Pada tahun 2022, kanker paru-paru menjadi kanker yang paling banyak didiagnosis dengan jumlah kasus baru mencapai 2,5 juta di seluruh dunia. Namun, di Indonesia, penanganan kanker paru-paru belum menjadi prioritas utama dalam bidang kesehatan. Tingginya angka kematian akibat kanker paru-paru diperparah dengan kurangnya tenaga medis yang ahli dalam deteksi dan penanganan penyakit ini, mengakibatkan keterlambatan diagnosis dan penurunan peluang kesembuhan. Teknologi deep learning, terutama metode Convolutional Neural Network (CNN) dengan arsitektur VGG16 dan DenseNet121, menawarkan solusi inovatif untuk meningkatkan akurasi klasifikasi citra CT Scan dalam diagnosis kanker paru-paru. Penelitian ini bertujuan untuk mengevaluasi kinerja kedua arsitektur tersebut dalam mengklasifikasikan empat jenis kanker paru-paru. Dengan menggunakan 1000 data dari Kaggle, penelitian ini berhasil mencapai akurasi 86% untuk VGG16 dan 95% untuk DenseNet121. Hasil ini menunjukkan potensi besar penerapan CNN dalam membantu diagnosis kanker paru-paru secara lebih akurat dan efisien, yang pada akhirnya diharapkan dapat berkontribusi pada pengembangan sistem pendukung keputusan klinis yang lebih baik.

In 2022, lung cancer became the most diagnosed cancer with the number of new cases reaching 2.5 million worldwide. However, in Indonesia, the treatment of lung cancer has not become a top priority in the health sector. The high death rate from lung cancer is exacerbated by the lack of medical personnel who are experts in the detection and treatment of this disease, resulting in delayed diagnosis and a decrease in the chances of cure. Deep learning technologies, especially the Convolutional Neural Network (CNN) method with VGG16 and DenseNet121 architectures, offer innovative solutions to improve the classification accuracy of CT Scan images in the diagnosis of lung cancer. This study aims to evaluate the performance of the two architectures in classifying four types of lung cancer. Using 1000 data from Kaggle, the study achieved 86% accuracy for VGG16 and 95% for DenseNet121. These results show the great potential of the application of CNNs in helping to diagnose lung cancer more accurately and efficiently, which is ultimately expected to contribute to the development of better clinical decision support systems.