PERBANDINGAN KINERJA MODEL DEEP LEARNING UNTUK SEGMENTASI TUMOR OTAK CITRA MRI DENGAN PENERAPAN CLAHE

Abstract

Tumor otak merupakan pertumbuhan sel abnormal pada otak yang dapat mengganggu fungsi saraf dan berisiko menyebabkan kematian. Pemeriksaan menggunakan Magnetic Resonance Imaging (MRI) membantu dokter mendeteksi tumor otak, tetapi proses segmentasi area tumor secara manual masih memerlukan waktu yang lama dan hasilnya dapat berbeda antar pengamat. Metode deep learning seperti UNet banyak digunakan untuk segmentasi citra medis, namun masih memiliki keterbatasan dalam menangkap hubungan antar fitur pada citra. Penelitian ini bertujuan mengembangkan model hybrid UNet dengan backbone ResNet50V2, Xception, dan InceptionV4, serta menganalisis pengaruh Contrast Limited Adaptive Histogram Equalization (CLAHE) terhadap kualitas segmentasi tumor otak pada citra MRI. Metode yang digunakan melibatkan 4.793 citra dari dataset BRISC 2025 yang dibagi menjadi data pelatihan, validasi, dan pengujian. Model dievaluasi menggunakan confussion matrix, dice coefficient, dan intersection over union (IoU). Hasil penelitian membuktikan bahwa skenario UNet + CLAHE memperoleh performa terbaik dengan tingkat akurasi 98,58%, dice coefficient 75,30%, dan IoU 64,29%. Hal ini menunjukkan bahwa kombinasi arsitektur UNet standar dengan teknik peningkatan kontras CLAHE jauh lebih efektif dalam melakukan segmentasi dibandingkan menggunakan arsitektur backbone yang lebih kompleks.