IMPLEMENTASI ARSITEKTUR DENGAN PEMILIHAN MODEL TRANSFER LEARNING CONVOLUTIONAL NEURAL NETWORK DALAM MENGKLASIFIKASIKAN PENYAKIT KANKER KULIT
##plugins.themes.academic_pro.article.main##
Abstract
Kulit merupakan lapisan tubuh manusia yang berfungsi untuk menutupi seluruh permukaan pada tubuh manusia. Kulit yang tidak terawat akan menimbulkan penyakit dan gangguan pada kulit diantara yaitu kanker kulit. Dalam mendiagnosis penyakit kanker kulit digunakan metode biopsi, Namun terdapat beberapa kekurangan biopsi diantaranya yaitu butuh persiapan yang panjang, waktu penyembuhan luka yang sedikit lama dan biaya yang mahal. Metode Deep Learning yang saat ini memiliki hasil paling signifikan dalam pengenalan citra adalah Convolutional Neural Network (CNN). Dalam penelitian dilakukan pengklasifikasian kanker kulit dengan metode CNN dengan data yang digunakan merupakan data 9 kelas kanker kulit serta 1 kelas kulit sehat. Dalam membangun model klasifikasi penyakit kanker kulit digunakan kerangka kerja pemilihan model transfer learning. Dimana terdapat tiga model arsitektur yang digunakan yaitu VGG16, DenseNet121 dan NASNetMobile. Dari ketiga model yang digunakan, model VGG16 mendapat hasil akurasi tertinggi. hasil akurasi data train pada model arsitektur VGG16 yaitu sebesar 98%, dan data test sebesar 85%. Kemudian untuk DenseNet121 menghasilkan nilai akurasi sebesar 99% untuk data train dan 82% untuk data test. Untuk model arsitektur NASNetMobile menghasilkan nilai akurasi pada data train sebesar 96% dan 68% untuk data test. Â
##plugins.themes.academic_pro.article.details##
References
- Akçay, S., Kundegorski, M. E., Devereux, M., & Breckon, T. P.(2016). Transfer Learning Using Convolutional Neural Networks for Object Classification Within X-RAY Baggage Security Imagery. In 2016 IEEE International Conference on Image Processing (ICIP), 1057–1061.
- Fu’adah, Y. N., Pratiwi, N. C., Pramudito, M. A., & Ibrahim, N. (2020). Convolutional Neural Network (CNN) for Automatic Skin Cancer Classification System. IOP Conference Series: Materials [3] [3] Science and Engineering, 982(1). https://doi.org/10.1088/1757-899X/982/1/012005
- Hendaria, M. P., Asmarajaya, A., & Maliawan, S. (2015). Kanker Kulit. Fakultas Kedokteran Universitas Udayana., 1–17.
- Huang, G., Liu, Z., van der Maaten, L., & Weinberger, K. Q. (2017). Densely Connected Convolutional Networks. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition., 4700–4708. https://github.com/liuzhuang13/DenseNet.
- Li, H., Wang, P., You, M., & Shen, C. (2018). Reading car license plates using deep neural networks. Image and Vision Computing, 72, 14–23. https://doi.org/10.1016/j.imavis.2018.02.002
- Simonyan, K., & Zisserman, A. (2014). Very Deep Convolutional Networks for Large-Scale Image Recognition. ArXiv Preprint ArXiv, 1409–1556. http://arxiv.org/abs/1409.1556
- Suartika E.P, I. W., Wijaya, A. Y., & Soelaima, R. (2016). Klasifikasi Citra Menggunakan Convolutional Neural Network (Cnn) pada Caltech 101. JURNAL TEKNIK ITS, 5, A65–A69.
- Wardhani, S. R. (2010). Biopsi dalam Bidang Dermatologi. Maranatha Journal of Medicine and Health, 5(1), 14–23.
- Zoph, B., Vasudevan, V., Shlens, J., & Le, Q. v. (2017). Learning Transferable Architectures for Scalable Image Recognition. http://arxiv.org/abs/1707.07012