ANALISIS PERBANDINGAN PERFORMA ARSITEKTUR RESNET-50, VGG-16, DAN INCEPTIONV3 DALAM KLASIFIKASI JENIS TUMOR OTAK PADA CITRA MRI.

Klasifikasi jenis tumor otak pada citra Magnetic Resonance Imaging (MRI)
membutuhkan model yang mampu membedakan karakteristik visual antar kelas
secara akurat. Penelitian ini bertujuan membandingkan performa tiga arsitektur
transfer learning, yaitu ResNet-50, VGG-16, dan InceptionV3, kemudian
mengoptimasi arsitektur baseline terbaik menggunakan Random Search dan
Optuna dengan Tree-structured Parzen Estimator (TPE). Dataset yang digunakan
terdiri atas 6.000 citra MRI dengan empat kelas, yaitu glioma, meningioma,
pituitary, dan non-tumor, yang dibagi secara stratified menjadi data training,
validation, dan Testinging dengan rasio 80:10:10. Perbandingan baseline dilakukan
dalam kondisi eksperimen yang setara, sedangkan Random Search dan Optuna-TPE
masing-masing dijalankan sebanyak 30 trial dengan ruang pencarian dan fungsi
objektif yang sama. Hasil baseline menunjukkan bahwa ResNet-50 memperoleh
validation macro F1-score tertinggi sebesar 0,973680 dan Testing macro F1-score
sebesar 0,954526. Setelah optimasi, kandidat Random Search memperoleh Testing
macro F1-score sebesar 0,979730, sedangkan Optuna-TPE memperoleh nilai lebih
tinggi sebesar 0,982290 dengan Accuracy 0,981605 dan Testing loss 0,060016.
Berdasarkan hasil tersebut, ResNet-50 dengan konfigurasi Optuna-TPE ditetapkan
sebagai model final dan berhasil diimplementasikan ke dalam prototipe web
berbasis Flask dan REST API untuk melakukan klasifikasi citra MRI tumor otak.