Tumor otak merupakan penyakit mematikan dengan tingkat mortalitas yang tinggi. Segmentasi tumor otak melalui pencitraan magnetic resonance imaging (MRI) sangat penting untuk penggambaran yang tepat, terutama pada jenis tumor agresif seperti high-grade glioma (HGG) dan low-grade glioma (LGG). Namun, proses segmentasi glioma menantang karena keragaman ukuran, bentuk, dan kontras tumor, serta variasi dalam skala voxel MRI. Penelitian ini bertujuan mengembangkan arsitektur Efficient Modified 3D U-Net, yang menggabungkan model Modified 3D U-Net dengan Efficient nnU-Net serta k-fold cross validation, untuk meningkatkan performa dengan mengurangi jumlah parameter dan floating point operations per second (FLOPs). Arsitektur ini menerapkan depthwise separable convolution (DSC) untuk mengurangi parameter serta menambahkan blok Spatial and Channel Squeeze & Excitation (scSE). Pada dataset BraTS 2020, model mencapai dice score 82,82%, 94,02%, dan 93.16% untuk kelas enhancing tumor (ET), whole tumor (WT), dan tumor core (TC) dengan 0,397 juta dan FLOPs sebesar 16,404G, yang menjadikan model ini efisien dalam penggunaan memori dibandingkan Modified 3D U-Net, Efficient nnU-Net, Depthwise Separable Convolution, 3D dResU-Net, SA-Net, H2NF-Net, DMFNet, Multi-path Adaptive Fusion Network, HDC-Net, PANet, dan nnU-Net.
