Pengembangan Metode Cvm-Cervix Berbasis Attention Mechanism untuk Klasifikasi Kanker Serviks pada Citra Pap Smear

Oleh :
Fakhira Ammara Raisa - L0122060 - Fak. Teknologi Informasi dan Sains Data

Kanker serviks merupakan salah satu penyebab kematian akibat kanker tertinggi pada perempuan secara global, sehingga deteksi dini melalui pemeriksaan Pap smear menjadi langkah krusial dalam penanganannya. Namun, interpretasi manual citra Pap smear menghadapi tantangan konsistensi dan skalabilitas, terutama dalam membedakan kelas sel dengan kemiripan morfologi tinggi seperti ASC-US dan LSIL. Penelitian ini mengusulkan pengembangan metode CVM-Cervix dengan menambahkan modul Convolutional Block Attention Module (CBAM) dan Squeeze-and-Excitation (SE) pada cabang CNN untuk klasifikasi kanker serviks pada citra Pap smear. CVM-Cervix merupakan arsitektur hibrida yang menggabungkan CNN (Xception), Vision Transformer (DeiT Tiny), dan MLP untuk mengekstraksi dan memfusikan fitur lokal dan global. Penelitian ini menggunakan kombinasi dataset SIPaKMeD dan CRIC dengan total 21.317 citra dalam 11 kelas. Hasil eksperimen menunjukkan bahwa model dengan kombinasi CBAM, SE, dan strategi pelatihan yang disempurnakan mencapai akurasi 94,16% dan macro F1-score 93,76% pada data uji, melampaui kinerja CVM-Cervix asli. Penambahan modul attention terbukti meningkatkan diskriminabilitas fitur morfologi sel serviks, khususnya pada kelas ASC-US dan LSIL yang memiliki kemiripan morfologi tinggi.