Klasifikasi Acute Lymphoblastic Leukemia (ALL) Pada Citra Sel Darah Putih Menggunakan EfficientNet-B0

Acute Lymphoblastic Leukemia (ALL) adalah salah satu jenis kanker darah yang sering ditemukan pada anak-anak dan dapat menyebar ke organ lain, termasuk sumsum tulang yang menyebabkan anemia. Diagnosis leukemia dapat dilakukan dengan menghitung jumlah sel darah dan melakukan tes mikroskopik untuk melihat apakah sel-sel tersebut normal atau tidak. Dokter dapat mendiagnosa penyakit leukemia dengan membutuhkan waktu lama. Dalam penelitian ini dilakukan proses klasifikasi dengan tujuan untuk mendiagnosis penyakit ALL berdasarkan citra mikroskopis pada dataset C_NMC 2019 menggunakan metode deep learning. Serta untuk mengetahui pengaruh nilai learning rate dan epoch yang digunakan terhadap tingkat accuracy yang dihasilkan maka dilakukan uji coba menggunakan learning rate 0.01, 0.001, dan 0.0001 serta nilai epoch sebesar 30, 40, 50. Hasil uji coba menunjukkan bahwa penggunaan learning rate 0.001 menghasilkan akurasi prediksi maksimal sebesar 94.19%. Peningkatan learning rate ke 0.01 mengakibatkan penurunan akurasi prediksi karena model kesulitan mencapai titik optimum. Sebaliknya, penurunan learning rate ke 0.0001 juga menurunkan akurasi prediksi karena konvergensi yang lebih lambat. Peningkatan jumlah epoch dari 30 ke 50 berhasil meningkatkan akurasi prediksi maksimal. Hal ini menunjukkan bahwa model masih dapat mempelajari pola-pola yang lebih kompleks dan meningkatkan kinerjanya dengan lebih banyak iterasi pembelajaran. Dengan kombinasi terbaik dari learning rate 0.001 dan 50 epoch, model menghasilkan akurasi terbaik sebesar 94.19%.