Analisis Pengaruh CLAHE pada Prediksi Model Deep Learning YOLO26 dalam Mendukung Deteksi Dini Tumor Otak pada Citra MRI

Abstract

Diagnosis manual MRI tumor otak rentan terhadap subjektivitas dan memakan waktu. Penelitian ini mengembangkan sistem deteksi otomatis menggunakan arsitektur YOLO26 varian small (YOLO26s) dan mengevaluasi performanya pada lima variasi parameter Contrast Limited Adaptive Histogram Equalization (CLAHE) untuk mempertegas batas tumor. Menggunakan 5.249 citra MRI, kelas normal direstrukturisasi sebagai background images untuk menekan angka false positive. Hasil pengujian menunjukkan bahwa CLAHE dengan ClipLimit 2.5 merupakan varian terbaik yang mampu meningkatkan presisi pelokalan. Model ini mencatatkan mAP@0.5 sebesar 94,56% dan mAP@0.5:0.95 sebesar 75,40%, mengungguli model baseline (tanpa CLAHE) yang masing-masing memperoleh 93,03% dan 74,02%. Namun, peningkatan presisi ini mengorbankan sensitivitas model, yang ditandai dengan turunnya metrik recall dari 90,57% pada model baseline menjadi 88,77% pada model CLAHE 2.5. Meskipun masih memiliki keterbatasan akurasi pada tumor bermorfologi infiltratif seperti glioma, model ini sangat efisien dengan waktu inferensi 453,56 milidetik per citra pada CPU. Percobaan implementasi model ke dalam prototipe web menunjukkan potensinya sebagai sistem pendukung keputusan klinis yang cepat dan minim beban komputasi.