<![CDATA[Glioblastoma multiforme (GBM) merupakan tumor otak primer paling agresif dengan prognosis buruk dan median kelangsungan hidup kurang dari 15 bulan. Penelitian ini bertujuan mengevaluasi pengaruh preprocessing citra MRI terhadap kinerja deteksi GBM menggunakan arsitektur EfficientNetB0. Lima skenario preprocessing diuji secara independen: baseline tanpa preprocessing, CLAHE, denoise, skull stripping, dan intensity normalization pada dataset 4.465 citra MRI dengan 15 kelas tumor otak. Hasil menunjukkan model baseline mencapai akurasi 88,51%, sensitivitas 83,87%, dan spesifisitas 96,77%. Intensity normalization menghasilkan performa terbaik dengan akurasi 89,70%, sensitivitas 80,65%, spesifisitas 96,77%, dan precision 83%, meningkat 1,19 poin dari baseline. Sebaliknya, preprocessing agresif seperti CLAHE (68,21%), denoise (58,96%), dan skull stripping (40,15%) justru menurunkan akurasi signifikan karena mengubah distribusi fitur dan mengganggu kompatibilitas dengan pretrained weights ImageNet. Visualisasi Grad-CAM mengkonfirmasi bahwa intensity normalization menghasilkan pola aktivasi paling fokus pada region tumor dengan confidence tertinggi (99,9%). Penelitian ini menyimpulkan bahwa intensity normalization merupakan preprocessing optimal untuk deteksi glioblastoma menggunakan EfficientNetB0 karena menyeragamkan distribusi intensitas tanpa mengubah struktur morfologi tumor.]]>
Copyrights © 2026
