<![CDATA[Klasifikasi akurat sub-tipe kanker paru-paru merupakan langkah krusial dalam penentuan terapi dan diagnosis dini. Namun, metode diagnostik konvensional berbasis pemeriksaan manual masih menghadapi tantangan seperti variabilitas antar-pengamat dan keterbatasan waktu. Penelitian ini membandingkan performa dua arsitektur deep learning, Vision Transformer (ViT) dan ResNet34, untuk klasifikasi empat sub-tipe kanker paru berdasarkan citra CT scan menggunakan platform Roboflow. Dataset terdiri atas 288 citra CT yang dibagi menjadi empat kelas: adenokarsinoma, karsinoma sel besar, karsinoma sel skuamosa, dan sel normal. Seluruh citra mengalami pra-pemrosesan standar dan augmentasi berbasis arsitektur. Hasil evaluasi menunjukkan bahwa ResNet34 mencapai performa paling optimal dengan akurasi 95,7% dan F1-score 96,3%, serta stabilitas konvergensi yang lebih baik. ViT tetap menunjukkan kompetitif dengan akurasi 94,3% dan F1-score 93,6%, meskipun lebih sensitif terhadap keterbatasan jumlah data. Analisis kualitatif mengungkapkan bahwa kesalahan klasifikasi terutama terjadi pada kasus ambigu dengan kemiripan morfologis, khususnya antara adenokarsinoma dan karsinoma sel skuamosa. Dalam kondisi tersebut, ViT lebih sering salah mengklasifikasikan, sementara ResNet34 meskipun tepat dalam prediksi, menghasilkan tingkat keyakinan rendah (0,56), yang mengindikasikan keraguan model terhadap sampel sulit. Penelitian ini juga menunjukkan bahwa arsitektur CNN konvensional seperti ResNet34 lebih unggul dibandingkan arsitektur transformer dalam keterbatasan data. Model yang dikembangkan memiliki potensi untuk diintegrasikan dalam sistem pendukung keputusan klinis berbasis AI guna mempercepat proses analisis diagnostik]]>
Copyrights © 2026
