Penerapan Deep Learning Untuk Klasifikasi Citra Ct - Scan Penyakit Kanker Paru – Paru

Jalu Nusantoro, Dr. Indah Soesanti, S.T., M.T.; Dr. Eng. Ir. Igi Ardiyanto, S.T., M.Eng., IPM., SMIEEE.

2025 | Tesis | S2 Teknologi Informasi

Kanker paru merupakan salah satu penyebab utama kematian di dunia dengan tingkat mortalitas yang tinggi. Upaya deteksi dini berbasis citra medis, khususnya CT-scan, menjadi sangat penting untuk meningkatkan angka harapan hidup pasien. Namun, proses klasifikasi citra CT-scan menghadapi tantangan besar berupa ketidakseimbangan data (class imbalance) yang dapat menyebabkan bias model terhadap kelas mayoritas. Dalam skenario baseline, ketidakseimbangan ini menyebabkan penurunan akurasi klasifikasi pada kelas minoritas (Normal dan Benign) sebesar 3–5%, serta menghasilkan bias prediksi hingga 20% terhadap kelas mayoritas (Malignant), yang dapat berdampak serius dalam konteks diagnosis klinis.

Penelitian ini menerapkan pendekatan deep learning dengan membandingkan dua arsitektur transformer, yaitu Vision Transformer (ViT) dan Swin Transformer, untuk klasifikasi citra CT-scan paru-paru. Dataset yang digunakan adalah IQ-OTH/NCCD dengan total 1.097 citra dari tiga kelas (Normal, Benign, Malignant). Teknik balancing diterapkan secara selektif pada data train menggunakan augmentasi citra berbasis ImageDataGenerator untuk mengatasi ketidakseimbangan jumlah data antar kelas. Evaluasi dilakukan dengan metrik akurasi, Precision, Recall, F1-score, serta uji signifikansi Wilcoxon untuk menilai perbedaan performa antara skenario data balanced dan imbalanced.

Hasil penelitian menunjukkan bahwa teknik balancing secara signifikan meningkatkan performa klasifikasi, terutama pada model ViT yang mencatatkan peningkatan F1-score dari 0,95 menjadi 0,98, tanpa menghasilkan false positive maupun false negative pada kelas Malignant. Model Swin Transformer juga menunjukkan peningkatan dari F1-score 0,96 menjadi 0,97. Uji Wilcoxon membuktikan bahwa peningkatan tersebut signifikan secara statistik (p < 0>balancing berbasis augmentasi citra efektif dalam meningkatkan keandalan sistem klasifikasi citra medis berbasis deep learning, dan model ViT dengan data seimbang layak dipertimbangkan sebagai solusi diagnosis berbantuan AI untuk kanker paru.

Lung cancer is one of the leading causes of death worldwide, with a high mortality rate. Early detection efforts based on medical imaging, particularly CT scans, are crucial for improving patient survival rates. However, automatically classifying CT scan images faces a significant challenge in data imbalance (class imbalance), which can cause model bias toward the majority class. In the baseline scenario, this imbalance results in a 3–5?crease in classification Accuracy for the minority class (Normal and Benign). It generates a prediction bias of up to 20% toward the majority class (Malignant), which can have serious implications in clinical diagnosis.

This study applies a deep learning approach by comparing two transformer architectures, namely Vision Transformer (ViT) and Swin Transformer, to classify lung CT-scan images. The dataset used is IQ-OTH/NCCD with 1,097 images from three classes (Normal, Benign, Malignant). Balancing techniques were selectively applied to the training data using image augmentation based on ImageDataGenerator to address the imbalance in the number of data points across classes. Evaluation was conducted using Accuracy, Precision, Recall, F1-score metrics, and the Wilcoxon significance test to assess performance differences between balanced and unbalanced data scenarios.

The study results indicate that the balancing technique significantly improves classification performance, particularly in the ViT model, which increased the F1-score from 0.95 to 0.98, without producing false positives or false negatives in the Malignant class. The Swin Transformer model also improved from an F1-score of 0.96 to 0.97. The Wilcoxon test confirmed this improvement was statistically significant (p < 0>

Kata Kunci : Lung Cancer, Balancing Data, Vision Transformer dan Swin Transformer.