EVALUASI GENERALISASI SWIN TRANSFORMER UNTUK KLASIFIKASI CITRA HISTOPATOLOGI KANKER PARU-PARU

Kanker paru-paru merupakan salah satu penyebab utama kematian akibat kanker di dunia, sehingga proses diagnosis yang cepat dan akurat menjadi penting, khususnya melalui analisis citra histopatologi. Namun, pemeriksaan manual oleh patolog membutuhkan waktu, keahlian khusus, dan berpotensi menimbulkan variasi interpretasi. Penelitian ini bertujuan menerapkan dan mengevaluasi Swin Transformer untuk klasifikasi citra histopatologi kanker paru-paru pada tiga kelas, yaitu Adenocarcinoma (ACA), Squamous Cell Carcinoma (SCC), dan Normal Lung Tissue, serta menguji kemampuan generalisasi model pada dataset eksternal.rnDataset yang digunakan adalah LC25000 sebagai data pelatihan dan validasi internal, serta LungHist700 sebagai data eksternal. Metode penelitian meliputi preprocessing citra berupa resize 224×224 piksel, normalisasi, augmentasi data, pelatihan model menggunakan transfer learning, serta evaluasi menggunakan accuracy, precision, recall, F1-score, AUC, dan confusion matrix. Model ResNet50 digunakan sebagai baseline, sedangkan Swin Transformer digunakan sebagai model utama.rnHasil internal menunjukkan bahwa ResNet50 memperoleh accuracy rata-rata 0,9927, F1-macro 0,9927, dan AUC macro 0,9999, sedangkan Swin Transformer memperoleh accuracy rata-rata 0,9999, F1-macro 0,9999, dan AUC macro 1,0000. Pada pengujian eksternal menggunakan LungHist700, Swin Transformer memperoleh accuracy 0,5441, precision macro 0,6877, recall macro 0,4975, F1-macro 0,4732, dan AUC macro 0,7540. Dibandingkan performa internal, accuracy Swin Transformer turun sekitar 45,58%, F1-macro turun sekitar 52,68%, dan AUC macro turun sekitar 24,60%. Penurunan ini menunjukkan adanya domain shift antara LC25000 dan LungHist700 yang dipengaruhi oleh perbedaan pewarnaan H&E, sumber data, variasi pasien, resolusi, dan karakteristik jaringan. Dengan demikian, penelitian ini menegaskan pentingnya external validation dalam pengembangan model deep learning untuk citra histopatologi medis.