<![CDATA[Glioblastoma (GBM) merupakan tumor otak primer ganas yang paling agresif pada orang dewasa, dengan rata-rata harapan hidup hanya 12 hingga 15 bulan, sementara interpretasi citra Magnetic Resonance Imaging (MRI) secara manual sangat bergantung pada subjektivitas radiolog sehingga berpotensi menimbulkan variabilitas diagnosis. Penelitian ini bertujuan merancang sistem klasifikasi glioblastoma berbasis Convolutional Neural Network (CNN) menggunakan arsitektur ResNet-50 dengan pendekatan transfer learning, yang dioptimasi melalui fine-tuning tiga tahap dan penyesuaian hyperparameter meliputi learning rate, batch size, dropout rate, dan jumlah epoch. Dataset terdiri dari 11.298 citra MRI publik dari TCIA dan BraTS yang dibagi menjadi data latih (80%), validasi (10%), dan uji (10%), dengan tahap pra-pemrosesan meliputi resizing, normalisasi, dan augmentasi data. Pengujian terhadap 1.132 citra menghasilkan accuracy 99,65%, precision 99,81%, recall 99,44%, F1-score 99,62%, dan Area Under Curve (AUC) sebesar 1,0. Sistem berhasil diimplementasikan sebagai aplikasi web berbasis Flask dilengkapi visualisasi Gradient-weighted Class Activation Mapping (Grad-CAM) sebagai alat bantu interpretabilitas model, meskipun terdapat keterbatasan pada lokalisasi fitur spasial akibat absennya tahap skull stripping serta risiko kebocoran data karena pembagian data dilakukan pada tingkat citra, bukan tingkat pasien. Secara keseluruhan, sistem yang dikembangkan berpotensi dimanfaatkan sebagai alat bantu pendukung diagnosis glioblastoma berbasis kecerdasan buatan, dengan catatan validasi eksternal lebih lanjut masih diperlukan.]]>
Copyrights © 2026
