KLASIFIKASI CITRA PENYAKIT TUMOR OTAK MENGGUNAKAN KOMBINASI EFFICIENTNETV2S DAN TRIPLET ATTENTION MECHANISM

Tumor otak adalah pertumbuhan sel abnormal yang sangat berbahaya dan dapat mengancam jiwa. Deteksi dini dan akurat sangat penting untuk diagnosis dan penanganan yang efektif. Meskipun pembedahan sering dianggap sebagai metode standar, prosedur ini invasive (memasukkan alat ke dalam tubuh), berisiko, dan memakan waktu. Citra MRI (Magnetic Resonance Imaging) menjadi alternatif yang lebih cepat dan non-invasive, terutama dengan bantuan deep learning. Penelitian ini bertujuan untuk mengembangkan model klasifikasi tumor otak berbasis deep learning menggunakan arsitektur EfficientNetV2S yang dikombinasikan dengan modul triplet attention mechanism (TAM). Model diimplementasikan dalam dua skenario uji coba. Skenario pertama dan kedua mengevaluasi model EfficientNetV2S tanpa dan dengan triplet attention mechanism. Penggunaan TAM meningkatkan kemampuan model untuk fokus pada fitur penting dalam citra dengan memanfaatkan tiga dimensi perhatian (channel, width, height). Selain itu, EfficientNetV2S unggul dalam efisiensi komputasi, ukuran model yang lebih kecil, serta kecepatan pelatihan yang lebih tinggi tanpa mengorbankan akurasi. Penelitian ini menggunakan Brain Tumor MRI Dataset dari IEEE Dataport yang berjumlah 7.023 citra yang merupakan gabungan dari 3 dataset publik (Figshare, SARTAJ, dan Br35H) terdiri dari 4 kelas (glioma, meningioma, pituitary, dan no tumor) dengan evaluasi model menggunakan akurasi, presisi, recall, dan F1-score. Hasil pengujian menunjukkan bahwa model EfficientNetV2S-TAM mencapai akurasi uji rata-rata 98,08%, mengungguli EfficientNetV2S yang memperoleh 95,35% dan standar deviasi akurasi menurun dari 0,0210 ke 0,0024. Selain itu, model menjadi lebih ringan dengan parameter dari 20,18 juta menjadi 16,49 juta. Hal ini membuktikan bahwa penambahan TAM pada EfficientNetV2S dapat meningkatkan performa namun total waktu pelatihan meningkat dari 1,9 jam menjadi 3,38 jam