MODEL KLASIFIKASI KANKER PARU-PARU PADA GAMBAR CT-SCAN PARU-PARU MENGGUNAKAN TRANSFER LEARNING

Penelitian ini membahas klasifikasi kanker paru-paru yang merupakan salah
satu penyebab utama kematian dunia namun dalam penanganan kanker paru-paru
dibutuhkan keahlian tinggi untuk dapat mendiagnosis dan menentukan jenis kanker
paru-paru melalui gambar CT-Scan paru-paru perlu ketelitian dan cukup waktu sampai
bisa memberikan penanganan yang tepat kepada pasien. Salah satu teknologi yang
dapat membantu dalam penanganan kanker paru-paru adalah Transfer learning yang
bisa mengklasifikasikan pola-pola yang berkaitan dengan kanker paru-paru melalui
gambar CT-Scan. Penelitian ini menggunakan 1.000 dataset gambar CT-Scan paru-
paru yang mencakup empat class: Adenocarcinoma, Large Cell, Squamous, dan
Normal. Peneliti menggunakan model transfer learning seperti ResNet50, ResNet101,
EfficientNetB1, EfficientNetB3, EfficientNetB5, dan EfficientNetB7. Hasil penelitian
menunjukkan bahwa model EfficientNetB3 mencapai performa terbaik, dengan
tingkat akurasi 97,78%, precision 97,34%, tingkat recall 98,33%, dan F1-Score
97,78%. Implikasi dari temuan ini memberikan kontribusi dalam perancangan model
klasifikasi bahwa penggunaan EfficientNetB3 dapat meningkatkan akurasi klasifikasi
kanker paru-paru pada gambar CT-Scan yang lebih baik dibandingkan dengan model
transfer learning yang lain. Temuan ini memiliki potensi signifikan untuk mendukung
diagnosis dini, memperkuat kontribusi teknologi machine learning dalam
perkembangan bidang medis dan sebagai bahan pertimbangan pemilihan model
transfer learning