Klasifikasi Acute Lymphoblastic Leukemia Berbasis Citra Mikroskopis Sel Darah Putih Menggunakan ResNet-50V2 dengan Squeeze-and-Excitation dan Grad-CAM

Harnelia; Rizal Adi Saputra; Asa Hari Wibowo

doi:10.24252/instek.v11i2.68619

Authors

Harnelia Universitas Halu Oleo
Rizal Adi Saputra Universitas Halu Oleo
Asa Hari Wibowo Universitas Halu Oleo

DOI:

https://doi.org/10.24252/instek.v11i2.68619

Keywords:

Citra Sel Darah Putih, Grad-CAM, Klasifikasi Leukemia, ResNet-50V2, Squeeze-and-Excitation

Abstract

Acute Lymphoblastic Leukemia (ALL) merupakan salah satu penyakit keganasan hematologi yang memerlukan identifikasi secara dini dan akurat. Penelitian ini mengembangkan model klasifikasi berbasis citra menggunakan ResNet-50V2 dengan Squeeze-and-Excitation (SE) Block serta Grad-CAM untuk mengklasifikasikan citra sel darah putih ke dalam kelas ALL dan Non-ALL sekaligus memberikan visualisasi area yang berkontribusi terhadap prediksi model. Dataset yang digunakan terdiri dari 11.210 citra yang dikumpulkan dari beberapa sumber, termasuk dataset publik dan data klinis dari RS Kanker Dharmais. Model dilatih menggunakan strategi transfer learning dua fase dan dievaluasi menggunakan metrik akurasi, AUC-ROC, precision, recall, dan F1-score. Hasil pengujian menunjukkan bahwa model memperoleh akurasi sebesar 0,89 dan AUC-ROC sebesar 0,95 pada data uji. Evaluasi interpretabilitas menggunakan Grad-CAM melalui Pointing Game Accuracy (PGA) memperoleh nilai 100% pada sampel purposif dan 65% pada sampel acak. Hasil tersebut menunjukkan bahwa model dapat memberikan informasi visual mengenai area yang berkontribusi terhadap prediksi, meskipun konsistensi area yang ditunjukkan masih bervariasi pada beberapa citra. Model juga diimplementasikan ke dalam aplikasi berbasis web menggunakan Flask untuk menampilkan hasil klasifikasi dan visualisasi Grad-CAM. Sistem yang dikembangkan ditujukan sebagai alat bantu skrining awal ALL dan bukan sebagai alat diagnosis definitif.

Downloads

Download data is not yet available.

References

[1] S. Levianto dan A. A. Soebroto, “Sistem Pakar Diagnosis Penyakit Leukimia dengan Metode Fuzzy Tsukamoto,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 5, no. 12, hlm. 5329–5338, 2021, [Daring]. Tersedia pada: http://j-ptiik.ub.ac.id

[2] W. Liu, J. Fang, M. Zhu, J. Zhou, dan C. Yuan, “Global, regional, and National burden of childhood leukemia from 1990 to 2021,” BMC Pediatr., vol. 25, no. 1, Des 2025, doi: 10.1186/s12887-025-05847-7.

[3] J. Huang dkk., “Disease Burden, Risk Factors, and Trends of Leukaemia: A Global Analysis,” Front. Oncol., vol. 12, Jul 2022, doi: 10.3389/fonc.2022.904292.

[4] International Agency for Research on Cancer, Global Cancer Observatory: Cancer Today, World Health Organization, 2020. [Online]. Available: https://gco.iarc.fr/today.

[5] M. Z. Ullah dkk., “An attention-based convolutional neural network for acute lymphoblastic leukemia classification,” Applied Sciences (Switzerland), vol. 11, no. 22, Nov 2021, doi: 10.3390/app112210662.

[6] A. N. Hasanah, O. Al Sas, Y. D. Kosen, dan J. Kesehatan Budi, “34 Application of Artificial Intelligence in White Blood Cell Classification Application Of Artificial Intelligence In White Blood Cell Classification Based On Microscopic Images: A Scoping Review,” Jurnal Kesehatan Budi Luhur, vol. 18, no. 2, 2025.

[7] M. N. Khasanah, A. Harjoko, dan I. Candradewi, “Klasifikasi Sel Darah Putih Berdasarkan Ciri Warna dan Bentuk dengan Metode K-Nearest Neighbor (K-NN),” IJEIS, vol. 6, no. 2, hlm. 151–162, 2016.

[8] A. N. Liyantoko, I. Candradewi, dan A. Harjoko, “Klasifikasi Sel Darah Putih dan Sel Limfoblas Menggunakan Metode Multilayer Perceptron Backpropagation,” IJEIS (Indonesian Journal of Electronics and Instrumentation Systems), vol. 9, no. 2, hlm. 173, Okt 2019, doi: 10.22146/ijeis.49943.

[9] J. L. Diaz Resendiz, V. Ponomaryov, R. Reyes Reyes, dan S. Sadovnychiy, “Explainable CAD System for Classification of Acute Lymphoblastic Leukemia Based on a Robust White Blood Cell Segmentation,” Cancers (Basel)., vol. 15, no. 13, hlm. 3376, Jun 2023, doi: 10.3390/cancers15133376.

[10] M. Jawahar, L. J. Anbarasi, S. Narayanan, dan A. H. Gandomi, “An attention-based deep learning for acute lymphoblastic leukemia classification,” Sci. Rep., vol. 14, no. 1, Des 2024, doi: 10.1038/s41598-024-67826-9.

[11] M. Bukhari, S. Yasmin, S. Sammad, dan A. A. Abd El-Latif, “A Deep Learning Framework for Leukemia Cancer Detection in Microscopic Blood Samples Using Squeeze and Excitation Learning,” Math. Probl. Eng., vol. 2022, hlm. 1–18, Jan 2022, doi: 10.1155/2022/2801227.

[12] O. Islam, M. Assaduzzaman, dan M. Z. Hasan, “An explainable AI-based blood cell classification using optimized convolutional neural network,” J. Pathol. Inform., vol. 15, Des 2024, doi: 10.1016/j.jpi.2024.100389.

[13] H. Harnelia, “Analisis Sentimen Review Skincare Skintific Dengan Algoritma Support Vector Machine (SVM),” Jurnal Informatika dan Teknik Elektro Terapan, vol. 12, no. 2, Apr 2024, doi: 10.23960/jitet.v12i2.4095.

[14] A. Gupta and R. Gupta, “ALL Challenge dataset of ISBI 2019,” The Cancer Imaging Archive, 2019. [Online]. Available: https://doi.org/10.7937/tcia.2019.dc64i46r.

[15] C. Matek, S. Schwarz, C. Marr, and K. Spiekermann, “A single-cell morphological dataset of leukocytes from AML patients and non-malignant controls,” The Cancer Imaging Archive, 2019. [Online]. Available: https://doi.org/10.7937/tcia.2019.36f5o9ld.

[16] H. Harnelia, S. B. Saudi, F. Agsaria, dan R. A. Saputra, “Analisis Kualitas dan Klasifikasi Jenis Tanah Berbasis Pengolahan Citra: Teknik Image Sharpening dan CNN ResNet untuk pemetaan pemanfaatan Daerah Pesisir,” Telematika, vol. 22, no. 2, Nov 2025, doi: 10.31315/telematika.v22i2.14516.

[17] F. Ramadhani, C. Paramita, dan E. R. Subhiyakto, “Disparitas Efektivitas CLAHE pada Berbagai Arsitektur Deep Learning untuk Klasifikasi Katarak Berbasis Citra Fundus,” Technology and Science (BITS), vol. 7, no. 3, hlm. 1785–1796, 2025, doi: 10.47065/bits.v7i3.8725.

[18] M. R. Kusnaidi, T. Gulo, dan S. Aripin, “Penerapan Normalisasi Data Dalam Mengelompokkan Data Mahasiswa Dengan Menggunakan Metode K-Means Untuk Menentukan Prioritas Bantuan Uang Kuliah Tunggal,” Journal of Computer System and Informatics (JoSYC), vol. 3, no. 4, hlm. 330–338, Sep 2022, doi: 10.47065/josyc.v3i4.2112.

[19] U. UNGKAWA dan G. AL HAKIM, “Klasifikasi Warna pada Kematangan Buah Kopi Kuning menggunakan Metode CNN Inception V3,” ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika, vol. 11, no. 3, hlm. 731, Jul 2023, doi: 10.26760/elkomika.v11i3.731.

[20] M. Lehnert, J. Krejci, M. Janura, dan M. De Ste Croix, “Age-Related Changes in Landing Mechanics in Elite Male Youth Soccer Players: A Longitudinal Study,” Applied Sciences, vol. 12, no. 11, hlm. 5324, Mei 2022, doi: 10.3390/app12115324.

[21] Dede Kurniadi, Rifky Muhammad Shidiq, dan Asri Mulyani, “Perbandingan Penggunaan Optimizer dalam Klasifikasi Sel Darah Putih Menggunakan Convolutional Neural Network,” Jurnal Nasional Teknik Elektro dan Teknologi Informasi, vol. 14, no. 1, hlm. 77–86, Mar 2025, doi: 10.22146/jnteti.v14i1.17162.

[22] M. Reyad, A. M. Sarhan, dan M. Arafa, “A modified Adam algorithm for deep neural network optimization,” Neural Comput. Appl., vol. 35, no. 23, hlm. 17095–17112, Agu 2023, doi: 10.1007/s00521-023-08568-z.

[23] F. Muhammad dkk., “Deteksi Anomali Tekstural pada Gambar Generatif AI menggunakan Convolutional Neural Network (CNN) dengan Arsitektur EfficientNetB2 under a Creative Commons Attribution-NonCommercial ShareAlike 4.0 International (CC BY-NC-SA 4.0),” Jurnal Instek Informasi Sains dan Teknologi, vol. 11, no. 1, 2026, [Daring]. Tersedia pada: https://journal.uin-alauddin.ac.id/index.php/instek

[24] A. Acevedo, A. Merino, S. Alférez, Á. Molina, L. Boldú, dan J. Rodellar, “A dataset of microscopic peripheral blood cell images for development of automatic recognition systems,” Data Brief, vol. 30, Jun 2020, doi: 10.1016/j.dib.2020.105474.

[25] C. Marr, “Expert-annotated datasets for deep-learning based classification methods for morphologic Leukaemia diagnostics Christian Matek,” Short Paper – MIDL 2024 submission, vol. 30, Jun 2020, doi: 10.1016/j.dib.2020.105474.

[26] B. Elsayed dkk., “Deep learning enhances acute lymphoblastic leukemia diagnosis and classification using bone marrow images,” Front. Oncol., vol. 13, Des 2023, doi: 10.3389/fonc.2023.1330977.

[27] M. Deutges, A. Sadafi, N. Navab, dan C. Marr, “Neural Cellular Automata for Lightweight, Robust and Explainable Classification of White Blood Cell Images,” MICCAI (Medical Image Computing and Computer Assisted Intervention), 2024, [Daring]. Tersedia pada: https://github.com/marrlab/WBC-NCA.