ANALISIS PERFORMANSI SISTEM KLASIFIKASI KANKER KULIT MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK


Dian Ayu Nurlitasari(1), Rita Magdalena(2), R Yunendah Nur Fu'adah(3),


(1) Telkom University
(2) Telkom University
(3) Telkom University

Abstract


Kanker kulit adalah salah satu kanker ganas yang banyak ditemukan di Indonesia dan dapat menyebabkan kematian. Diagnosis kanker kulit dilakukan secara manual oleh dokter kulit melalui proses biopsi dan mikroskopis, namun proses ini memakan waktu lama dan membawa risiko kecelakaan selama proses biopsi. Sedangkan diagnosis dini menunjukkan lebih dari 90% dapat disembuhkan, dan diagnosis yang terlambat menunjukkan kurang dari 50% dapat disembuhkan.Pada Tugas Akhir ini diusulkan metode Convolutional Neural Network (CNN) menggunakan arsitektur Alexnet untuk mengklasifikasikan kanker kulit. Eksperimen dilakukan dengan menggunakan dataset yang diperoleh dari dataset International Skin Imaging Collaboration (ISIC) sebanyak 4000 citra kondisi kanker kulit dermatofibroma, melanoma, nevus pig-mentosus, dan karsinoma sel skuamosa, yang terdiri dari 1000 citra di setiap kelas. Dataset tersebut akan digunakan sebagai data latih dan data validasi dengan distribusi persentase data latih 80% dan data validasi 20%. Jadi jumlah data latih yang digunakan adalah 3200 citra kanker kulit. Sedangkan jumlah data validasi yang digunakan adalah 800 citra. Parameter terbaik yang digunakan dalam sistem klasifikasi kanker kulit ini antara lain menggunakan ukuran citra 64x64 piksel pada proses pre-processing, menggunakan Adam optimizer, learning rate 0,0001, epoch 20 dan batch size 16. Hasil pengujian menunjukkan bahwa sistem dapat mengklasifikasikan kulit kanker menurut kelasnya, dengan tingkat akurasi 99,50%, nilai presisi dan recall 99,75%, nilai f1-score 99,50%, dan nilai loss 0,0223. Berdasarkan hasil kinerja sistem, menunjukkan bahwa model yang dibuat menjanjikan untuk menjadi alat deteksi dini kanker kulit oleh dokter kulit dan dapat membantu mengurangi resiko keterlambatan diagnosis dini.

Keywords


Alexnet, Convolutional Neural Network, Kanker kulit.

Full Text:

PDF5

References


I. C. C. Community, "Sekilas Kanker Kulit," Indonesia Cancer Care Community, [Online]. Available: https://iccc.id/sekilas-kanker-kulit. [Accessed 5 Agustus 2021].

Foeady, A. Z. "Sistem Klasifikasi Kanker Kulit Berdasarkan Data Citra Dermoscopic dengan Menggunakan Metode Deep Extreme Learning Machine," UIN Sunan Ampel, p. 1, 2019.

Munthe, T. L. D. "Klasifikasi Citra Kanker Kulit Berdasarkan Tingkat Keganasan Kanker pada Melanosit Menggunakan Deep Convolutional Neural Network," Universitas Sumatera Utara, p. 74, 2018.

Wahaninggar, K. "Klasifikasi Citra Kanker Kulit Melanoma Menggunakan Metode Support Vector Machine (SVM)," Institute Teknologi Surabaya, p. 73, 2016.

Mentari, M. "Deteksi Kanker Kulit Melanoma dengan Linear Discriminant Analysis-Fuzzy k-Nearest Neigbhour Lp-Norm," Universitas Brawijaya, p. 6, 2016.

Khalid M. Hosny, M. A. K. a. M. M. F. "Skin Cancer Classification using Deep Learning and Transfer," IEEE, p. 4, 2018.

Md Zahangir Alom, T. M. T. C. Y. S. W. P. S. M. S. N. B. C. V. E. A. A. S. A. V. K. A. "The History Began from AlexNet: A Comprehensive Survey on Deep Learning Approaches," Cornell University, 2018.

D. H. Dr Amanda Oakley, "Dermatofibroma," January 2016. Diunduh di https://dermnetnz.org/topics/dermatofibroma/ tanggal 24 November 2020.

M. B. S. D. S. S. Mousumi Roy Bandyopadhyay, "Dermatofibroma: Atypical Presentations. Indian Journal of Dermatology," 15 January 2016. Diunduh di https://www.e-ijd.org/text.asp?2016/61/1/121/174131 tanggal 15 April 2021.

Suriany, "Hubungan Tumor-Infiltrating Lymphocytes (TILs) Histologi Karsinoma Sel Skuamosa Kulit," Universitas Sumatera Utara, p. 17, 2019.

Delila Tsaniyah R, A. a. F. "Prevalensi dan Gambaran Histopatologi Nevus Pigmentosus di Bagian Patologi Anatomi Rumah Sakit Dr. Mohammad Hoesin Palembang," Januari-Desember 2009-2013.

Ennok Nisa Islamiati, S. N. I. M. K. D. H. I. M. N. "Karakteristik Nevus Pigmentosus berdasar atas Gambaran Histopatologi," Jurnal Integrasi Kesehatan & Sains, vol. 1, 2019.

Burger W, M. J. B. "Digital Image Processing: An Algorithmic Introduction using Java, Texts in Computer Science," ISBN 978-1-84628-379-6. Springer-Verlag London, 2008.

Saputra, R. A. P. K. A. N. R. a. W. S. A. D. I. S. "Pelacakan dan deteksi wajah menggunakan video langsung pada webcam," Telematika, vol. 10, pp. 50-59, 2017.

Setiaji, A. "Deep Learning : Activation Function," 01 September 2018.

Agarap, A. F. "Deep Learning using Rectified Linear Units (ReLU)," pp. 2-8, 2018.

Kim, P. MATLAB Deep Learning : With Machine Learning, Neural Networks and Artificial Intelligence, 2017.

Karpathy, Intoduction to Convolutional Neural Networks, 2018.

Sofia, N. "Convolutional Neural Network," 9 June 2018.

Bilogur, A. "Keras Optimizers," Kaggle, 2018. Diunduh di https://www.kaggle.com/residentmario/keras-optimizers tanggal 12 Agustus 2021.

Munir, R. Pengolahan Citra Digital, Informatika Bandung, 2004.

"The International Skin Imaging Collaboration," Diunduh di https://www.isic-archive.com/ tanggal 24 November 2020.




DOI: https://doi.org/10.31289/jesce.v5i2.5691

Article Metrics

Abstract view : 0 times
PDF5 - 0 times

Refbacks

  • There are currently no refbacks.


JESCE (JOURNAL OF ELECTRICAL AND SYSTEM CONTROL ENGINEERING)
Program Studi Teknik Elektro, Fakultas Tenik, Universitas Medan Area
Universitas Medan Area, Jalan Kolam No. 1, Pasar V, Medan Estate, Sumatera Utara http://ojs.uma.ac.id/index.php/jesce dan Email: jesce@uma.ac.id
Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License