<![CDATA[Analisis citra histopatologi merupakan aspek penting dalam diagnosis patologis berbasis jaringan, khususnya dalam mendeteksi kelainan sel seperti steatosis dan nekrosis. Proses ini dapat ditingkatkan dengan penerapan teknologi klasifikasi citra berbasis machine learning, terutama menggunakan Convolutional Neural Network (CNN). Penelitian ini bertujuan untuk mengembangkan model klasifikasi anotasi citra histopatologi berbasis CNN menggunakan arsitektur ResNet-50 yang dioptimalkan melalui pendekatan transfer learning. Model dilatih awal melalui proses pre-training menggunakan dataset publik PanNuke dan fine-tuning menggunakan dataset anotasi citra histopatologi dengan tiga kelas utama: nekrosis, normal, dan steatosis, yang merepresentasikan kondisi masing-masing sel pada citra. Memanfaatkan metode validasi silang (cross-validation), membantu meningkatkan tingkat kestabilan hasil prediksi. Evaluasi performa model dilakukan menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil pengujian menunjukkan bahwa model mampu mengklasifikasikan citra anotasi histopatologi dengan tingkat akurasi tinggi dan efektif. Temuan ini membuka peluang untuk penerapan sistem klasifikasi otomatis dalam praktik klinis guna mendukung proses diagnosis yang lebih cepat dan akurat.]]>
Copyrights © 2025
