Bapak Toto Haryanto, lulusan program Doktor Ilmu Komputer Fakultas Ilmu Komputer Universitas Indonesia (Fasilkom UI), berhasil mempertahankan disertasinya pada sidang promosi doktor dengan kajian mengenai pengembangan metode klasifikasi status kanker berbasis citra histopatologi dengan deep learning dan komputasi parallel di lingkungan graphics processing unit. Disertasi diujikan secara daring pada Selasa, 15 Desember 2020 pukul 10.00 pagi menggunakan Zoom dan dapat disaksikan live pada kanal Youtube Fasilkom UI.
Salah satu cara untuk melakukan diagnosa penyakit kanker adalah melakukan analisis dengan menggunakan citra histopatologi yang merupakan gold standar untuk diagnosis kanker. Citra histopatologi adalah citra yang diambil dari jaringan tubuh pasien yang diduga terkena kanker dengan menggunakan suatu alat (scanner) dengan resolusi yang bervariasi kemudian diberikan pewarnaan tertentu yang umumnya menggunakan pewarnaan hematoxylin dan eosin (H&E). Namun dibutuhkan waktu 5-6 jam untuk setiap sampelnya agar dapat diidentifikasi kanker atau tidak.
Pada sidang promosinya, Bapak Toto Haryanto menjelaskan bahwa kehadiran berbagai teknik machine learning dan deep learning memberikan peluang bagi bidang Ilmu Komputer untuk memiliki andil di dalam memberikan alternatif untuk menyelesaikan permasalahan tersebut. Machine learning dan deep learning memanfaatkan sejumlah data untuk dilatih dan kemudian akan menghasilkan metode atau bahkan model untuk memprediksi atau identifikasi kanker. Pengembangan suatu metode berbasis deep learning untuk melakukan prediksi sangat membutuhkan ketersediaan data yang memadai. Oleh karena itu, diperlukan suatu teknik yang dapat menghasilkan atau membangkitkan data histopatologi sebagai dataset untuk proses pelatihan.
Penelitian yang dipromotori oleh Prof. Heru Suhartanto dan ko-promotor Prof. Aniati Murni Arymurthy ini menyebutkan bahwa salah satu kebaruan dari disertasi ini adalah telah berhasil melakukan modifikasi dan algoritma sliding window untuk mengatasi keterbatasan data citra histopatologi yang disebut dengan conditional sliding windows. Selain itu, disertasi ini juga telah berhasil merancang arsitektur deep learning yang dilatih pada lingkungan parallel dengan graphics processing unit (GPU) untuk menghasilkan metode identifikasi status kanker dengan citra histopatologi dengan akurasi dapat dibandingkan dengan metode terkini yang berkembang.
Penulis: Aulia Azmi