STUDI KOMPARATIF MODEL DENSENET201 DAN EFFICIENTNETB0 SEBAGAI ALAT BANTU DIAGNOSIS TUMOR OTAK

Rhendiya Maulana Zein, Prof. Ir. Nazrul Effendy, S.T., M.T., Ph.D., IPM., ASEAN Eng.; Prof. Dr. Anto Satriyo Nugroho B.Eng., M.Eng.

2025 | Tesis | MAGISTER TEKNIK FISIKA

Diagnosis tumor otak yang akurat dan efisien merupakan tantangan krusial dalam praktik klinis. Penelitian ini bertujuan melakukan studi komparatif antara arsitektur deep learning DenseNet201 (konektivitas padat) dan EfficientNetB0 (compound scaling) sebagai alat bantu diagnosis klasifikasi empat kelas (glioma, meningioma, pituitary, dan notumor). Validasi dilakukan menggunakan tiga skenario data: dataset publik, data klinis lokal dari RSUP Dr. Sardjito, dan gabungan keduanya, dengan serta tanpa penerapan augmentasi data geometris. Hasil pengujian menunjukkan bahwa arsitektur EfficientNetB0 secara konsisten mengungguli DenseNet201 di seluruh skenario, sebuah temuan yang tervalidasi secara statistik menggunakan uji Wilcoxon Signed-Rank (p < 0>

Accurate and efficient brain tumor diagnosis remains a critical challenge in clinical practice. This study conducts a comparative analysis between DenseNet201 (dense connectivity) and EfficientNetB0 (compound scaling) architectures as diagnostic aids for four-class classification (glioma, meningioma, pituitary, and notumor). Validation was performed using three data scenarios: a public dataset, local clinical data from Dr. Sardjito General Hospital, and a combined dataset, both with and without geometric data augmentation. The results demonstrate that EfficientNetB0 consistently outperformed DenseNet201 across all scenarios, a finding statistically validated using the Wilcoxon Signed-Rank test (p < 0>

Kata Kunci : Tumor Otak, Deep Learning, EfficientNetB0, RSUP Dr. Sardjito, Uji Wilcoxon