Fibrosis hati merupakan salah satu indikator utama progresivitas penyakit hati kronis dan menjadi faktor penentu dalam pengambilan keputusan klinis. Ultrasonografi (USG) banyak digunakan sebagai metode non-invasif karena aman, terjangkau, dan mudah diakses. Akan tetapi, kualitas citra yang relatif rendah serta tekstur parenkim yang sulit dibedakan secara visual menyebabkan proses klasifikasi tingkat fibrosis hati menjadi kurang optimal. Penelitian ini bertujuan untuk mengembangkan model klasifikasi fibrosis hati yang lebih akurat dengan memanfaatkan arsitektur ResNet-50 yang dioptimalkan menggunakan Convolutional Block Attention Module (CBAM). Integrasi CBAM memungkinkan model untuk menonjolkan fitur kanal dan spasial yang relevan sehingga mampu menangkap pola tekstur halus pada kelas menengah (F1–F3) yang sebelumnya sulit dikenali oleh CNN konvensional. Penelitian menggunakan 6.323 citra ultrasound fibrosis hati dengan lima kelas berdasarkan skor METAVIR (F0–F4). Model dilatih menggunakan Stratified 5-Fold Cross Validation dan diuji menggunakan ensemble rata-rata logits. Hasil evaluasi menunjukkan bahwa model ResNet-50 + CBAM mencapai akurasi 98,34%. Temuan ini mengindikasikan bahwa mekanisme atensi tidak hanya meningkatkan akurasi, tetapi juga memperkuat interpretabilitas model. Dengan demikian, ResNet-50 + CBAM terbukti efektif dalam meningkatkan kinerja klasifikasi fibrosis hati pada citra ultrasound dan berpotensi menjadi pendekatan yang andal untuk mendukung diagnosis non-invasif di bidang hepatologi.