ANALISIS EXPLAINABILITY DEEP LEARNING UNTUK KLASIFIKASI TUMOR OTAK PADA MRI T2-WEIGHTED MENGGUNAKAN GRADIENT-WEIGHTED CLASS ACTIVATION MAPPING (GRAD-CAM)

Abstract

Tumor otak merupakan kondisi medis kritis yang memerlukan deteksi dini secara akurat, dengan Magnetic Resonance Imaging (MRI) T2-Weighted sebagai modalitas standar emas. Meskipun model deep learning berbasis Convolutional Neural Network (CNN) mampu mengklasifikasikan tumor otak dengan akurasi tinggi, sifatnya yang black box menghambat kepercayaan tenaga medis terhadap dasar pengambilan keputusan model. Penelitian ini bertujuan membangun sistem klasifikasi tumor otak berbasis EfficientNetB0 dengan pendekatan transfer learning, serta menerapkan Gradient-weighted Class Activation Mapping (Grad-CAM) secara mandiri melalui mekanisme tf.GradientTape untuk mengungkap area citra yang mendasari keputusan model. Dataset yang digunakan adalah Brain Tumor Classification (MRI) dari Kaggle sejumlah 3.264 citra T2-Weighted dengan empat kelas, yaitu glioma, meningioma, pituitary, dan no tumor. Strategi pelatihan dua fase, yaitu feature extraction dan fine-tuning selektif pada 20 lapisan terakhir backbone, diterapkan untuk mengoptimalkan performa klasifikasi. Hasil pengujian menunjukkan model final mencapai F1-macro sebesar 0,8595 pada test set, melampaui target 0,85 dan meningkat signifikan dari model baseline (0,6938). Evaluasi Grad-CAM terhadap 80 sampel stratified melalui Expert Simple Assessment menunjukkan 57,5% heatmap dinilai baik secara anatomis, namun mengungkap kelemahan sistemik pada kelas glioma (F1-score 0,6839; skor explainability rata-rata 0,90 dari 2) yang disertai anomali confidence score yang terbalik serta sebelas kasus high-confidence wrong. Temuan ini menegaskan bahwa evaluasi akurasi makro semata tidak cukup untuk menjamin keandalan klinis model deep learning, sehingga explainability perlu menjadi bagian integral dari proses validasi sistem Computer-Aided Detection sebelum diadopsi dalam praktik medis.