<![CDATA[Osteosarcoma merupakan jenis kanker tulang ganas yang menyerang ujung tulang panjang dan berpotensi menyebar ke organ lain (metastasis). Diagnosis dini berperan penting untuk mendukung hasil pengobatan yang optimal. Penelitian ini menggunakan Convolutional Neural Network (CNN) untuk menganalisis dan mengklasifikasikan citra histologi tulang Osteosarcoma, dengan membandingkan kinerja tiga varian model EfficientNetV2 (S, M, dan L). Dataset yang digunakan adalah citra histologi Osteosarcoma yang telah didigitalisasi dan dataset ini diproses melalui tahap preprocessing, augmentasi, serta training menggunakan ketiga model, lalu diproses pula melalui konfigurasi hyperparameter. Evaluasi kinerja model dilakukan berdasarkan akurasi, Presisi, Recall, dan F1-Score. Hasil penelitian menunjukkan bahwa EfficientNetV2-S mencapai akurasi tertinggi sebesar 88,86% dengan efisiensi yang lebih baik, sedangkan EfficientNetV2-Memiliki stabilitas klasifikasi yang lebih baik dengan F1-Score yang lebih konsisten dengan akurasi sebesar 88,80%. Sementara itu, EfficientNetV2-L menunjukkan hasil akurasi yang kompetitif tetapi memerlukan sumber daya komputasi yang lebih besar. Analisis lebih lanjut menunjukkan bahwa pemilihan model tidak hanya bergantung pada akurasi, tetapi juga mempertimbangkan ukuran model dan kebutuhan komputasi. Hasil penelitian ini menunjukkan bahwa EfficientNetV2-S merupakan pilihan optimal berdasarkan akurasi dan efisiensi, sedangkan EfficientNetV2-M lebih unggul dalam stabilitas klasifikasi. Hasil penelitian ini dapat menjadi referensi dalam pengembangan sistem berbasis deep learning untuk diagnosis kanker tulang di masa depan. Abstract Osteosarcoma is a malignant bone cancer that primarily affects the ends of long bones and has a high potential for metastasis to other organs. Early diagnosis is crucial to improving treatment outcomes and patient prognosis. This study employs a Convolutional Neural Network (CNN) to analyze and classify histological images of Osteosarcoma by comparing the performance of three variants of the EfficientNetV2 model (S, M, and L). The dataset that used in this study is a digitized Osteosarcoma histology images, and will be processed through the preprocessing, data augmentation, and model training using the three different EfficientNetV2 variants. Additionally, hyperparameter tuning is performed to optimize model performance. The evaluation of model performance is conducted based on accuracy, precision, recall, and F1-score. The results showed that EfficientNetV2-S achieved the highest accuracy of 88.86% with better efficiency, while EfficientNetV2-S had better classification stability with a more consistent F1-Score with an accuracy of 88.80%. Meanwhile, EfficientNetV2-L showed competitive accuracy results but required more computational resources. Further analysis reveals that model selection not only depends on accuracy, but also considers model size and computational requirements. The results show that EfficientNetV2-S is the optimal choice based on accuracy and efficiency, while EfficientNetV2-M is the optimal choice in classification stability. The results of this study can serve as a reference in the development of deep learning-based systems for bone cancer diagnosis in the future. ]]>
