Implementasi Cnn Resnet50 Untuk Klasifikasi Dan Prediksi Tumor Otak Pada Citra Mri Menggunakan MATLAB
DOI:
https://doi.org/10.64803/juikti.v2i1.113Keywords:
Tumor Otak, Citra MRI, Convolutional Neural Network, ResNet50, MATLABAbstract
Tumor otak merupakan salah satu penyakit serius yang dapat mengancam nyawa serta menurunkan kualitas hidup penderitanya, sehingga deteksi dini menjadi aspek yang sangat penting dalam mendukung keberhasilan penanganan medis. Magnetic Resonance Imaging (MRI) merupakan metode pencitraan non-invasif yang banyak digunakan karena mampu menghasilkan citra otak dengan detail tinggi dan kontras jaringan yang baik. Namun, proses interpretasi citra MRI masih sangat bergantung pada keahlian dokter radiologi dan berpotensi menimbulkan kesalahan akibat kelelahan serta kompleksitas visual citra. Oleh karena itu, diperlukan sistem pendukung diagnosis berbasis kecerdasan buatan yang mampu membantu proses klasifikasi tumor otak secara otomatis, cepat, dan akurat. Penelitian ini bertujuan untuk mengimplementasikan metode Convolutional Neural Network (CNN) dengan arsitektur ResNet50 dalam mengklasifikasikan tumor otak pada citra MRI menggunakan MATLAB. Dataset yang digunakan terdiri dari empat kelas, yaitu glioma, meningioma, pituitary tumor, dan non-tumor. Tahapan penelitian meliputi preprocessing citra, augmentasi data untuk meningkatkan variasi dataset, pembagian data menjadi data latih dan data uji, serta penerapan transfer learning pada model ResNet50. Proses pelatihan dilakukan menggunakan optimizer Adam dengan berbagai skema parameter untuk memperoleh performa terbaik. Hasil penelitian menunjukkan bahwa model CNN ResNet50 mampu mencapai akurasi hingga 98% dan memberikan hasil klasifikasi yang sangat baik pada data uji. Selain itu, model yang telah dilatih diimplementasikan ke dalam aplikasi berbasis Graphical User Interface (GUI) menggunakan MATLAB App Designer sehingga mudah digunakan. Penelitian ini diharapkan dapat menjadi alat bantu diagnosis awal tumor otak serta berkontribusi pada pengembangan penerapan deep learning di bidang medis.
References
[1] A. Fadilah and A. Azkia, “Brain Tumor Classification using Convolutional Neural Network with ResNet Architecture,” JISTICS (Journal Intell. Syst. Technol. Informatics), vol. 1, no. 1, pp. 31–36, 2025.
[2] 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, pp. 2–5, 2022.
[3] D. L. Tyas, F. R. Rumambi, A. Patanduk, R. C. Johanes, J. K. Unsrat, and S. Utara, “Klasifikasi Jenis Tumor Otak Melalui Citra MRI dengan Menggunakan Convolutional Neural Network,” J. Inform., vol. 4221, no. April, pp. 26–34, 2025.
[4] K. N. Qodri, “Analisis Perbandingan Klasifikasi Tumor Otak Menggunakan Deep Learning,” IJITECH (Indonesian J. Inf. Technol., vol. 1, pp. 1–6, 2024.
[5] S. Saad, A. Ali, K. Memon, N. Yahya, and S. Khan, “Deep learning frameworks for MRI-based diagnosis of neurological disorders : a systematic review and meta- analysis,” Artif. Intell. Rev., 2025.
[6] N. Nova, A. Mulyanti, C. Silmy, A. Putri, and L. Mulyani, “Systematic Review : Pemanfaatan Deep Learning untuk Diagnosis Penyakit Menggunakan MRI,” J. Penelit. Inov., vol. 5, no. 2, pp. 839–852, 2025.
[7] M. Agarwal, G. Rani, A. Kumar, P. K. K, R. Manikandan, and A. H. Gandomi, “Deep learning for enhanced brain Tumor Detection and classification,” Results Eng., vol. 22, p. 102117, 2024, doi: 10.1016/j.rineng.2024.102117.
[8] F. A. P. R. Putri, J. P. Tanjung, and N. P. Dharsini, “Implementation of Transfer Learning on CNN using DenseNet121 and ResNet50 for Brain Tumor Classification,” JITE (Journal Informatics Telecommun. Eng. Available, vol. 8, no. January, pp. 325–334, 2025.
[9] M. Liyananta, M. S. Hibrizi, N. Latifah, Rosalina, and F. Bimantoro, “Klasifikasi Tumor Otak Menggunakan CNN Dengan Arsitektur,” Stain. (SEMINAR Nas. Teknol. DAN SAINS), vol. 3, pp. 103–108, 2024.
[10] A. Irsyad, H. Jati Setyadi, and F. Amal, “Klasifikasi Tumor Otak dengan Resnet berdasarkan MRI,” SAKTI- Sains, Apl. Komputasi dan Teknol. Inf., vol. 5, no. 2, pp. 109–115, 2023.
[11] M. Musthafa, M. T. R, V. K. V, and S. Guluwadi, “Enhancing brain tumor detection in MRI images through explainable AI using Grad-CAM with Resnet 50,” BMC Med. Imaging, vol. 24, no. 1, pp. 1–19, 2024, doi: 10.1186/s12880-024-01292-7.
[12] R. R. Ali et al., “Learning Architecture for Brain Tumor Classification Based on Deep Convolutional Neural Network: Classic and ResNet50,” Diagnostics, vol. 15, no. 5, 2025, doi: 10.3390/diagnostics15050624.
[13] M. B. Kurniawan and E. Utami, “Performance Comparison of ResNet50, VGG16, and MobileNetV2 for Brain Tumor Classification on MRI Images,” Sistemasi, vol. 14, no. 2, p. 767, 2025, doi: 10.32520/stmsi.v14i2.5054.
[14] R. Rudiansyah and A. Husein, “Klasifikasi Tumor Otak pada gambar Magnetic Resonance Images (MRI) dengan Pendekatan Pembelajaran Mendalam,” Data Sci. Indones., vol. 4, no. 1, pp. 62–68, 2024, doi: 10.47709/dsi.v4i1.4265.
[15] Y. I. Salsabila, H. Mustofa, and M. A. Ulinuha, “TEKNIK TRANSFER LEARNING PADA ARSITEKTUR RESNET-50,” J. Inf. Syst. Informatics Comput., vol. 9, no. 1, pp. 128–139, 2025, doi: 10.52362/jisicom.v9i1.1925.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Muhammad Farhan, Ahmad Fariz Fuady, Dwiky Oldi Amsyah, Dimas Aqila Aptanta (Author)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
