KOMPARASI MOBILENETV2 DENGAN KUSTOMISASI TRANSFER LEARNING DAN HYPERPARAMETER UNTUK IDENTIFIKASI TUMOR OTAK

Muhammad Gabriel Somoal; Achmad Rizal Dzikrillah;

Analisis Perbandingan MobileNetV2 dengan Modifikasi Transfer Learning

dan Hyperparameter untuk Deteksi Tumor Otak

Muhammad Gabriel Somoal

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 learning. 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 f1-score
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.

Comparative Analysis of MobileNetV2 with Modified Transfer Learning and

Hyperparameter for Brain Tumor Detection

Muhammad Gabriel Somoal

Brain tumors are caused by the abnormal growth of brain cells in brain tissue, leading to death for
both men and women. 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 technology. 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
identification. 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,