<![CDATA[Kanker serviks merupakan jenis kanker yang menjadi ancaman serius bagi kesehatan wanita secara global, termasuk di Indonesia. Infeksi Human Papillomavirus (HPV) adalah penyebab utama kanker ini, dan sering kali sulit terdeteksi pada tahap awal. Penelitian ini memanfaatkan model arsitektur VGG-19 untuk membantu proses klasifikasi kanker serviks, karena interpretasi manual citra pap smear memiliki keterbatasan, seperti waktu yang lama. Model VGG-19 dioptimalkan dengan menggunakan teknik transfer learning. Dataset penelitian diambil dari situs Kaggle berjudul “Cervical Cancer largest dataset (SipakMed)” dengan 4049 gambar, kemudian dibagi menjadi data validasi, pelatihan, dan pengujian dengan rasio 80:10:10. Augmentasi data dilakukan untuk meningkatkan keragaman dan kualitas dataset. Hasil evaluasi menunjukkan bahwa akurasi klasifikasi mencapai 92%, dengan pprecision, recall, dan F1-Score yang tinggi di beberapa kelas. Dari hasil tersebut, arsitektur VGG-.19 terbukti efektif ddalam membantu klasifikasii gambar pap smear dan berpotensi menjadi solusi untuk deteksi kanker serviks yang lebih cepat dan akurat.]]>
Copyrights © 2025
