STUDI LITERATUR : PERBANDINGAN ARSITEKTUR CNN UNTUK KLASIFIKASI TUMOR OTAK

Abstract

Perkembangan Convolutional Neural Network (CNN) telah membawa kemajuan signifikan dalam analisis citra medis, khususnya pada klasifikasi tumor otak berbasis citra MRI. Namun, menentukan arsitektur CNN yang paling tepat tetap menjadi tantangan utama karena performa setiap model sangat dipengaruhi oleh karakteristik data dan ketersediaan sumber daya komputasi. Penelitian ini bertujuan untuk melakukan analisis komparatif sistematis terhadap implementasi serta kinerja berbagai arsitektur CNN dalam tugas klasifikasi tumor otak. Metode yang digunakan adalah Systematic Literature Review (SLR) dengan protokol PRISMA terhadap 20 artikel ilmiah dari Google Scholar dan Garuda yang diterbitkan antara tahun 2022 hingga 2025. Hasil penelitian menunjukkan bahwa Custom CNN merupakan pendekatan yang paling banyak diterapkan (9 studi), diikuti oleh ResNet dan VGG. ResNet secara konsisten memberikan akurasi tertinggi hingga mencapai 99,8% pada dataset kompleks. Sementara itu, arsitektur seperti EfficientNet dan MobileNet menawarkan performa kompetitif dengan kebutuhan komputasi yang lebih rendah. Pemilihan arsitektur yang optimal sangat bergantung pada karakteristik dataset dan ketersediaan sumber daya komputasi yang tersedia