Implementasi Algoritma Convolutional Neural Network (Resnet-50) untuk Klasifikasi Kanker Kulit Benign dan Malignant
Implementation of Convolutional Neural Network Algorithm (ResNet-50) for Benign and Malignant Skin Cancer Classification
DOI:
https://doi.org/10.57152/malcom.v4i3.1398Keywords:
CNN, Kanker Kulit, Klasifikasi, Model, ResNet-50Abstract
Kulit sebagai organ terluar yang menutupi seluruh bagian tubuh manusia rentan terhadap berbagi penyakit, salah satunya kanker kulit. Penggunaan teknologi malignant, khususnya Convolutional Neural Network (CNN) diangkat menjadi topik penelitian karena kemampuan CNN untuk secara otomatis mengenali fitur penting dalam klasifikasi citra medis kanker kulit. Oleh karena itu dilakukan penelitian pengklasifikasian penyakit kanker kulit benign (jinak) dan malignant (ganas) menggunakan algoritma CNN arsitektur ResNet-50 dengan dataset berupa 5000 data latih kanker kulit benign dan 4600 data latih kanker kulit malignant.Model CNN yang telah dirancang dengan epoch 50 menggunakan optimizer Adam dan batch size sebesar 54 serta melibatkan beberapa teknik augmentasi data guna meningkatkan keragaman dataset untuk kemudian model hasil perancangan diimplementasikan ke dalam tampilan sebuah website dengan menggunakan Flask sebagai kerangka kerja yang menghubungkan antara model deep learning dan website agar bisa diakses oleh pengguna. Metode pengujian blackbox dilakukan demi memastikan sistem dapat melakukan klasifikasi kanker kulit melalui input berupa citra medis kedalam 2 kelas yaitu benign dan malignant dengan baik serta didapatkan hasil akurasi model sebesar 94,88 % dan loss sebesar 13,24%.
References
A. R. Mz, I. Wijaya, and ..., “Sistem pakar diagnosa penyakit kulit pada manusia dengan metode dempster shafer,” Journal of Computer …, 2020, [Online]. Available: http://jcosine.if.unram.ac.id/index.php/jcosine/article/view/285
R. Agustina, R. Magdalena, and ..., “Klasifikasi Kanker Kulit menggunakan Metode Convolutional Neural Network dengan Arsitektur VGG-16,” …?: Jurnal Teknik Energi …, 2022, [Online]. Available: http://ejurnal.itenas.ac.id/index.php/elkomika/article/view/5674
F. Bray, “Global cancer statistics 2018: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries,” CA Cancer Journal for Clinicians, vol. 68, no. 6, pp. 394–424, 2018, doi: 10.3322/caac.21492.
T. L. D. Munthe, Klasifikasi citra kanker kulit berdasarkan tingkat keganasan kanker pada melanosit menggunakan deep convolutional neural network (DCNN). repositori.usu.ac.id, 2018. [Online]. Available: https://repositori.usu.ac.id/handle/123456789/8883
M. R. Hasan, “Comparative Analysis of Skin Cancer (Benign vs. Malignant) Detection Using Convolutional Neural Networks,” J Healthc Eng, vol. 2021, 2021, doi: 10.1155/2021/5895156.
R. R. Saputro, A. Junaidi, and ..., “Klasifikasi Penyakit Kanker Kulit Menggunakan Metode Convolutional Neural Network (Studi Kasus: Melanoma),” Journal of Dinda: Data …, 2022, [Online]. Available: https://journal.ittelkom-pwt.ac.id/index.php/dinda/article/view/349
M. Faruk and N. Nafi’iyah, “Klasifikasi Kanker Kulit Berdasarkan Fitur Tekstur, Fitur Warna Citra Menggunakan SVM dan KNN,” Telematika, 2020, [Online]. Available: https://ejournal.amikompurwokerto.ac.id/index.php/telematika/article/view/987
L. Alzubaidi, “Review of deep learning: concepts, CNN architectures, challenges, applications, future directions,” J Big Data, vol. 8, no. 1, 2021, doi: 10.1186/s40537-021-00444-8.
Y. Benhammou, “BreakHis based breast cancer automatic diagnosis using deep learning: Taxonomy, survey and insights,” Neurocomputing, vol. 375, pp. 9–24, 2020, doi: 10.1016/j.neucom.2019.09.044.
E. Wulczyn, “Deep learning-based survival prediction for multiple cancer types using histopathology images,” PLoS One, vol. 15, no. 6, 2020, doi: 10.1371/journal.pone.0233678.
K. Nagpal, “Development and validation of a deep learning algorithm for improving Gleason scoring of prostate cancer,” NPJ Digit Med, vol. 2, no. 1, 2019, doi: 10.1038/s41746-019-0112-2.
A. Budhiman, “Melanoma Cancer Classification Using ResNet with Data Augmentation,” 2019 2nd International Seminar on Research of Information Technology and Intelligent Systems, ISRITI 2019, pp. 17–20, 2019, doi: 10.1109/ISRITI48646.2019.9034624.
M. A. Al-masni, “Multiple skin lesions diagnostics via integrated deep convolutional networks for segmentation and classification,” Comput Methods Programs Biomed, vol. 190, 2020, doi: 10.1016/j.cmpb.2020.105351.
M. M. I. Rahi, “Detection of Skin Cancer Using Deep Neural Networks,” 2019 IEEE Asia-Pacific Conference on Computer Science and Data Engineering, CSDE 2019, 2019, doi: 10.1109/CSDE48274.2019.9162400.
A. Ajrana, Rancang Bangun Aplikasi Mobile Klasifikasi Kanker Kulit Dengan Pemilihan Model Transfer Learning. repository.unhas.ac.id, 2022. [Online]. Available: http://repository.unhas.ac.id/id/eprint/22712/4/H071181003_skripsi_28-09-2022.pdf
A. Ghosh, “Fundamental concepts of convolutional neural network,” Intelligent Systems Reference Library, vol. 172, pp. 519–567, 2019, doi: 10.1007/978-3-030-32644-9_36.
P. Singh, “Deploy Machine Learning Models to Production: With Flask, Streamlit, Docker, and Kubernetes on Google Cloud Platform,” Deploy Machine Learning Models to Production: With Flask, Streamlit, Docker, and Kubernetes on Google Cloud Platform, pp. 1–150, 2020, doi: 10.1007/978-1-4842-6546-8.
R. Rahutomo, “Artificial Intelligence Model Implementation in Web-Based Application for Pineapple Object Counting,” Proceedings of 2019 International Conference on Information Management and Technology, ICIMTech 2019, pp. 525–530, 2019, doi: 10.1109/ICIMTech.2019.8843741.
S. Wicaksono, Blackbox Testing Teori dan Studi Kasus. 2022. doi: 10.5281/zenodo.7659674.
P. Astuti, “PENGGUNAAN METODE BLACK BOX TESTING (BOUNDARY VALUE ANALYSIS) PADA SISTEM AKADEMIK (SMA/SMK),” Faktor Exacta, vol. 11, p. 186, Dec. 2018, doi: 10.30998/faktorexacta.v11i2.2510.
