KLASIFIKASI KANKER PAYUDARA PADA CITRA ULTRASONOGRAFI MENGGUNAKAN PERBANDINGAN MODEL KONVOLUSIONAL RESNET-50 DAN VGG-16

Kanker payudara merupakan penyebab kematian tertinggi pada wanita di Indonesia, di mana prosedur deteksi menggunakan ultrasonografi (USG) seringkali terhambat oleh subjektivitas operator dan gangguan kualitas citra seperti speckle noise. Penelitian ini bertujuan untuk mengklasifikasikan lesi payudara pada citra USG ke dalam kelas Normal, Benign (jinak), dan Malignant (ganas) melalui analisis komparatif performa antara arsitektur Convolutional Neural Network (CNN) ResNet-50 dan VGG-16. Eksperimen difokuskan secara eksklusif menggunakan 1.578 citra dari dataset publik Breast Ultrasound Images (BUSI). Sebagai tahapan pra-pemrosesan pendukung, teknik Contrast Limited Adaptive Histogram Equalization (CLAHE) diterapkan untuk mereduksi derau dan mempertegas fitur patologislesi. Pengujian divalidasisecara objektif menggunakan skenario Stratified 5-Fold Cross Validation serta class weighting untuk mencegah bias akibat ketidakseimbangan kelas. Hasil pengujian menunjukkan bahwa arsitektur VGG-16 mengungguli ResNet-50 dengan tingkat akurasi sebesar 92,72?n weighted F1-Score 0,93, berbanding 92,38?n weighted F1-Score 0,92. Meskipun arsitektur ResNet-50 mampu mencapai titik konvergensi pelatihan lebih cepat berkat mekanisme residual learning , tumpukan filter sekuensial pada VGG- 16 terbukti jauh lebih efektif dalam mengekstraksi detail tekstur lokal yang krusial pada lesi kanker. Kesimpulannya, model VGG-16 memberikan hasil yang lebih optimal dan andal untuk diimplementasikan sebagai sistem pendukung keputusan medis (Computer-Aided Diagnosis) guna meminimalisir risiko kesalahan diagnosis pada citra USG payudara.