ANALISIS PENINGKATAN PERFORMA CONVOLUTIONAL NEURAL NETWORK MENGGUNAKAN HYPERPARAMETER TUNING DAN ENSEMBLE LEARNING PADA KLASIFIKASI CITRA MRI TUMOR OTAK

Tumor otak merupakan penyakit berisiko tinggi yang memerlukan deteksi dini secara akurat. Penelitian ini bertujuan meningkatkan performa klasifikasi citra MRI tumor otak ke dalam empat kelas (glioma, meningioma, no tumor, dan pituitary tumor) melalui kombinasi hyperparameter tuning dan ensemble learning. Dataset publik yang digunakan terdiri atas 3.264 citra pelatihan dan 394 citra pengujian. Tahap preprocessing meliputi resize citra menjadi 224×224 piksel, normalisasi, dan augmentasi data pelatihan. Dua arsitektur CNN pre-trained, yaitu VGG16 dan EfficientNetV2B0, di-fine-tune menggunakan kombinasi optimizer Adam dan SGD, learning rate 0,0001 dan 0,001, serta batch size 32. Konfigurasi terbaik diperoleh dengan Adam, learning rate 0,0001, dan batch size 32, menghasilkan akurasi 90,00% untuk VGG16 dan 98,73% untuk EfficientNetV2B0. Penggabungan probabilitas prediksi kedua model melalui ensemble soft voting meningkatkan akurasi menjadi 99,49%, dengan hanya dua kesalahan klasifikasi dari 394 citra uji. Hasil ini menunjukkan bahwa kombinasi konfigurasi pelatihan yang tepat dengan ensemble soft voting secara numerik dapat meningkatkan performa klasifikasi citra MRI tumor otak.