ANALISIS PERFORMA TRANSFER LEARNING MENGGUNAKAN MEDICAL VISION TRANSFORMER (MEDVIT) UNTUK KLASIFIKASI KANKER PAYUDARA BERDASARKAN MAMMOGRAM PADA DATASET CBIS - DDSM

Kanker payudara merupakan jenis kanker dengan prevalensi tertinggi pada wanita
dan menyumbang angka kematian yang signifikan, termasuk di Indonesia, di mana
banyak kasus baru terdeteksi pada stadium lanjut. Deteksi dini melalui mamografi sangat
penting untuk meningkatkan angka kesembuhan. Seiring dengan perkembangan
teknologi, analisis mamografi kini dapat dibantu dengan kecerdasan buatan berbasis deep
learning (DL) untuk meningkatkan akurasi diagnosis. Penelitian ini bertujuan
mengevaluasi performa Medical Vision Transformer (MedViT), sebuah arsitektur hibrida
yang menggabungkan ekstraksi fitur lokal CNN dan mekanisme self-attention
Transformer. Model dioptimalkan dengan convolutional adapter untuk efisiensi
parameter. MedViT terlebih dahulu di-pre-train menggunakan dataset MedMNIST multi�label, kemudian di-fine-tune pada dataset CBIS-DDSM, dengan tambahan data normal
dari Mini-DDSM agar distribusi kelas lebih seimbang. Penelitian difokuskan pada
klasifikasi tiga kelas: normal, benign, dan malignant. Hasil eksperimen menunjukkan
bahwa Konfigurasi C memberikan performa terbaik dengan akurasi 76,09% dan ROC
AUC 89,04%. Pada kelas benign, model mencapai presisi 65%, sensitivitas 63%, dan F1-
score 64%; kelas malignant menghasilkan presisi 64%, sensitivitas 66%, dan F1-score
65%; sedangkan kelas normal berhasil diklasifikasikan sempurna (100% pada semua
metrik). Dengan demikian, penelitian ini membuktikan bahwa pendekatan parameter�efficient fine-tuning menggunakan adapter konvolusional pada MedViT mampu
melakukan klasifikasi multi-class mammogram dengan efisiensi pelatihan yang optimal.
Hasil ini diharapkan dapat berkontribusi pada pengembangan sistem deteksi dini kanker
payudara berbasis AI yang akurat, efisien, dan andal.
Kata kunci : Kanker payudara, Mamografi, Transfer learning, Klasifikasi citra, Medical
Vision Transformer (MedViT)