Kanker payudara merupakan salah satu penyebab utama
kematian pada wanita di seluruh dunia. Deteksi dini melalui pencitraan
ultrasound menjadi krusial karena sifatnya yang non-invasif dan aman. Akan
tetapi, citra ultrasound sering kali memiliki kualitas rendah dengan
noise yang tinggi sehingga kurang
optimal untuk klasifikasi. Penelitian ini bertujuan untuk mengembangkan model
klasifikasi kanker payudara yang lebih akurat dengan memanfaatkan metode transfer
learning yang dikombinasikan dengan attention mechanism. Model yang diusulkan, yaitu
Dense-Sase, menggunakan arsitektur dasar dari DenseNet-121 sebagai feature
extractor dengan dua mekanisme perhatian, yaitu Scaled-Dot Product
Attention dan Squeeze-and-Excitation (SE Block). Model digunakan
untuk klasifikasi kanker payudara dalam tiga kategori, yaitu normal, benign,
dan malignant. Hasil evaluasi menunjukkan bahwa model yang diusulkan
mencapai accuracy 0.9829, precision 0.9797, recall 0.9898, dan F1-score
0.9844. Hasil visualisasi
menggunakan Grad-CAM juga menunjukkan bahwa model Dense-SASE mampu fokus pada
area lesi yang relevan pada citra ultrasound, bukan pada latar belakang
atau area non-informatif. Hal ini menginterpretasikan bahwa model tidak hanya
mengingat data, tetapi juga memahami pola karakteristik dari tiap kelas. Dengan demikian,
Dense-SASE terbukti efektif dalam meningkatkan akurasi klasifikasi kanker
payudara pada citra ultrasound. Model ini berpotensi menjadi
pendekatan yang lebih andal untuk mendukung sistem diagnosis dini di bidang
medis.
