IMPLEMENTASI ARSITEKTUR DENGAN PEMILIHAN MODEL TRANSFER LEARNING CONVOLUTIONAL NEURAL NETWORK DALAM MENGKLASIFIKASIKAN PENYAKIT KANKER KULIT

Ajrana Ajrana, Armin Lawi, A. Muh Amil Siddik

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.  

Full Text:

PDF

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


Refbacks

  • There are currently no refbacks.


Published By

Jurusan Teknik Elektro, Politeknik Negeri Ujung Pandang
Jalan Perintis kemerdekaan Km 10 Tamalanrea, Makassar
Email : sntei@poliupg.ac.id
Kontak : +62 858 6005 0332 (Sandryones)
 
e-ISSN 2986-2345
 
Statistik Visitor SNTEI