Kanker paru-paru, yang umumnya berasal dari sel karsinoma bronkogenik di bronkus, merupakan salah satu penyebab utama kematian akibat kanker di Indonesia, bertanggung jawab atas 12,6% dari semua kematian kanker. Mengingat peningkatan kasus tahunan dan tantangan seperti kekurangan tenaga ahli serta biaya konsultasi yang tinggi, penelitian ini menggunakan teknologi Convolutional Neural Network (CNN) untuk analisis citra CT Scan yang bertujuan mendukung proses diagnosis yang lebih efektif dan akurat. Penelitian ini mengkhususkan pada penggunaan dan evaluasi dari dua arsitektur CNN, DenseNet121 dan EfficientNetB0, untuk klasifikasi tipe kanker paru-paru berdasarkan citra CT Scan dari Kaggle. Tujuan penelitian adalah untuk mengukur efektivitas kedua arsitektur tersebut dalam meningkatkan akurasi deteksi kanker paru-paru. Hasil menunjukkan efektivitas yang signifikan dengan DenseNet121 mencapai akurasi 90%, sedangkan EfficientNetB0 mencapai akurasi 94%, menunjukkan potensi besar dalam peningkatan proses diagnostik kanker paru-paru.

Lung cancer, primarily originating from uncontrolled bronchogenic carcinoma cells in the bronchi, is one of the leading causes of cancer-related deaths in Indonesia, accounting for 12.6% of all cancer deaths. Given the annual increase in cases and challenges such as the shortage of specialists and high consultation costs, this study utilizes Convolutional Neural Network (CNN) technology for CT scan image analysis aimed at supporting more effective and accurate diagnostic processes. This research focuses on the use and evaluation of two CNN architectures, DenseNet121 and EfficientNetB0, for classifying types of lung cancer based on CT scan images from Kaggle. The aim is to assess the effectiveness of these architectures in enhancing the accuracy of lung cancer detection. Results demonstrate significant effectiveness, with DenseNet121 achieving 90% accuracy and EfficientNetB0 reaching 94%, showcasing substantial potential in improving lung cancer diagnostic processes.