Perkembangan ilmu biomedikal telah mendorong banyak penelitian dilakukan untuk menghasilkan alat bantu diagnosa berbasis komputer. Salah satunya yaitu pendeteksian tumor otak dengan menggunakan citra hasil Magnetic Resonance Imaging (MRI). Pemeriksaan MRI bertujuan mengetahui karakteristik morpologik (lokasi, ukuran, bentuk, perluasan dan lain-lain).Secara umum stadium tumor otak dapat diklasifikasikan menjadi 2 kategori, yaitu Benign dan Malignant. Tumor Benign merupakan stadium tumor otak yang tidak bersifat kanker atau tidak dapat menyebar ke jaringan tubuh lainnya sedangkan tumor Malignant merupakan stadium tumor yang sangat berbahaya karena dapat menyebar ke jaringan tubuh lainnya. [1]
Pada tugas akhir ini, citra yang dihasilkan oleh alat MRI akan diolah ke dalam beberapa tahapan utama, yaitu: preprocesing, featur extraction, dan classification. Preprocessing yang bertujuan yang bertujuan untuk menghilangkan beberapa informasi atau noise yang tidak diinginkan untuk proses feature axtraction. Feature extraction adalah proses menyederhanakan jumlah data yang digunakan untuk merepresentasikan suatu data yang besar seperti gambar yang terdiri dari pixel secara akurat.[10]Metode yang digunakan pada tahap feature extraction menggunakan Independent Component Analysis (ICA) . Pada metode ICA akan dilakukan perhitungan yang akan menghasilkan suatu Independent Component/ komponen bebas yang dapat merepresentasikan suatu data gambar. Hasil dari proses inilah yang nantinya akan dijadikan sebagai masukan pada proses classification. Classification merupakan suatu proses untuk mengkategorikan suatu data berdasarkan ciri yang dimilikinya. Metode klasifikasi yang digunakan adalah Multi Layer Feedforward Networks – Backpropagation yang akan digunakan untuk mengklasifikasikan tipe kelainan tumor otak ke dalam tiga kelas (jinak, ganas, dan normal).
Dalam Tugas akhir ini dibangun 2 model komposisi pembagian data latih, data validasi, dan data uji untuk mendapatkan hasil akurasi sistem yang maksimal. Model pertama dengan komposisi 27 data latih (30%), 27 data validasi (30%), dan 36 data uji (40%). Model kedua dengan komposisi 54 data latih (60%), 18 data validasi (20%), dan 18 data uji (20%). Dengan model pertama didapatkan rata-rata nilai akurasi dari data latih, validasi, dan uji sebesar 89.62% dengan akurasi tertinggi mencapai 100%. Sedangkan model kedua didapatkan rata-rata nilai akurasi dari data latih, validasi, dan uji sebesar 93.33% dengan akurasi tertinggi mencapai 100%. Kata kunci: Magnetic Resonance Imaging, Otak, preprocesing, featur extraction, classification, Independent Component Analysis, Multi Layer Feedforward Networks – Backpropagation.