Klasifikasi Stroke pada Citra MRI Otak Menggunakan Arsitektur DenseNet121

Abstract

Stroke merupakan salah satu penyebab utama kematian dan kecacatan di dunia, termasuk di Indonesia. Deteksi dini sangat penting untuk mencegah dampak lebih lanjut, namun interpretasi citra Magnetic Resonance Imaging (MRI) masih membutuhkan keahlian radiolog dan berpotensi menimbulkan bias subjektif. Penelitian ini mengembangkan model klasifikasi stroke berbasis citra MRI otak menggunakan arsitektur DenseNet121 sebagai backbone yang berfungsi sebagai feature extractor untuk meningkatkan akurasi deteksi otomatis. Tahapan penelitian mencakup preprocessing citra berupa resize, grayscale conversion, histogram equalization, Gaussian blur, dan normalisasi intensitas piksel, diikuti pembagian dataset menjadi data latih dan validasi (80:20) serta augmentasi citra. Proses pelatihan dilakukan secara bertahap melalui initial training, fine-tuning, dan deep fine-tuning dengan EarlyStopping serta ReduceLROnPlateau. Hasil menunjukkan bahwa pada tahap initial training model mencapai akurasi validasi sebesar 87,62%, meningkat menjadi 94,50% setelah fine-tuning, dan mencapai 97,25% pada tahap deep fine-tuning dengan validation loss sebesar 0,0786 serta nilai rata-rata precision, recall, dan F1-score sebesar 0,97. Model ini terbukti efektif untuk klasifikasi citra MRI otak dan berpotensi digunakan sebagai sistem bantu diagnosis stroke di fasilitas kesehatan dengan sumber daya terbatas.