EVALUASI KOMPARATIF TRANSFER LEARNING UNTUK KLASIFIKASI HISTOPATOLOGI KANKER PAYUDARA MENGGUNAKAN DATA AUGMENTATION DAN GRAD-CAM

Perkembangan teknologi deep learning pada bidang kesehatan memberikan peluang besar dalam membantu proses diagnosis penyakit berbasis citra medis, termasuk klasifikasi citra histopatologi kanker payudara. Keterbatasan dataset medis dan rendahnya interpretabilitas model deep learning masih menjadi tantangan dalam pengembangan sistem diagnosis berbasis kecerdasan buatan. Penelitian ini bertujuan untuk mengevaluasi performa beberapa model transfer learning dalam klasifikasi citra histopatologi kanker payudara menggunakan data augmentation serta menganalisis interpretabilitas model menggunakan metode Gradient-weighted Class Activation Mapping (Grad-CAM). Penelitian ini menggunakan pendekatan eksperimen kuantitatif dengan dataset citra histopatologi kanker payudara BreakHis pada pembesaran 200× yang diperoleh melalui platform Kaggle. Dataset terdiri atas 2.013 citra yang dibagi menjadi data training sebesar 80% dan data testing sebesar 20%. Tahapan penelitian meliputi preprocessing data, penerapan data augmentation, implementasi model transfer learning menggunakan ResNet50, DenseNet121, dan EfficientNetB0, proses pelatihan model, evaluasi performa klasifikasi, serta interpretasi model menggunakan Grad-CAM. Evaluasi model dilakukan menggunakan accuracy, precision, recall, F1-Score, dan confusion matrix. Hasil pengujian menunjukkan bahwa DenseNet121 merupakan model dengan performa terbaik dengan nilai accuracy sebesar 90,57%, precision sebesar 94,44%, recall sebesar 91,73%, dan F1-Score sebesar 93,07%. Hasil confusion matrix menunjukkan bahwa DenseNet121 mampu mengklasifikasikan 110 citra benign dan 255 citra malignant dengan benar, dengan 15 false positive dan 23 false negative. Visualisasi Grad-CAM menunjukkan bahwa DenseNet121 mampu memusatkan perhatian pada area jaringan yang relevan dalam proses klasifikasi dengan tingkat keyakinan sebesar 88,96%. Berdasarkan hasil tersebut, DenseNet121 menunjukkan performa klasifikasi terbaik dibandingkan ResNet50 dan EfficientNetB0 serta memberikan visualisasi yang mendukung interpretabilitas proses pengambilan keputusan model pada citra histopatologi kanker payudara.