Klasifikasi Sel Kanker Acute Lymphoblastic Leukemia Menggunakan Few-Shot Learning Berbasis ProtoNet dengan Backbone ResNet-34
Acute Lymphoblastic Leukemia (ALL) merupakan kanker darah yang umum menyerang anak-anak dan memerlukan deteksi dini yang cepat serta akurat. Salah satu pendekatan yang dapat mengatasi keterbatasan data medis dalam klasifikasi sel ALL adalah Few-Shot Learning (FSL). Melalui penelitian ini, dirancang model klasifikasi berbasis Prototypical Network (ProtoNet) dengan backbone ResNet-34 untuk mengidentifikasi sel kanker ALL dari citra mikroskopis. Tiga variasi dataset digunakan, yaitu Dataset I Original, Dataset I Segmented, dan Dataset II, yang memiliki karakteristik berbeda dari segi jenis citra, resolusi, dan jumlah kelas. Evaluasi model dilakukan melalui kombinasi hyperparameter menggunakan skema 5-Fold Cross-Validation. Hasil menunjukkan bahwa akurasi tertinggi diperoleh pada Dataset II (±98,99%), disusul Dataset I Original (±97,08%), dan Dataset I Segmented (±94,69%) yang menunjukkan kurva pelatihan lebih fluktuatif akibat hilangnya informasi morfologi. Kombinasi hyperparameter terbaik juga bervariasi antar dataset. Secara umum, melalui penelitian ini diketahui bahwa pendekatan FSL berbasis ProtoNet dengan backbone ResNet-34 terbukti efektif untuk klasifikasi ALL dalam kondisi data terbatas, serta memiliki potensi untuk diterapkan sebagai sistem pendukung deteksi dini yang efisien, akurat, dan adaptif terhadap variasi karakteristik citra.
URI
https://repository.itera.ac.id/depan/submission/SB2508050073
Keyword
Acute lymphoblastic leukemia Few-shot learning Klasifikasi citra Resnet-34 Meta-learning