mortality-nya cukup tinggi karena lokasi dan kompleksitas struktur otak yang terdampak.
Deteksi dini terhadap tumor otak menjadi kunci utama untuk meningkatkan peluang pengobatan yang Salah satu metode yang paling umum digunakan dalam deteksi tumor otak adalah pencitraan medis menggunakan teknologi Magnetic Resonance Imaging (MRI).
MRI bekerja dengan menggunakan medan magnet dan gelombang radio untuk menghasilkan gambar detail dari struktur otak tanpa prosedur invasif.
Teknologi ini sangat penting dalam mengidentifikasi ukuran, lokasi, dan jenis tumor .
Namun, interpretasi citra MRI secara manual oleh radiologist membutuhkan ketelitian tinggi, waktu yang tidak singkat, dan rentan terhadap subjektivitas.
Pendekatan berbasis teknologi artificial intelligence (AI) menawarkan solusi yang potensial.
Salah satu cabang AI yang saat ini sangat berkembang adalah deep learning, khususnya melalui model Convolutional Neural Network (CNN).
CNN telah terbukti sangat efektif dalam mengenali pola-pola visual dan melakukan klasifikasi objek pada citra, termasuk dalam citra medis seperti MRI otak .
CNN mampu melakukan feature extraction dari gambar secara otomatis, mulai dari fitur sederhana seperti garis dan tepi hingga fitur kompleks seperti bentuk organ dan lesi.
Salah satu arsitektur CNN yang telah menunjukkan performa tinggi dalam berbagai tugas klasifikasi gambar adalah Residual Network atau ResNet.
ResNet mengatasi permasalahan vanishing gradient dalam pelatihan jaringan dalam melalui penggunaan skip connections atau residual blocks, yang memungkinkan informasi melewati beberapa lapisan tanpa kehilangan kejelasan .
Varian ResNet terdiri dari beberapa konfigurasi, di antaranya ResNet-18.
ResNet-34.
ResNet-50, dan ResNet-101, yang masing-masing memiliki jumlah lapisan ResNet-50 menjadi pilihan populer dalam klasifikasi citra medis karena menawarkan keseimbangan antara kedalaman jaringan dan efisiensi komputasi .
DOI: 10.
52362/jisicom.
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi 4.
0 Internasional.
e-ISSN : 2597-3673 (Onlin.
, p-ISSN : 2579-5201 (Printe.
Vol.
9 No.
1 (June 2.
Journal of Information System.
Informatics and Computing Website/URL: http://journal.
id/index.
php/jisicom Email: jisicom@stmikjayakarta.
id , jisicom2017@gmail.
ResNet-50 telah diterapkan dalam berbagai penelitian klasifikasi medis dengan hasil yang menjanjikan.
Ali et al.
menunjukkan bahwa model pretrained seperti EfficientNet dan ResNet memberikan akurasi tinggi dalam klasifikasi kanker kulit berdasarkan citra dermatoscopy.
Dalam konteks tumor otak, pendekatan yang sama telah diterapkan oleh Ardan & Indraswari.
yang mengembangkan sistem segmentasi dan klasifikasi tingkat keganasan tumor otak menggunakan jaringan 3D berbasis deep learning.
Pelatihan CNN dari awal .
raining from scratc.
membutuhkan sumber daya komputasi besar dan waktu yang lama.
Oleh karena itu, pendekatan transfer learning digunakan secara luas.
Transfer learning memungkinkan penggunaan model yang telah dilatih sebelumnya pada dataset besar seperti ImageNet, untuk kemudian diadaptasi pada domain spesifik seperti klasifikasi tumor otak.
Hal ini menghemat waktu pelatihan dan meningkatkan akurasi karena model sudah memiliki kemampuan dasar dalam mengenali struktur visual umum .
Beberapa penelitian mencatat bahwa klasifikasi tumor otak tidak selalu seimbang antar kelas.
Tumor meningioma, misalnya, sering kali sulit dibedakan dari glioma karena bentuk dan teksturnya yang serupa.
Selain itu, distribusi data dalam dataset MRI juga tidak merata, sehingga menyebabkan model cenderung bias terhadap kelas mayoritas .
Untuk itu, berbagai strategi telah dikembangkan, termasuk data augmentation, data balancing, dan fine-tuning lapisan tertentu dari model pretrained agar lebih sesuai dengan karakteristik citra Dengan mempertimbangkan kompleksitas dan tantangan tersebut, penelitian ini dirancang untuk mengimplementasikan dan mengevaluasi model klasifikasi tumor otak berbasis CNN dengan arsitektur ResNet50 melalui pendekatan transfer learning.
Tujuan utama penelitian ini adalah untuk menguji seberapa efektif model ini dalam mengklasifikasikan tiga jenis tumor otak Ai glioma, meningioma, dan pituitary Ai berdasarkan citra MRI otak.
Dataset yang digunakan dalam penelitian ini terdiri dari ribuan citra MRI yang telah diberi label, dengan resolusi 512x512 pixels.
Proses pelatihan dan pengujian dilakukan dalam lingkungan Jupyter Notebook menggunakan deep learning libraries seperti TensorFlow dan Keras.
Evaluasi dilakukan dengan mengukur metrik-metrik seperti accuracy, precision, recall, dan F1-score, serta menggambarkan ROC Curve dan Area Under Curve (AUC) untuk mengukur performa klasifikasi.
Secara teoritis, penelitian ini diharapkan dapat memperkaya literatur akademik terkait pemanfaatan CNN dan transfer learning dalam klasifikasi citra medis, khususnya MRI otak.
Secara praktis, hasil penelitian ini diharapkan dapat menjadi dasar bagi pengembangan sistem diagnosis berbasis AI yang lebih akurat, efisien, dan dapat diandalkan oleh tenaga medis dalam mendeteksi tumor otak secara lebih cepat dan objektif.
II.
METODE DAN MATERI
1 Jenis dan Pendekatan Penelitian Penelitian ini menggunakan pendekatan kuantitatif dengan metode eksperimen yang bertujuan untuk menguji efektivitas arsitektur Convolutional Neural Network (CNN) berbasis ResNet-50 dalam klasifikasi citra tumor otak.
Model dikembangkan menggunakan pendekatan transfer learning dengan memanfaatkan bobot awal dari pelatihan pada dataset ImageNet, sebagaimana disarankan oleh Sujatmiko et al.
Fokus dari penelitian ini adalah klasifikasi tiga jenis tumor otak, yaitu glioma, meningioma, dan pituitary, secara otomatis dan akurat melalui evaluasi performa model pada data uji yang belum pernah dikenali sebelumnya.
2 Dataset Dataset yang digunakan dalam penelitian ini merupakan data sekunder dari artikel ilmiah terkait yang telah dipublikasikan dalam studi oleh Cheng et al.
Dataset tersebut terdiri dari 3064 citra MRI jenis T1weighted contrast-enhanced dari 233 pasien yang berasal dari dua rumah sakit di China, yakni Nanfang Hospital dan General Hospital Tianjin Medical University.
Resolusi tiap citra adalah 512x512 piksel dengan ukuran piksel 0,49x0,49 mmA dan ketebalan irisan 6 mm.
Citra-citra tersebut telah melalui proses pelabelan manual oleh tiga orang radiolog berpengalaman dan terbagi ke dalam tiga kelas, yaitu glioma .
6 citr.
, meningioma .
, dan pituitary .
DOI: 10.
52362/jisicom.
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi 4.
0 Internasional.
e-ISSN : 2597-3673 (Onlin.
, p-ISSN : 2579-5201 (Printe.
Vol.
9 No.
1 (June 2.
Journal of Information System.
Informatics and Computing Website/URL: http://journal.
id/index.
php/jisicom Email: jisicom@stmikjayakarta.
id , jisicom2017@gmail.
Tabel 1 Detail Kelas Citra Kelas Glioma Meningioma Pituitary Jumlah Keseluruhan Jumlah Data Sebelum digunakan dalam pelatihan model, citra mengalami tahapan pre-processing.
Ukuran citra diseragamkan menjadi 224x224 piksel untuk efisiensi komputasi.
Selanjutnya, augmentasi citra dilakukan untuk meningkatkan keberagaman data dan menghindari overfitting, melalui teknik rescale, rotasi hingga 30 derajat, cropping, serta flipping horizontal dan vertikal.
Teknik augmentasi tersebut sejalan dengan pendekatan yang digunakan oleh Nafisa et al.
Setelah itu, dataset dibagi menjadi data pelatihan dan data pengujian dengan rasio 80:20.
3 Arsitektur Model Model yang digunakan dalam penelitian ini adalah ResNet-50, sebuah arsitektur deep learning berbasis CNN yang memiliki keunggulan dalam menangani masalah vanishing gradient melalui penggunaan blok residual dan skip connection .
Model ResNet-50 terdiri dari beberapa blok konvolusi dalam struktur residual, yang memungkinkan penjumlahan output dari blok dengan input aslinya .
Lapisan akhir dari model dimodifikasi agar sesuai dengan klasifikasi tiga kelas tumor otak menggunakan fungsi aktivasi softmax.
Visualisasi alur metodologi ditampilkan pada Gambar 1.
Gambar 1 Metodologi Penelitian Penelitian ini menggunakan dua skenario fine-tuning untuk mengevaluasi pengaruh jumlah layer yang dibekukan terhadap performa klasifikasi.
Skenario pertama membekukan 30 layer awal ResNet-50, sedangkan skenario kedua membekukan 15 layer awal.
Pendekatan transfer learning ini juga diterapkan pada penelitian serupa oleh Wardhani & Nafiiyah.
4 Tools dan Implementasi Proses implementasi model dilakukan menggunakan bahasa pemrograman Python versi 3.
10 dan platform Jupyter Notebook.
Library yang digunakan antara lain TensorFlow dan Keras untuk membangun serta DOI: 10.
52362/jisicom.
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi 4.
0 Internasional.
e-ISSN : 2597-3673 (Onlin.
, p-ISSN : 2579-5201 (Printe.
Vol.
9 No.
1 (June 2.
Journal of Information System.
Informatics and Computing Website/URL: http://journal.
id/index.
php/jisicom Email: jisicom@stmikjayakarta.
id , jisicom2017@gmail.
melatih model.
NumPy untuk manipulasi data, serta Matplotlib untuk visualisasi.
Model dikompilasi dengan fungsi loss categorical_crossentropy yang sesuai untuk klasifikasi multi-kelas, dan Adam digunakan sebagai optimizer karena kemampuannya dalam mempercepat proses konvergensi.
Akurasi digunakan sebagai metrik utama evaluasi performa, sebagaimana umum digunakan dalam penelitian klasifikasi tumor otak .
5 Evaluasi Model Evaluasi performa model dilakukan untuk mengetahui seberapa baik model dalam mengklasifikasikan jenis tumor otak.
Pengukuran dilakukan menggunakan beberapa metrik: akurasi untuk menunjukkan proporsi prediksi yang benar terhadap total prediksi, precision untuk mengukur ketepatan prediksi kelas positif, recall untuk menilai sensitivitas model dalam menemukan seluruh sampel dari suatu kelas, dan F1-Score sebagai harmonisasi antara precision dan recall.
Selain itu, confusion matrix digunakan untuk menunjukkan sebaran klasifikasi benar dan salah untuk tiap kelas.
Evaluasi juga mencakup penggambaran kurva ROC dan penghitungan nilai AUC untuk menilai performa model secara keseluruhan dalam membedakan kelas, sebagaimana dijelaskan oleh Grandini et al.
Hasil dari evaluasi ini digunakan untuk membandingkan performa antara dua skenario fine-tuning yang telah dilakukan.
PEMBAHASAN DAN HASIL
1 Hasil Klasifikasi dan Evaluasi Model Proses klasifikasi diawali dengan tahapan pre-processing data yang terdiri atas resizing, normalisasi, dan augmentasi citra.
Seluruh citra diubah ukurannya menjadi 224y224 piksel agar sesuai dengan arsitektur input dari ResNet-50, dan dinormalisasi dengan membagi nilai piksel dengan 255 sehingga berada dalam rentang .
Augmentasi dilakukan secara acak per batch dengan menerapkan rotasi (-20A hingga 20A), flipping horizontal dan vertikal, zoom .
%-120%), serta brightness adjustment untuk memperkaya keberagaman data dan mengurangi risiko overfitting, khususnya pada kelas yang jumlahnya tidak seimbang seperti meningioma.
Gambar 2 Hasil Resizing Citra DOI: 10.
52362/jisicom.
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi 4.
0 Internasional.
e-ISSN : 2597-3673 (Onlin.
, p-ISSN : 2579-5201 (Printe.
Vol.
9 No.
1 (June 2.
Journal of Information System.
Informatics and Computing Website/URL: http://journal.
id/index.
php/jisicom Email: jisicom@stmikjayakarta.
id , jisicom2017@gmail.
Gambar 3 Hasil Augmentasi Citra Dataset dibagi menjadi data pelatihan sebesar 80% dan data pengujian sebesar 20% dengan teknik random shuffle untuk memastikan distribusi kelas yang seimbang.
Rincian jumlah data pelatihan dan pengujian ditampilkan pada Tabel 2.
Tabel 2 Jumlah Splitting Data Kelas Glioma Meningioma Pituitary Total Training Testing Total 2 Analisis Performa Model Model ResNet-50 yang digunakan merupakan arsitektur CNN yang telah dipra-latih pada dataset ImageNet dan diadaptasi menggunakan pendekatan transfer learning.
Penelitian ini mengimplementasikan dua skenario fine-tuning, yaitu: .
freeze 30 layer pertama, dan .
freeze 15 layer pertama.
Kedua pendekatan bertujuan mengevaluasi pengaruh jumlah layer yang dibekukan terhadap performa klasifikasi .
Pada skenario pertama .
reeze 30 laye.
, hanya beberapa layer akhir dari model yang dilatih ulang.
Sedangkan pada skenario kedua .
reeze 15 laye.
, lebih banyak layer yang dioptimalkan ulang, sehingga memberikan model fleksibilitas yang lebih besar dalam menyesuaikan bobot terhadap fitur spesifik citra MRI tumor otak.
Gambar 4 Training dan Loss Freeze 30 Layer DOI: 10.
52362/jisicom.
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi 4.
0 Internasional.
e-ISSN : 2597-3673 (Onlin.
, p-ISSN : 2579-5201 (Printe.
Vol.
9 No.
1 (June 2.
Journal of Information System.
Informatics and Computing Website/URL: http://journal.
id/index.
php/jisicom Email: jisicom@stmikjayakarta.
id , jisicom2017@gmail.
Gambar 5 Training dan Loss Freeze 15 Layer Pada skenario freeze 30 layer, model memperoleh akurasi pelatihan sebesar 95,50% dan akurasi validasi 90,18%.
Nilai loss validasi sebesar 0,2543 menunjukkan bahwa model memiliki kemampuan generalisasi yang Skenario freeze 15 layer menghasilkan akurasi pelatihan sebesar 95,64% dan akurasi validasi 88,55% dengan nilai loss sebesar 0,3204.
Meskipun akurasi pelatihan lebih tinggi, fluktuasi pada loss validasi menandakan potensi overfitting.
3 Evaluasi Testing dan Metrik Klasifikasi Evaluasi terhadap data testing menunjukkan bahwa pada skenario freeze 30 layer, model menghasilkan precision sebesar 88% untuk glioma, 98% untuk meningioma, dan 92% untuk pituitary.
Recall tertinggi dicapai oleh kelas glioma sebesar 99%, menandakan tingkat deteksi yang sangat tinggi.
Namun, recall meningioma hanya mencapai 73%, mengindikasikan tantangan dalam membedakan meningioma dari kelas lain.
Gambar 6 Confusion Matrix Freeze 30 Gambar 7 ROC Freeze 30 DOI: 10.
52362/jisicom.
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi 4.
0 Internasional.
e-ISSN : 2597-3673 (Onlin.
, p-ISSN : 2579-5201 (Printe.
Vol.
9 No.
1 (June 2.
Journal of Information System.
Informatics and Computing Website/URL: http://journal.
id/index.
php/jisicom Email: jisicom@stmikjayakarta.
id , jisicom2017@gmail.
Pada skenario freeze 15 layer, nilai precision meningkat sedikit menjadi 89% untuk glioma, 99% untuk meningioma, dan 93% untuk pituitary.
Namun recall meningioma justru menurun menjadi 68%, yang mempengaruhi F1-score keseluruhan .
Hal ini menunjukkan bahwa pelatihan terlalu banyak layer justru dapat memicu overfitting jika tidak diimbangi jumlah data yang cukup.
Gambar 8 Confusion Matrix Freeze 15 Matriks ini memperlihatkan kemampuan model dalam mengklasifikasikan citra MRI otak ke dalam tiga kategori tumor, yakni glioma, meningioma, dan pituitary.
Terlihat bahwa untuk kelas glioma, model berhasil mengklasifikasikan seluruh 286 data uji dengan benar tanpa kesalahan klasifikasi.
Sementara itu, untuk kelas meningioma, dari total 142 citra, sebanyak 96 citra diklasifikasikan dengan benar, namun masih terdapat 32 citra yang salah diklasifikasikan sebagai glioma dan 14 citra sebagai pituitary.
Hal ini menunjukkan bahwa karakteristik visual meningioma masih kerap tumpang tindih dengan dua kelas lainnya, terutama glioma, yang secara tekstur memiliki kesamaan dalam pola bayangan dan intensitas citra.
Temuan ini sejalan dengan hasil penelitian Marita et al.
, yang menunjukkan bahwa identifikasi tumor pada citra otak kerap menghadapi tantangan dalam membedakan lesi berdasarkan gradasi warna dan tepi objek, terutama tanpa dukungan teknik Gambar 9 ROC Freeze 15 Receiver Operating Characteristic (ROC) menunjukkan nilai Area Under Curve (AUC) sebesar 0.
yang mengindikasikan bahwa model memiliki tingkat ketepatan yang sangat tinggi dalam proses klasifikasi.
ROC curve yang mendekati sudut kiri atas dari grafik menandakan bahwa model memiliki true positive rate yang tinggi dan false positive rate yang rendah.
Nilai AUC yang hampir sempurna ini menunjukkan bahwa meskipun masih terdapat tantangan dalam mengenali meningioma, secara umum model telah memiliki discriminative power yang sangat baik.
Hasil ini menguatkan argumen dari Puspitasari et al.
, yang DOI: 10.
52362/jisicom.
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi 4.
0 Internasional.
e-ISSN : 2597-3673 (Onlin.
, p-ISSN : 2579-5201 (Printe.
Vol.
9 No.
1 (June 2.
Journal of Information System.
Informatics and Computing Website/URL: http://journal.
id/index.
php/jisicom Email: jisicom@stmikjayakarta.
id , jisicom2017@gmail.
menyebutkan bahwa AUC tinggi merupakan indikator kuat dari stabilitas performa model deep learning dalam klasifikasi berbasis citra medis, terutama ketika bekerja pada data DICOM atau MRI yang kompleks.
Tabel 3 Matriks Evaluasi Freeze 30 Glioma Meningioma Pituitary Accuracy f1-score Matriks yang dicantumkan meliputi precision, recall, dan f1-score untuk masing-masing kelas tumor.
Nilai precision sebesar 88% untuk glioma menunjukkan bahwa model cukup tepat dalam memprediksi kelas Namun, recall yang tinggi sebesar 99% mengindikasikan bahwa hampir semua data glioma berhasil dikenali oleh model.
Untuk kelas meningioma, precision sangat tinggi yakni 98%, tetapi recall hanya 73%, mencerminkan bahwa meskipun model jarang salah dalam prediksi meningioma, banyak data meningioma yang gagal terdeteksi.
Ketidakseimbangan ini menghasilkan f1-score sebesar 83%, mengindikasikan tantangan dalam mengenali meningioma secara akurat.
Adapun kelas pituitary menunjukkan metrik yang seimbang dengan precision 92%, recall 93%, dan f1-score 92%.
Tabel 4 Matriks Evaluasi Freeze 15 Glioma Meningioma Pituitary Accuracy f1-score Pada skenario pembekuan 15 layer pertama, model menunjukkan performa yang cukup baik dengan akurasi keseluruhan sebesar 95.
Hasil evaluasi per kelas menunjukkan bahwa kelas glioma memiliki precision sebesar 89% dan recall 100%, yang berarti model sangat mampu mengenali seluruh data glioma, meskipun masih terdapat sedikit kesalahan klasifikasi terhadap kelas lain.
Pada kelas meningioma, precision sangat tinggi yaitu 99%, namun recall menurun menjadi 68%, yang mengindikasikan bahwa model hanya berhasil mengenali sebagian data meningioma.
Hal ini menyebabkan f1-score meningioma turun menjadi 80%, dan menunjukkan bahwa model cenderung kesulitan dalam mendeteksi meningioma secara konsisten, meskipun akurasinya tampak tinggi.
Sementara itu, kelas pituitary menunjukkan metrik yang sangat baik dan seimbang, dengan precision 93%, recall 98%, dan f1-score 95%.
Secara umum, model dalam skenario freeze 15 layer mencapai akurasi pelatihan tertinggi sebesar 95,64%, namun mengalami kendala pada recall kelas meningioma yang hanya mencapai 68%, menunjukkan bahwa sebagian data meningioma tidak berhasil dikenali dengan baik.
Sementara itu, skenario freeze 30 layer meskipun memiliki akurasi pelatihan sedikit lebih rendah .
,50%), menunjukkan hasil yang lebih seimbang dan stabil, terutama dalam hal generalisasi terhadap data validasi.
Performa ini juga didukung oleh penggunaan arsitektur CNN pretrained, yang secara teori mampu menangkap fitur visual dalam skala mikro dari struktur citra MRI.
Menurut Mutiara dan Azizah .
, penggunaan metode pretrained seperti CNN atau HOG-SVM dalam klasifikasi tumor sangat membantu dalam mengenali fitur visual yang kompleks dari citra medis, sehingga dapat meningkatkan performa model dalam deteksi dini tumor otak secara otomatis dan efisien.
4 Visualisasi Hasil DOI: 10.
52362/jisicom.
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi 4.
0 Internasional.
e-ISSN : 2597-3673 (Onlin.
, p-ISSN : 2579-5201 (Printe.
Vol.
9 No.
1 (June 2.
Journal of Information System.
Informatics and Computing Website/URL: http://journal.
id/index.
php/jisicom Email: jisicom@stmikjayakarta.
id , jisicom2017@gmail.
Visualisasi grafik akurasi dan loss dari proses pelatihan memperlihatkan tren konvergensi yang stabil.
Confusion matrix menunjukkan distribusi prediksi model pada masing-masing kelas, dengan klasifikasi yang sangat akurat untuk glioma dan pituitary.
ROC Curve dari kedua skenario menunjukkan AUC sebesar 0.
98 yang mengindikasikan performa klasifikasi yang sangat baik dalam membedakan antar kelas tumor.
Hasil ini juga diperkuat oleh penelitian Deshpande et al.
yang menyatakan bahwa nilai AUC di atas 0.
9 menandakan model memiliki kemampuan klasifikasi yang sangat tinggi untuk data medis kompleks.
5 Tantangan dan Solusi Teknis Salah satu tantangan utama dalam proses pelatihan adalah fluktuasi pada nilai loss validasi yang mengindikasikan potensi overfitting.
Hal ini terjadi terutama pada skenario freeze 15 layer.
Untuk mengatasi permasalahan tersebut, digunakan teknik callback ReduceLROnPlateau, yang secara otomatis menurunkan learning rate ketika performa validasi stagnan.
Di samping itu, ketidakseimbangan jumlah sampel per kelas menyebabkan model cenderung bias terhadap kelas mayoritas .
Untuk itu, dilakukan augmentasi data secara agresif terhadap kelas minoritas, serta disarankan penggunaan pendekatan tambahan seperti class weighting atau oversampling di masa Hal ini sejalan dengan saran dari Armansyah.
, yang menyatakan bahwa keberhasilan klasifikasi citra medis sangat bergantung pada representasi data yang merata dan pengaturan parameter pelatihan yang Secara keseluruhan, pendekatan fine-tuning dengan freeze 30 layer memberikan hasil yang lebih stabil dan seimbang, sedangkan freeze 15 layer berpotensi lebih akurat jika data lebih besar tersedia.
Penelitian ini memberikan kontribusi penting dalam mengevaluasi strategi transfer learning pada klasifikasi citra MRI tumor otak dan memberikan dasar untuk eksplorasi metode segmentasi tambahan di masa depan.
Temuan ini selaras dengan penelitian sebelumnya oleh Miranda et al.
yang mengimplementasikan ResNet-50 dalam klasifikasi berbasis citra, serta Fakhri et al.
yang menunjukkan bahwa pengaruh jumlah layer yang dilatih ulang dapat berdampak signifikan terhadap performa akhir model klasifikasi tumor otak.
IV.
KESIMPULAN
Penelitian ini dilaksanakan untuk mengevaluasi performa model deep learning ResNet50 dalam mengklasifikasikan citra MRI otak yang mengandung tumor.
Tujuan utama dari penelitian ini adalah agar model mampu membedakan tiga tipe tumor otak, yaitu glioma, meningioma, dan pituitary.
Untuk mencapai tujuan tersebut, digunakan dua pendekatan pelatihan berbeda, yakni dengan membekukan 30 layer awal dan 15 layer awal dari arsitektur model.
Istilah AupembekuanAy dalam hal ini berarti beberapa bagian dari jaringan tidak dilatih ulang, agar pengetahuan dasar dari pelatihan sebelumnya tetap dipertahankan.
Kedua skenario menunjukkan performa yang baik.
Model dengan pembekuan 15 layer mencatat akurasi pelatihan tertinggi sebesar 95,64% dan menghasilkan precision serta f1-score yang tinggi pada kelas glioma dan Namun, recall kelas meningioma masih rendah, yaitu hanya 68%, yang menunjukkan tantangan dalam mendeteksi kelas tersebut secara konsisten.
Di sisi lain, model dengan pembekuan 30 layer menunjukkan performa yang lebih stabil dan seimbang, serta akurasi validasi yang lebih tinggi.
Hal ini menunjukkan bahwa stabilitas model juga sangat dipengaruhi oleh jumlah layer yang dibekukan.
Secara keseluruhan, penerapan transfer learning dengan ResNet50 terbukti efektif dan berpotensi besar untuk diterapkan dalam sistem diagnosis berbasis AI di bidang medis.
REFERENASI
Martin and D.
Udjulawa.
AuKlasifikasi Kanker Kulit Pada Citra Dermatoskopi Menggunakan CNN,Ay Jurnal Algoritme, vol.
5, no.
1, pp.
35Ae46, 2024, doi: 10.
35957/algoritme.
Nabila and A.
Salam.
AuClassification of Brain Tumors by Using a Hybrid CNN-SVM Model,Ay Journal of Applied Informatics and Computing, vol.
8, pp.
241Ae247.
Aug.
2024, doi: 10.
30871/jaic.
Theivendren.
Pichaivel.
Gopal, and G.
Anbumani.
AuAn Overview of Brain Tumor,Ay in Brain Tumors.
Agrawal.
Ed.
Rijeka: IntechOpen, 2022.
doi: 10.
5772/intechopen.
DOI: 10.
52362/jisicom.
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi 4.
0 Internasional.
e-ISSN : 2597-3673 (Onlin.
, p-ISSN : 2579-5201 (Printe.
Vol.
9 No.
1 (June 2.
Journal of Information System.
Informatics and Computing Website/URL: http://journal.
id/index.
php/jisicom Email: jisicom@stmikjayakarta.
id , jisicom2017@gmail.
Essianda.
Indrasari.
Widyastuti.
Syahla, and R.
Rohadi.
AuBrain Tumor : Molecular Biology.
Pathophysiology, and Clinical Symptoms,Ay Jurnal Biologi Tropis, vol.
23, no.
4, pp.
260Ae269.
Sep.
2023, doi:
29303/jbt.
Aranya.
Das.
Aranya, and N.
Labiba.
Brain Tumor Classification Using Convolutional Neural Network.
doi: 10.
1109/ICASERT.
Febrianti.
Sardjono, and A.
Babgei.
AuKlasifikasi Tumor Otak pada Citra Magnetic Resonance Image dengan Menggunakan Metode Support Vector Machine,Ay Jurnal Teknik ITS, vol.
9, no.
1, 2020, doi:
12962/j23373539.
Jatmiko.
AuEfek Pemakaian Kontras untuk Optimalisasi Citra pada Pemeriksaan Diagnostik Magnetic Resonance Imaging (MRI),Ay Jurnal Biosains Pascasarjana, vol.
23, no.
1, pp.
28Ae39, 2021, doi:
20473/jbp.
Benvenuto Gianzurriell et al.
AuANALISIS GAMBAR MRI OTAK UNTUK MENDETEKSI TUMOR OTAK MENGGUNAKAN ALGORITMA CNN,Ay Journal of Informatics and Advanced Computing (JIAC), 4, no.
2, 2023.
Martomanggolo.
AuPerbandingan Convolutional Neural Network pada Transfer Learning Method untuk Mengklasifikasikan Sel Darah Putih,Ay Ultimatics : Jurnal Teknik Informatika, vol.
13, no.
1, p.
51, 2021.
Alberto and D.
Hermanto.
AuKlasifikasi Jenis Burung Menggunakan Metode CNN Dan Arsitektur ResNet-50,Ay JATISI (Jurnal Teknik Informatika dan Sistem Informas.
, vol.
10, pp.
34Ae46.
Sep.
Ali.
Shaikh.
Khan, and A.
Laghari.
AuMulticlass skin cancer classification using EfficientNets Ae a first step towards preventing skin cancer,Ay Neuroscience Informatics, vol.
2, no.
4, p.
100034, 2022, doi:
https://doi.
org/10.
1016/j.
Ardan and R.
Indraswari.
AuSistem Berbasis Deep Learning untuk Segmentasi dan Klasifikasi Tingkat Keganasan Tumor Otak Menggunakan Citra MRI 3D,Ay ILKOMNIKA: Journal of Computer Science and Applied Informatics, vol.
6, no.
2, pp.
1Ae10.
Aug.
2024, doi: 10.
28926/ilkomnika.
Wahid.
Lawi.
Muh, and A.
Siddik.
AuPerbandingan Kinerja Model Ensembled Transfer Learning Pada Klasifikasi Penyakit Daun Tomat,Ay Prosiding Seminar Nasional Teknik Elektro dan Informatika (SNTEI) 2022, 2022.
Laksono.
Harliana, and T.
Prabowo.
AuDeteksi Tumor Otak Melalui Penerapan GLCM dan Nayve Bayes Classification,Ay Jurnal Ilmiah Intech : Information Technology Journal of UMUS, vol.
5, no.
1, pp.
41Ae48.
May 2023, doi: 10.
46772/intech.
Sujatmiko.
Yudaningtyas, and P.
Raharjo.
AuCONVOLUTION NEURAL NETWORK DENGAN DESAIN JARINGAN RESNET SEBAGAI METODE KLASIFIKASI TUMOR KULIT,Ay Jurnal Simantec, vol.
11, pp.
53Ae64.
Dec.
2022, doi: 10.
21107/simantec.
Cheng et al.
AuEnhanced performance of brain tumor classification via tumor region augmentation and partition,Ay PLoS One, vol.
10, no.
10, p.
e0140381, 2015.
Nada Nafisa.
Nia Devina Br Purba.
Aulia Alfarisi Harahap.
Adawiyah Putri.
Komputer, and F.
Matematika dan Ilmu Pengetahuan Alam.
AuImplementasi Algoritma Convolutional Neural Network Arsitektur Model MobileNetV2 dalam Klasifikasi Penyakit Tumor Otak Glioma.
Pituitary dan Meningioma,Ay Jurnal Teknologi Informasi.
Komputer dan Aplikasinya (JTIKA), vol.
5, no.
1, pp.
53Ae61, 2021, [Onlin.
Available:
http://jtika.
id/index.
php/JTIKA/ Ridhovan and A.
Suharso.
AuPENERAPAN METODE RESIDUAL NETWORK (RESNET) DALAM KLASIFIKASI PENYAKIT PADA DAUN GANDUM,Ay JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatik.
, vol.
7, no.
1, pp.
58Ae65, 2022.
Iskandar Mulyana.
Ainur Rofik, and M.
Ohan Zoharuddin Zakaria.
AuKlasifikasi Kendaraan pada Jalan Raya menggunakan Algoritma Convolutional Neural Network ( CNN ),Ay Jurnal Pendidikan Tambusai, vol.
1, pp.
1668Ae1679, 2022.
Wardhani and N.
NafiAoiyah.
AuIdentifikasi Tumor Otak Citra MRI dengan Convolutional Neural Network,Ay Jurnal Informatika Jurnal Pengembangan IT, vol.
8, pp.
213Ae219.
Sep.
Amalia.
Magdalena, and S.
Saidah.
AuKlasifikasi Penyakit Tumor Otak Pada Citra Mri Menggunakan Metode CNN,Ay 2022.
[Onlin.
Available: w.
DOI: 10.
52362/jisicom.
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi 4.
0 Internasional.
e-ISSN : 2597-3673 (Onlin.
, p-ISSN : 2579-5201 (Printe.
Vol.
9 No.
1 (June 2.
Journal of Information System.
Informatics and Computing Website/URL: http://journal.
id/index.
php/jisicom Email: jisicom@stmikjayakarta.
id , jisicom2017@gmail.
Grandini.
Bagli, and G.
Visani.
Metrics for Multi-Class Classification: an Overview.
48550/arXiv.
Raup.
Ridwan.
Khoeriyah.
Supiana, and Q.
Zaqiah.
AuDeep Learning dan Penerapannya dalam Pembelajaran,Ay JIIP - Jurnal Ilmiah Ilmu Pendidikan, vol.
5, pp.
3258Ae3267.
Sep.
2022, doi:
54371/jiip.
Ramadhan.
Ananta.
Zakkyfriza.
H, and Y.
Fauzan.
AuPerbandingan Jumlah Layer Pada Convolutional Neural Network Untuk Meningkatkan Akurasi Dalam Klasifikasi Gambar,Ay Merkurius : Jurnal Riset Sistem Informasi dan Teknik Informatika, vol.
2, pp.
211Ae217.
Jul.
2024, doi: 10.
61132/merkurius.
Marita and I.
Sanubary.
AuIdentifikasi Tumor Otak Menggunakan Jaringan Syaraf Tiruan Propagasi Balik pada Citra CT-Scan Otak,Ay vol.
V, no.
3, pp.
117Ae121, 2014.
Puspitasari.
Nugroho, and K.
Hadiono.
AuUsability of Brain Tumor Detection Using the DNN (Deep Neural Networ.
Method Based on Medical Image on DICOM,Ay CESS (Journal of Computer Engineering.
System and Scienc.
, vol.
8, p.
Jul.
2023, doi: 10.
24114/cess.
Adilah and Q.
Azizah.
AuKlasifikasi Tumor Otak Menggunakan Ekstraksi Fitur HOG dan Support Vector Machine,Ay 2022.
[Onlin.
Available: http://ejournal.
id/ejurnal/index.
php/infortech45 Deshpande.
Estrela, and P.
Patavardhan.
AuThe DCT-CNN-ResNet50 architecture to classify brain tumors with super-resolution, convolutional neural network, and the ResNet50,Ay Neuroscience Informatics, vol.
1, p.
Oct.
2021, doi: 10.
1016/j.
Armansyah.
AuAplikasi Pengolahan Citra Mri Untuk Deteksi Area Kanker Otak Dengan Menggunakan Metode Robinson,Ay 2022.
Miranda.
Novamizanti, and S.
Rizal.
AuCONVOLUTIONAL NEURAL NETWORK PADA KLASIFIKASI SIDIK JARI MENGGUNAKAN RESNET-50,Ay Jurnal Teknik Informatika (Juti.
, vol.
1, no.
61Ae68.
Dec.
2020, doi: 10.
20884/1.
Fakhri.
Setiawardhana.
Syarif, and R.
Sigit.
AuKlasifikasi Tumor Otak Menggunakan Convolutional Neural Network,Ay INOVTEK Polbeng - Seri Informatika, vol.
Jun.
2024, doi: 10.
35314/isi.
DOI: 10.
52362/jisicom.
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi 4.
0 Internasional.