Klasifikasi Citra Acute Lymphoblastic Leukemia Menggunakan Arsitektur ResNet-50

Kanker anak telah menjadi momok kesehatan masyarakat global dengan kejadian yang meningkat setiap tahunnya. Kanker anak yang paling sering terjadi adalah Acute Lymphoblastic Leukemia (ALL) dan memiliki jumlah kasus kanker tertinggi pada anak-anak di Indonesia. Pengamatan bentuk sel dalam pemeriksaan darah untuk mendiagnosis ALL dilakukan oleh hematolog dengan menggunakan mikroskop. Proses identifikasi yang dilakukan memakan waktu yang cukup lama, serta tergantung pada subjektif pengetahuan dari ahli hematologi, konsentrasi, dan ketelitian. Oleh sebab itu diperlukan suatu sistem yang dapat melakukan identifikasi secara otomatis pada citra cel darah putih dalam menentukan apakah terdapat penyakit ALL atau tidak didalamnya. Penelitian ini dilakukan untuk merancang sistem klasifikasi citra ALL berdasarkan citra mikroskopis sel darah putih. Dataset yang digunakan adalah C-NMC Dataset berupa sel B-limfoblas leukemia (sel kanker) dan B-limfoid normal (sel normal) dari gambar mikroskopis sediaan apusan darah tepi dengan total 12.528 gambar. Metode klasifikasi yang diterapkan adalah metode Deep Learning yang berbasis Residual Network yaitu model ResNet-50. Dilakukan pendekatan secara obyektif dengan mencari nilai yang cocok untuk hyperparameter model seperti learning rate dan epoch. Hasil akurasi maksimal yang didapatkan pada uji coba yang dilakukan mendapatkan performa berdasarkan akurasi prediksi sebesar 93,58% dengan nilai epoch yang digunakan adalah 15 dan learning rate 10-4 pada data yang tidak seimbang. Sedangkan pada data seimbang didapatkan model yang tidak mengalam konvergen atau overfitting dengan hasil akurasi sebesar 89,66% dengan nilai parameter learning rate dan epoch yang sama.