PENERAPАN U-NET SEGMENTATION UNTUK MENINGKATKАN AKURASI KLASIFIKASI CITRA MRI OTAK MENGGUNAKАN MODEL RESNET50

Magnetic Resonance Imaging (MRI) merupakan salah satu modalitas pencitraan medis
noninvasif yang mampu menampilkan jaringan lunak dengan kontras tinggi, sehingga
banyak digunakan dalam deteksi tumor otak. Namun, variasi bentuk, ukuran, dan lokasi
tumor menyebabkan proses analisis citra menjadi lebih kompleks. Penelitian ini
bertujuan untuk menganalisis performa model U-Net dalam segmentasi citra MRI otak
serta mengetahui pengaruh hasil segmentasi terhadap akurasi klasifikasi menggunakan
ResNet50. Data yang digunakan berasal dari dataset Brain Tumor Detection dari
Kaggle yang terdiri atas citra MRI otak tumor dan non-tumor. Tahapan penelitian
meliputi segmentasi citra menggunakan U-Net, kemudian klasifikasi menggunakan
ResNet50 pada dua skenario, yaitu tanpa U-Net dan menggunakan U-Net. Hasil
segmentasi menunjukkan bahwa model U-Net memiliki performa yang baik dengan
nilai accuracy sebesar 0,9986 pada data pelatihan dan 0,9702 pada data validasi. Selain
itu, model segmentasi memperoleh precision 0,96, recall 0,87, F1-score 0,91, Dice
Coefficient 0,9131, dan Intersection over Union (IoU) 0,8401. Pada tahap klasifikasi,
ResNet50 tanpa U-Net menghasilkan akurasi sebesar 1,00 pada data train, 0,98 pada
data validasi, dan 0,98 pada data test. Sementara itu, ResNet50 menggunakan U-Net
menghasilkan akurasi sebesar 1,00 pada data train, 0,99 pada data validasi, dan 1,00
pada data test. Hasil tersebut menunjukkan bahwa segmentasi menggunakan U-Net
mampu meningkatkan performa klasifikasi, terutama pada data validasi dan data test,
karena model menjadi lebih fokus pada area penting yang berkaitan dengan tumor otak.
Kаtа Kunci: Citrа MRI, Tumor Otаk, Segmentаsi U-Net, Klаsifikаsi ResNet50