ANALISIS SENSITIVITAS SPASIAL PADA KLASIFIKASI TUMOR OTAK MULTI-KELAS MENGGUNAKAN FINE-TUNING MOBILENETV2 BERBASIS CITRA MRI

Abstract

Kemajuan teknologi pengolahan citra digital telah memberikan kontribusi signifikan dalam bidang medis, khususnya dalam upaya deteksi penyakit berbasis citra Magnetic Resonance Imaging (MRI). Salah satu tantangan utama dalam deteksi otomatis tumor otak adalah kualitas citra MRI yang kurang optimal serta adanya ketidakseimbangan distribusi data antar-kelas (data imbalance), yang dapat  menurunkan kinerja ekstraksi fitur pada model deep learning. Penelitian ini mengusulkan pendekatan klasifikasi baru menggunakan arsitektur Transfer Learning MobileNetV2 dengan standardisasi peningkatan kontras citra menggunakan Contrast Limited Adaptive Histogram Equalization (CLAHE). Guna mengatasi masalah ketidakseimbangan data secara efisien tanpa menambah ukuran dataset fisik, diterapkan teknik algorithm-level berupa Cost-Sensitive Learning (Class Weights). Fokus eksperimen dalam penelitian ini digeser untuk menganalisis pengaruh augmentasi data terhadap stabilitas model dengan membandingkan dua skenario utama, yaitu model Baseline (Tanpa Augmentasi) dan model Final (Dengan Augmentasi Spasial) yang melibatkan rotasi, width/height shift, dan zoom. Pengujian dilakukan pada dataset citra MRI multi-kelas yang mencakup empat kategori: glioma tumor, meningioma tumor, pituitary tumor, dan no tumor, dengan evaluasi akhir menggunakan Test Set independen sebanyak 1.311 citra. Hasil penelitian menunjukkan bahwa model Baseline (Tanpa Augmentasi) yang mengintegrasikan MobileNetV2, CLAHE, dan Class Weights berhasil mencapai performa puncak dengan akurasi keseluruhan mencapai 97% pada Test Set, serta menghasilkan nilai F1-score yang sangat tinggi dan seimbang di setiap kelas (No Tumor: 1.00, Pituitary: 0.98, Glioma: 0.95, Meningioma: 0.94). Di sisi lain, model Dengan Augmentasi mengalami early stopping dini pada epoch ke-13 dengan akurasi validasi tertinggi hanya sebesar 95,98% pada epoch ke-8. Hal ini mengindikasikan bahwa manipulasi spasial yang terlalu agresif berpotensi mengaburkan batas anatomi patologis tumor yang halus (tumor margins), sehingga memicu saturasi dini pada data validasi. Penelitian ini menyimpulkan bahwa kombinasi Transfer Learning MobileNetV2, standardisasi CLAHE, dan bobot kelas seimbang merupakan pendekatan yang paling optimal, stabil, dan efisien untuk klasifikasi tumor otak berbasis citra MRI tanpa memerlukan augmentasi spasial tambahan.