Penerapan Metode Transfer Learning Berbasis EfficientNet untuk Klasifikasi Tumor Otak pada Citra MRI
DOI:
https://doi.org/10.33998/jakakom.2026.6.1.2758Kata Kunci:
Tumor Otak, Klasifikasi Citra, Transfer Learning, EfficientNet-B5, Deep LearningAbstrak
Tumor otak merupakan salah satu penyakit berbahaya yang memerlukan deteksi dan diagnosis secara cepat serta akurat. Salah satu metode pencitraan medis yang umum digunakan dalam diagnosis tumor otak adalah Magnetic Resonance Imaging (MRI). Namun, proses identifikasi dan klasifikasi tumor otak pada citra MRI secara manual memerlukan waktu yang lama dan sangat bergantung pada keahlian dokter spesialis. Oleh karena itu, penelitian ini bertujuan untuk menerapkan metode transfer learning berbasis arsitektur EfficientNet-B5 dalam melakukan klasifikasi tumor otak pada citra MRI secara otomatis. Dataset yang digunakan dalam penelitian ini adalah Brain Tumor MRI Dataset yang diperoleh dari platform Kaggle, yang terdiri dari empat kelas, yaitu glioma, meningioma, pituitary tumor, dan no tumor. Tahapan penelitian meliputi preprocessing citra, data augmentation, pembagian dataset menjadi data latih, data validasi, dan data uji, serta pelatihan model menggunakan pendekatan transfer learning. Arsitektur EfficientNet-B5 digunakan sebagai feature extractor dengan penambahan lapisan klasifikasi khusus. Evaluasi performa model dilakukan menggunakan metrik accuracy, precision, recall, F1-score, confusion matrix, dan ROC-AUC. Hasil penelitian menunjukkan bahwa model EfficientNet-B5 mampu memberikan performa klasifikasi yang sangat baik dengan nilai accuracy sebesar 98,75%, precision 98%, recall 98%, F1-score 98%, serta nilai ROC-AUC sebesar 0,99 pada klasifikasi multi-kelas. Hasil tersebut menunjukkan bahwa penerapan metode transfer learning berbasis EfficientNet-B5 efektif dalam mengklasifikasikan tumor otak pada citra MRI dan berpotensi membantu tenaga medis dalam proses diagnosis secara lebih cepat dan akurat.
Unduhan
Referensi
M. I. Surahman and F. Nurzaman, “Impelementasi Algoritma Convolutional Neural Network ( CNN ) Untuk Mendeteksi Penyakit Tumor Otak Berbasis Web,” vol. 26, no. 1, pp. 94–100, 2025.
F. Bray et al., “Global cancer statistics 2022: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries,” CA. Cancer J. Clin., vol. 74, no. 3, pp. 229–263, 2024, doi: 10.3322/caac.21834.
J. Ferlay et al., “Cancer statistics for the year 2020: An overview,” Int. J. Cancer, vol. 149, no. 4, pp. 778–789, 2021, doi: 10.1002/ijc.33588.
M. Nafi, M. Hakim, A. B. Nugroho, and A. E. Minarno, “Prediksi Tumor Otak Menggunakan Metode Convolutional Neural Network,” Inform. Mulawarman J. Ilm. Ilmu Komput., vol. 17, no. 1, p. 48, 2023, doi: 10.30872/jim.v17i1.5246.
R. S. Passa, S. Nurmaini, and D. P. Rini, “DETEKSI TUMOR OTAK PADA MAGNETIC RESONANCE IMAGING MENGGUNAKAN YOLOv7,” J. Ilm. Matrik, vol. 25, no. 2, pp. 116–121, 2023, doi: 10.33557/jurnalmatrik.v25i2.2404.
R. P. Sari, “Apa itu Convolutional Neural Networks? Pengertian & Cara Kerja,” Indonesia Artificial Intelligence Hub. Accessed: Nov. 13, 2025. [Online]. Available: https://aihub.id/pengetahuan-dasar/apa-itu-cnn
D. M. Wonohadidjojo, “Perbandingan Convolutional Neural Network pada Transfer Learning Method untuk Mengklasifikasikan Sel Darah Putih,” Ultim. J. Tek. Inform., vol. 13, no. 1, pp. 51–57, 2021, doi: 10.31937/ti.v13i1.2040.
R. J. Hendri Butar-Butar and N. L. Marpaung, “Deep Learning untuk Identifikasi Daun Tanaman Obat Menggunakan Transfer Learning MobileNetV2,” J. Inform. J. Pengemb. IT, vol. 8, no. 2, pp. 142–148, 2023, doi: 10.30591/jpit.v8i2.5217.
A. Hardirega, I. Jaelani, and M. Minarto, “Implementasi Convolutional Neural Network (Cnn) Klasifikasi Motif Batik Menggunakan Efficientnet-B1,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 5, pp. 10023–10028, 2024, doi: 10.36040/jati.v8i5.10901.
W. Hastomo et al., “Classification of Brain Image Tumor using EfficientNet B1-B2 Deep Learning,” Semesta Tek., vol. 27, no. 1, pp. 46–54, 2024, doi: 10.18196/st.v27i1.19691.
P. Sharma and A. P. Shukla, “Transfer Learning Approach Using Efficientnet Architecture for Brain Tumor Classification in Mri Images,” Adv. Appl. Math. Sci., vol. 21, no. 12, pp. 7091–7106, 2022.
B. Babu Vimala, S. Srinivasan, S. K. Mathivanan, Mahalakshmi, P. Jayagopal, and G. T. Dalu, “Detection and classification of brain tumor using hybrid deep learning models,” Sci. Rep., vol. 13, no. 1, pp. 1–17, 2023, doi: 10.1038/s41598-023-50505-6.
H. K. Putri, B. H. Iswanto, and H. Suhendar, “Klasifikasi Kualitas Cangkang Telur Ayam Menggunakan Efficientnet Berbasis Citra Digital,” Pros. Semin. Nas. Fis., vol. XIII, pp. 93–101, 2024.
H. R. J. Sinaga, “PENERAPAN MODEL ARSITEKTUR EFFICIENTNETB5 PADA KLASIFIKASI MULTI-KELAS PENYAKIT TANAMAN PADI,” 2025.
G. A. Sandag, E. Djamal, G. M. W. Tangka, and S. W. Taju, “MRI Image Analysis for Alzheimer’s Disease Detection Using Transfer Learning: VGGNet vs. EfficientNet,” CogITo Smart J., vol. 10, no. 2, pp. 580–592, 2024, doi: 10.31154/cogito.v10i2.836.580-592.
Pujianti, “Kerangka Penelitian dan Tata Cara Membuatnya,” deepublish. Accessed: Feb. 21, 2026. [Online]. Available: https://penerbitdeepublish.com/tutorial-menulis/menulis-karya-ilmiah/kerangka-penelitian/
C. P. Trisnanda, “Alur Penelitian dan Contoh,” duniakampus.id. Accessed: Feb. 21, 2026. [Online]. Available: https://www.duniakampus.id/riset-penelitian/mengenal-alur-penelitian/
M. Nickparvar, “Brain Tumor MRI Dataset,” Kaggle. Accessed: Nov. 04, 2025. [Online]. Available: https://www.kaggle.com/datasets/masoudnickparvar/brain-tumor-mri-dataset
