Implementasi Transfer Learning Dalam Klasifikasi Tingkat Keganasan Sel Kanker Serviks
Total View This Week0
Total View This Week0
Institusion
Institut Teknologi Kalimantan
Author
Adha, Aqmal Fauzan
Subject
RB Pathology
Datestamp
2025-01-09 03:48:55
Abstract :
Kanker serviks merupakan penyakit yang menempati posisi tertinggi sebagai penyakit yang menyerang kaum hawa. Diketahui Indonesia didapatkan sebesar 1,4 per 1.000 penduduk serta merupakan penyebab kematian nomor 7 dari seluruh penyebab kematian. Tingginya angka yang disebabkan oleh kanker leher rahim dapat dicegah apabila wanita dewasa memiliki pengetahuan dan menyadari bahwa kanker leher rahim merupakan salah satu penyakit yang mematikan. Penelitian ini mengusulkan algoritma klasifikasi tingkat keganasan sel kanker serviks berdasarkan data SipakMed menggunakan metode Transfer Learning. Proses ini diawali dari memilih dataset citra medis yang sudah dilabeli, misalnya gambar sel kanker serviks. Data gambar tersebut diproses dengan langkah seperti resize image, normalisasi nilai pixel, dan augmentasi image. Selanjutnya, dilakukan pengujian dengan tiga model pre-trained yaitu EfficientNetV2, InceptionV3, dan Xception. Dalam tahapan fine-tuning, beberapa layer dipertahankan dan pelatihan menggunakan dataset untuk menyesuaikan task model ke dalam task klasifikasi. Berdasarkan hasil pengujian yang telah dilakukan, diperolah perbandingan akurasi EfficientNetV2, InceptionV3, dan Xception yang memiliki kelebihan serta kekurangan. Pada model InceptionV3 dan Xception didapatkan nilai akurasi yang cukup tinggi dibandingkan dengan EfficientNetV2. Pada model EfficientNetV2 mengalami kendala dalam mencapai nilai akurasi yang diinginkan, dimana hanya mencapai sekitar 50%. Ada beberapa faktor penyebab yaitu pengaturan hyperparameter yang kurang tepat, ukuran dataset yang terbatas, atau pada proses fine-tuning. Secara keseluruhan, Xception dan InceptionV3 lebih unggul dalam klasifikasi kanker serviks dibandingkan dengan EfficientNetV2. Kata kunci: Serviks, EfficientNet V2, Inception V3, Xception
Kanker serviks merupakan penyakit yang menempati posisi tertinggi sebagai penyakit yang menyerang kaum hawa. Diketahui Indonesia didapatkan sebesar 1,4 per 1.000 penduduk serta merupakan penyebab kematian nomor 7 dari seluruh penyebab kematian. Tingginya angka yang disebabkan oleh kanker leher rahim dapat dicegah apabila wanita dewasa memiliki pengetahuan dan menyadari bahwa kanker leher rahim merupakan salah satu penyakit yang mematikan. Penelitian ini mengusulkan algoritma klasifikasi tingkat keganasan sel kanker serviks berdasarkan data SipakMed menggunakan metode Transfer Learning. Proses ini diawali dari memilih dataset citra medis yang sudah dilabeli, misalnya gambar sel kanker serviks. Data gambar tersebut diproses dengan langkah seperti resize image, normalisasi nilai pixel, dan augmentasi image. Selanjutnya, dilakukan pengujian dengan tiga model pre-trained yaitu EfficientNetV2, InceptionV3, dan Xception. Dalam tahapan fine-tuning, beberapa layer dipertahankan dan pelatihan menggunakan dataset untuk menyesuaikan task model ke dalam task klasifikasi. Berdasarkan hasil pengujian yang telah dilakukan, diperolah perbandingan akurasi EfficientNetV2, InceptionV3, dan Xception yang memiliki kelebihan serta kekurangan. Pada model InceptionV3 dan Xception didapatkan nilai akurasi yang cukup tinggi dibandingkan dengan EfficientNetV2. Pada model EfficientNetV2 mengalami kendala dalam mencapai nilai akurasi yang diinginkan, dimana hanya mencapai sekitar 50%. Ada beberapa faktor penyebab yaitu pengaturan hyperparameter yang kurang tepat, ukuran dataset yang terbatas, atau pada proses fine-tuning. Secara keseluruhan, Xception dan InceptionV3 lebih unggul dalam klasifikasi kanker serviks dibandingkan dengan EfficientNetV2. Kata kunci: Serviks, EfficientNet V2, Inception V3, Xception
File :
04201019_cover.pdf
04201019_statement_of_authenticity.pdf
04201019_chapter_1.pdf
04201019_chapter_2.pdf
04201019_chapter_3.pdf
04201019_chapter_4.pdf
04201019_conclusions.pdf
04201019_bibliography.pdf
04201019_enclosure.pdf
04201019_paper.pdf
04201019_presentation.pdf
04201019_Form. TA-020.pdf
04201019_publishing_agreement.pdf
04201019_approval_sheet.pdf
04201019_preface.pdf
04201019_abstract_id.pdf
04201019_abstract_en.pdf
04201019_table_of_content.pdf
04201019_illustrations.pdf
04201019_tables.pdf
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
