<![CDATA[Leukemia Limfoblastik Akut B (LLA-B) merupakan keganasan hematologi yang dominan pada populasi pediatrik dan membutuhkan identifikasi dini untuk menunjang keberhasilan terapi. Prosedur diagnostik baku, seperti flow cytometry dan pemeriksaan sumsum tulang, memiliki tingkat akurasi tinggi, tetapi memerlukan sumber daya, biaya, dan keahlian khusus yang tidak selalu tersedia secara merata. Penelitian ini menyajikan kajian eksperimental untuk menilai kinerja arsitektur Convolutional Neural Network (CNN) MobileNetV2 dalam mendukung skrining awal berbasis laboratorium menggunakan citra apus darah dari dataset publik. Alur sistem mencakup tahapan preprocessing, augmentasi data, serta klasifikasi multi-kelas ke dalam empat kategori, yaitu Benign, Pre-B, Pro-B, dan Early Pre-B. Tahap preprocessing dan augmentasi diterapkan untuk meningkatkan kualitas citra, memperkaya variasi data, serta mengurangi potensi overfitting. Hasil pengujian menunjukkan bahwa MobileNetV2 mampu memberikan performa klasifikasi yang tinggi dengan kebutuhan komputasi yang efisien. Berdasarkan hasil evaluasi menggunakan metrik klasifikasi, diperoleh nilai Mean Absolute Error (MAE) yang sangat rendah, yaitu sekitar 0,009 yang mengindikasikan bahwa rata-rata kesalahan prediksi model terhadap nilai aktual sangat kecil, menunjukkan tingkat presisi yang tinggi dalam proses klasifikasi. Sistem ini dirancang sebagai alat bantu skrining (pre-screening) dan tidak ditujukan untuk menggantikan diagnosis klinis, tetapi diharapkan dapat membantu tenaga laboratorium dalam menentukan prioritas sampel untuk pemeriksaan lanjutan. Abstract Acute lymphoblastic leukemia B (ALL-B) is a hematological malignancy that predominantly affects the pediatric population and requires early identification to support successful treatment. Standard diagnostic procedures, such as flow cytometry and bone marrow examination, have a high degree of accuracy but require resources, costs, and specialized expertise that are not always equally available. This study presents an experimental investigation to evaluate the performance of the MobileNetV2 Convolutional Neural Network (CNN) architecture in supporting laboratory-based early screening using blood smear images from a public dataset. The system flow includes preprocessing, data augmentation, and multi-class classification into four categories, namely Benign, Pre-B, Pro-B, and Early Pre-B. The preprocessing and augmentation stages are applied to improve image quality, enrich data variation, and reduce the potential for overfitting. Test results show that MobileNetV2 is capable of providing high classification performance with efficient computational requirements. Based on the evaluation results using classification metrics, a very low Mean Absolute Error (MAE) value of approximately 0.009 was obtained, indicating that the average prediction error of the model against the actual value is very small, demonstrating a high level of precision in the classification process. This system is designed as a screening tool (pre-screening) and is not intended to replace clinical diagnosis, but it is expected to assist laboratory personnel in determining sample priorities for further examination.]]>
