Skripsi S1

KLASIFIKASI TUMOR OTAK MRI MENGGUNAKAN CNN DENGAN ARSITEKTUR EFFICIENTNET-B0 SERTA TEKNIK AUGMENTASI DAN CLASS WEIGHT

Tumor otak merupakan salah satu penyakit berbahaya pada sistem saraf pusat yang dapat tumbuh tidak terkendali dan menekan jaringan otak sehat sehingga menimbulkan gejala serius seperti sakit kepala, kejang, dan gangguan penglihatan, kondisi ini dapat berakibat fatal bila tidak terdeteksi dini, oleh karena itu klasifikasi augmentasi menjadi langkah penting untuk membantu diagnosis, penelitian ini berfokus pada klasifikasi tumor otak menggunakan Convolutional Neural Network dengan arsitektur EfficientNet-B0 serta penerapan teknik augmentasi data, dataset yang digunakan terdiri dari 7000 citra MRI dua dimensi dengan empat kelas yaitu glioma, meningioma, pituitary, dan tanpa tumor, data dibagi menjadi 70% latih, 15% validasi, dan 15% uji, tiga pendekatan diuji yaitu tanpa augmentasi, augmentasi dasar berupa flip, rotasi, zoom, shifting, kontras-brightness, dan kebaruan dari penelitian ini yaitu augmentasi gamma correction, serta penggunaan class weight, hasil penelitian menunjukkan akurasi baseline tanpa augmentasi hanya 36%, meningkat signifikan dengan augmentasi dasar hingga 92,15%, mencapai 99,73% dengan gamma correction, sedangkan penggunaan class weight justru menurunkan performa menjadi 24,67% tanpa early stopping dan 28,48% dengan early stopping, temuan ini menegaskan bahwa augmentasi visual terutama gamma correction lebih efektif dibandingkan penyesuaian bobot kelas dalam meningkatkan akurasi klasifikasi tumor otak pada dataset terbatas.

2026