Perancangan Model Klasifikasi Nodul Paru Pada Citra CT-SCAN Menggunakan EFFICIENTNET-L2

Taufiq Bi Usuluddin Harahap, Prof. Ir. Nazrul Effendy, S.T., M.T., Ph.D., IPM., ASEAN Eng.

2026 | Skripsi | FISIKA TEKNIK

Kanker paru merupakan penyebab kematian akibat kanker tertinggi di Indonesia dan dunia, dan deteksinya sering diawali melalui identifikasi nodul paru pada citra CT-Scan. Namun, interpretasi CT-Scan sangat bergantung pada radiolog sehingga menimbulkan variabilitas antar-pemeriksa, dengan tingkat kesepakatan rata-rata hanya sekitar k= 0.51 dan perbedaan klasifikasi mencapai 36%. Keterbatasan fasilitas CT-Scan dan belum adanya program skrining nasional semakin menegaskan perlunya sistem pendukung diagnosis yang lebih objektif dan konsisten.

Penelitian ini mengembangkan model klasifikasi nodul paru berbasis EfficientNet-L2 (Noisy Student) menggunakan transfer learning untuk tiga kelas, yaitu Normal, Benign, dan Malignant. Pelatihan dilakukan dengan fine-tuning pada dua blok konvolusional terakhir dan classifier head, serta membandingkan empat variasi loss function: Cross-Entropy, Cross-Entropy dengan Class Weight, Cross-Entropy dengan Class Weight dan Label Smoothing, serta Focal Loss. Evaluasi performa dilakukan menggunakan akurasi, macro F1-score, average precision (mikro) pada kurva Precision–Recall, dan confusion matrix.

Hasil penelitian menunjukkan bahwa kombinasi Cross-Entropy dengan Class Weight dan Label Smoothing memberikan performa tertinggi, dengan akurasi 97,7%  macro F1-score 0,967. Temuan ini menegaskan pentingnya pemilihan loss function dalam meningkatkan kinerja model pada dataset medis yang terbatas serta potensi EfficientNet-L2 sebagai dasar sistem pendukung diagnosis nodul paru yang lebih konsisten.

Lung cancer leads cancer deaths in Indonesia and globally, with diagnosis often starting from identifying lung nodules on CT scans. Radiologist interpretations vary  k=0.51 agreement, up to 36% classification differences). Limited CT facilities and no national screening indicate a need for objective, consistent diagnostic support.

This study develops a lung nodule classification model based on EfficientNet-L2 (Noisy Student) using transfer learning for three classes: Normal, Benign, and Malignant. Training is performed by fine-tuning the last two convolutional blocks and the classifier head and comparing four variations of loss functions: Cross-Entropy, Cross-Entropy with Class Weight, Cross-Entropy with Class Weight and Label Smoothing, and Focal Loss. Performance evaluation is conducted using accuracy, macro F1-score, and average precision (micro) on the Precision–Recall curve, as well as a confusion matrix.

The results showed that the combination of Cross-Entropy with Class Weight and Label Smoothing provided the highest performance, with an accuracy of 97.7% and a macro F1-score of 0.967. These findings underscore the importance of selecting an appropriate loss function to enhance model performance on limited medical datasets, as well as the potential of EfficientNet-L2 as a foundation for a more consistent lung nodule diagnosis support system.

Kata Kunci : EfficientNet-L2 (Noisy Student), Nodul Paru, Klasifikasi