DETEKSI AWAL KLASIFIKASI JENIS PENYAKIT KANKER KULIT
DENGAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK
(CNN) BERBASIS MOBILE APPS
Total View This Week0
Total View This Week0
Institusion
Universitas PGRI Semarang
Author
MAWARDI, DIMAS PUTRA
Subject
L Education (General)
Datestamp
2024-08-12 02:44:44
Abstract :
Kulit, sebagai organ luar yang melapisi tubuh manusia, memiliki peran penting dalam menjaga kesehatan dan keutuhan tubuh. Salah satu penyakit yang dapat mengancam kulit adalah kanker kulit, yang dapat menyebabkan kerusakan serius bahkan kematian. Proses diagnosis tradisional untuk kanker kulit sering melibatkan biopsi, yang mahal dan invasif. Faktor risiko untuk kanker kulit termasuk paparan sinar ultraviolet, faktor genetik, pola hidup yang tidak sehat, dan infeksi human papillomavirus. Deteksi dini sangat penting untuk mengatasi kanker kulit, namun diagnosa sering kali sulit karena kesulitan membedakan antara lesi kulit yang berpotensi ganas dan yang tidak. Untuk mengatasi tantangan ini, metode deep learning seperti Convolutional Neural Network (CNN) menjadi perhatian, karena kemampuannya dalam mengklasifikasikan citra kulit dengan akurasi yang tinggi, memfasilitasi diagnosa kanker kulit secara lebih cepat dan efisien. Penelitian ini menginvestigasi pemanfaatan algoritma Convolutional Neural Network (CNN) untuk mengklasifikasikan penyakit kanker kulit berdasarkan citra dermoskopi. Dengan dataset berjumlah 10.015 citra yang terbagi menjadi data latih (75%) dan data uji (25%), model yang dikembangkan menggunakan teknik transfer learning mampu mencapai tingkat akurasi sebesar 97,38%, dengan akurasi validasi mencapai 97,39% setelah melalui 200 epoch. Pengujian yang dilakukan, white box yang mendapatkan hasil 2 independent path yang berarti tidak kompleks dan mudah untuk perbaikan pada code program sehingga dikatakan baik. Pengujian black box, maupun UAT (User Acceptance Testing), menunjukkan tingkat keberhasilan yang sangat tinggi, mencapai 100%. Selain itu, hasil klasifikasi menunjukkan rata-rata nilai precison, recall, dan f1_score sebesar 97%, menandakan peningkatan signifikan dari penelitian sebelumnya. Penelitian ini juga berhasil mengatasi beberapa kelemahan penelitian sebelumnya dengan meningkatkan jumlah kelas dan dataset yang digunakan, dari dua kelas dan 5.000 citra pada penelitian sebelumnya menjadi tujuh kelas dan 10.015 citra, yang menghasilkan diagnosis yang lebih akurat dan representatif dalam deteksi penyakit kanker kulit. Kata kunci: Kanker kulit, CNN, deep learning, dermoskopi, transfer learning, diagnosis awal, deteksi kanker kulit.
Kulit, sebagai organ luar yang melapisi tubuh manusia, memiliki peran penting dalam menjaga kesehatan dan keutuhan tubuh. Salah satu penyakit yang dapat mengancam kulit adalah kanker kulit, yang dapat menyebabkan kerusakan serius bahkan kematian. Proses diagnosis tradisional untuk kanker kulit sering melibatkan biopsi, yang mahal dan invasif. Faktor risiko untuk kanker kulit termasuk paparan sinar ultraviolet, faktor genetik, pola hidup yang tidak sehat, dan infeksi human papillomavirus. Deteksi dini sangat penting untuk mengatasi kanker kulit, namun diagnosa sering kali sulit karena kesulitan membedakan antara lesi kulit yang berpotensi ganas dan yang tidak. Untuk mengatasi tantangan ini, metode deep learning seperti Convolutional Neural Network (CNN) menjadi perhatian, karena kemampuannya dalam mengklasifikasikan citra kulit dengan akurasi yang tinggi, memfasilitasi diagnosa kanker kulit secara lebih cepat dan efisien. Penelitian ini menginvestigasi pemanfaatan algoritma Convolutional Neural Network (CNN) untuk mengklasifikasikan penyakit kanker kulit berdasarkan citra dermoskopi. Dengan dataset berjumlah 10.015 citra yang terbagi menjadi data latih (75%) dan data uji (25%), model yang dikembangkan menggunakan teknik transfer learning mampu mencapai tingkat akurasi sebesar 97,38%, dengan akurasi validasi mencapai 97,39% setelah melalui 200 epoch. Pengujian yang dilakukan, white box yang mendapatkan hasil 2 independent path yang berarti tidak kompleks dan mudah untuk perbaikan pada code program sehingga dikatakan baik. Pengujian black box, maupun UAT (User Acceptance Testing), menunjukkan tingkat keberhasilan yang sangat tinggi, mencapai 100%. Selain itu, hasil klasifikasi menunjukkan rata-rata nilai precison, recall, dan f1_score sebesar 97%, menandakan peningkatan signifikan dari penelitian sebelumnya. Penelitian ini juga berhasil mengatasi beberapa kelemahan penelitian sebelumnya dengan meningkatkan jumlah kelas dan dataset yang digunakan, dari dua kelas dan 5.000 citra pada penelitian sebelumnya menjadi tujuh kelas dan 10.015 citra, yang menghasilkan diagnosis yang lebih akurat dan representatif dalam deteksi penyakit kanker kulit. Kata kunci: Kanker kulit, CNN, deep learning, dermoskopi, transfer learning, diagnosis awal, deteksi kanker kulit.
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
