<![CDATA[Kanker paru-paru merupakan salah satu penyebab utama kematian di dunia, sehingga diperlukan metode diagnosis yang cepat, akurat, dan konsisten. Namun, diagnosis histopatologi konvensional masih bergantung pada interpretasi manual patolog terhadap citra berpewarnaan Hematoxylin and Eosin (H&E), yang rentan terhadap subjektivitas, inkonsistensi, dan waktu analisis yang lama. Permasalahan ini mendorong perlunya sistem otomatis yang tidak hanya memiliki performa tinggi, tetapi juga dapat diinterpretasikan secara klinis.
Penelitian ini bertujuan untuk mengimplementasikan dan mengevaluasi arsitektur Convolutional Neural Network ResNet50 dalam mengklasifikasikan citra histopatologi kanker paru-paru serta meningkatkan transparansi keputusan model menggunakan Grad-CAM. Metode penelitian meliputi preprocessing citra, augmentasi data, pembagian dataset secara stratifikatif, pelatihan model menggunakan 5-Fold Cross Validation, evaluasi performa klasifikasi, serta visualisasi interpretabilitas model. Dataset yang digunakan adalah LC25000 dengan tiga kelas, yaitu lung_normal, lung_adenocarcinoma, dan lung_squamous cell carcinoma.
Hasil penelitian menunjukkan bahwa model ResNet50 mencapai akurasi pengujian sebesar 0.9731 dengan nilai precision, recall, dan F1-score yang konsisten tinggi pada seluruh kelas. Visualisasi Grad-CAM mampu menyoroti area patologis yang relevan secara klinis, seperti kepadatan nukleus abnormal dan pola keratinisasi. Hasil ini membuktikan bahwa ResNet50 dengan Grad-CAM efektif sebagai solusi awal sistem pendukung diagnosis histopatologi kanker paru yang akurat dan interpretabel]]>
Copyrights © 2026
