admin 
JAKARTA, GOLANNUSANTARA.COM – Tim peneliti Universitas Nusa Mandiri (UNM) melaksanakan seminar kemajuan hasil penelitian Hibah Penelitian Disertasi Doktor pada 20 Agustus 2026. Seminar tersebut memaparkan perkembangan penelitian kecerdasan buatan untuk mendukung klasifikasi citra sitologi serviks melalui pendekatan segmentation-free.
Penelitian yang dipresentasikan berjudul “Integrasi Segmentation Free Convolutional Neural Networks dan Interpretasi Fitur untuk Klasifikasi Whole Slide Image Sitologi Serviks”.
Tim penelitian terdiri atas Prof. Dr. Ir. Dwiza Riana sebagai ketua peneliti, Dr. Nita Merlina sebagai anggota peneliti, serta Esron Rikardo Nainggolan sebagai anggota peneliti sekaligus mahasiswa Program Doktor Informatika Universitas Nusa Mandiri dengan peminatan Biomedical Informatics.
Seminar kemajuan tersebut dihadiri oleh promotor dan penguji eksternal, yakni Dr. Ruhul Amin dari Program Doktor Informatika Universitas Nusa Mandiri, Prof. Arif Muntasa, dan Prof. Agus Subekti. Ketiganya memberikan berbagai masukan untuk penyempurnaan metode, penguatan evaluasi, serta keberhasilan pelaksanaan penelitian pada tahap berikutnya.
Pengembangan AI untuk Analisis Sitologi Serviks
Penelitian ini dilatarbelakangi oleh tingginya beban kesehatan akibat kanker serviks, khususnya di negara berkembang. Pemeriksaan Pap smear masih menjadi salah satu metode utama untuk membantu deteksi dini. Namun, analisis citra sitologi memiliki sejumlah tantangan, antara lain variasi ukuran dan bentuk sel, perbedaan warna, sel yang saling bertumpuk, serta keberadaan artefak pada preparat.
Tim peneliti memanfaatkan teknologi Whole Slide Imaging atau WSI yang memungkinkan preparat mikroskopis dipindai dalam resolusi sangat tinggi. Citra WSI dapat menyimpan detail visual yang besar, tetapi ukuran datanya mencapai skala gigapiksel sehingga memerlukan proses komputasi dan metode analisis yang lebih efisien.
Pendekatan konvensional umumnya mengandalkan segmentasi sel atau nukleus sebelum proses klasifikasi. Tahapan tersebut cukup kompleks dan rentan menghasilkan kesalahan ketika kualitas citra rendah, kontras lemah, atau terdapat artefak.
Melalui penelitian ini, tim UNM mengembangkan pendekatan segmentation-free yang memungkinkan jaringan saraf konvolusional atau Convolutional Neural Networks mempelajari informasi diagnostik dari citra tanpa bergantung pada segmentasi sel tunggal.
Dua Tahapan Penelitian Telah Tercapai
Dalam seminar tersebut, tim menyampaikan bahwa dua tahapan awal penelitian telah berhasil dilaksanakan. Tahap pertama berfokus pada prapemrosesan dan peningkatan kualitas citra WSI.
Hasil pengujian menunjukkan bahwa metode prapemrosesan mampu mempertahankan struktur visual citra dengan rata-rata nilai Structural Similarity Index sebesar 0,7035 dan Peak Signal-to-Noise Ratio sebesar 20,30 desibel. Rata-rata waktu pemrosesan tercatat sekitar 0,0103 detik untuk setiap citra.
Hasil tersebut menjadi dasar untuk menghasilkan alur prapemrosesan WSI yang terukur dan dapat digunakan pada tahapan analisis berikutnya.
Tahap kedua mengembangkan metode Adaptive Informative Patch Selection atau AIPS. Metode ini digunakan untuk memilih bagian citra yang memiliki informasi biologis dan diagnostik, sekaligus memisahkan area latar belakang serta artefak.
Pengujian dilakukan terhadap lima citra WSI dari dataset RepoMedUNM. Berdasarkan hasil evaluasi, AIPS mampu mengeliminasi rata-rata 73,4 persen bagian citra yang tidak informatif. Sekitar 26,6 persen bagian citra dipertahankan sebagai data informatif untuk proses klasifikasi berikutnya.
Bagian citra yang teridentifikasi sebagai artefak tidak langsung dihapus. Tim memisahkannya sebagai kelompok tersendiri karena beberapa artefak masih mengandung struktur biologis yang berpotensi memiliki informasi penting bagi penelitian lanjutan.
Dilanjutkan dengan Klasifikasi dan Interpretasi AI
Setelah menyelesaikan tahap prapemrosesan dan seleksi data informatif, penelitian akan dilanjutkan ke tahap klasifikasi WSI berbasis CNN dan Multiple Instance Learning. Pendekatan tersebut dirancang untuk melakukan klasifikasi WSI tanpa harus menyegmentasikan setiap sel secara individual.
Tahap berikutnya juga akan mengintegrasikan metode Explainable Artificial Intelligence menggunakan Grad-CAM dan SHAP. Integrasi ini bertujuan membantu menjelaskan bagian citra yang memengaruhi keputusan model sehingga hasil klasifikasi lebih transparan dan dapat dipahami oleh praktisi medis.
Masukan dari promotor dan penguji eksternal dalam seminar kemajuan menjadi bagian penting dalam penyempurnaan desain eksperimen, evaluasi performa model, serta penguatan kontribusi ilmiah penelitian.
Selain menghasilkan metode prapemrosesan WSI dan AIPS, penelitian ini telah menghasilkan luaran publikasi pada prosiding internasional IEEE mengenai prapemrosesan citra WSI. Tim juga sedang menyiapkan artikel ilmiah yang membahas pengembangan metode seleksi citra informatif.
Penelitian ini diharapkan dapat menghasilkan model kecerdasan buatan yang lebih efisien, dapat dijelaskan, dan mampu menghadapi variasi kualitas citra sitologi dari sumber data yang berbeda. Hasil akhirnya diharapkan mendukung pengembangan teknologi patologi digital, khususnya untuk membantu analisis citra sitologi serviks.
