ABSTRAK Nama : Toto Haryanto Program Studi : Ilmu Komputer Judul : Pengembangan metode klasifikasi status kanker berbasis citra histopatologi dengan deep learning dan komputasi parallel di lingkungan graphic processing unit Kanker merupakan salah satu penyakit yang memiliki angka kematian tergolong tinggi di dunia. Itulah sebabnya penelitian terkait dengan kanker masih menjadi tantangan tersendiri. Salah satu cara untuk melakukan diagnosa penyakit kanker, adalah melakukan analisis dengan menggunakan citra medis yang dalam hal ini adalah citra histopatologi. 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. Analisis dengan menggunakan citra histopatologi yang dilakukan secara konvensional akan sangat bergantung pada pengalaman dari ahli patologi itu sendiri. Untuk dapat memutuskan apakah suatu jaringan teridentifikasi kanker atau tidak, dibutuhkan waktu 5- 6 jam untuk setiap sampelnya. 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 data untuk dilatih dan kemudian akan menghasilkan metode untuk memprediksi atau identifikasi kanker. Dengan demikian, kebutuhan data di dalam machine learning terlebih lagi deep learning sudah seharusnya tersedia. Akan tetapi, permasalahan yang kerap kali terjadi jika melakukan penelitian dengan data medis histopatologi adalah keterdiaan data yang terbatas. Padahal, pengembangan suatu metode untuk melakukan prediksi sangat membutuhkan ketersediaan data yang cukup. Oleh karena itu, diperlukan suatu teknik yang dapat menghasilkan atau membangkitkan data histopatologi sebagai dataset untuk proses pelatihan. 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 untuk menghasilkan metode identifikasi status kanker dengan citra histopatologi dengan akurasi dapat dibandingkan dengan metode terkini yang berkembang. Penggunaan conditional sliding window mampu menghasilkan beberapa skenario dataset citra histopatologi yang akan digunakan sebagai dataset untuk proses pelatihan. Arsitektur yang dikembangkan adalah CNN yang kami sebut dengan CNN-7-5-7. Arsitektur ini memanfaatkan data hasil pembangkitan conditional sliding window dan hasilnya lebih baik jika dibandingkan dengan tanpa melakukan pembangkitan. Apabila dibandingkan dengan arsitektur deep learning seperti Alexnet dan DenseNet, CNN 7-5-7 menghasilkan performa yang lebih konsisten. Dalam hal waktu pelatihan, arsitektur CNN 7-5-5 juga relatif lebih cepat dengan rata-rata 5.73 detik untuk setiap epoch. Apabila dibandingkan dengan model dengan data hasil pembangkitan Generative Adversarial Network (GAN), Conditional Sliding Windows mampu memberikan performa yang lebih baik. Proses pelatihan dilakukan dengan menggunakan beberapa jenis graphics processing unit (GPU) untuk mempercepat proses komputasi. Proses pelatihan dilakukan baik dengan menggunakan satu GPU maupun multi-GPU. Penggunaan GPU mampu mempercepat waktu pelatihan dibandingkan dengan menggunakan CPU multicores. Kata kunci : conditional sliding window, CNN 7-5-7, deep learning, GPU, histopatolog