Klasifikasi Kanker Kulit Berbasis CNN dengan Metode Hybrid Preprocessing
DOI:
https://doi.org/10.18196/mt.v5i2.22675Keywords:
Klasifikasi, Kanker Kulit, CNN, Hybrid Preprocessing.Abstract
Kulit dapat mengalami berbagai gangguan kesehatan jika mendapatkan paparan lingkungan luar yang terlalu intens, salah satunya adalah kanker kulit. Untuk itu, deteksi dini sangat diperlukan agar pasien sesegera mungkin mendapatkan penanganan lebih lanjut. Penelitian ini bertujuan untuk klasifikasi kanker kulit benign (jinak) dan malignant (ganas). Pemanfaatan AI dapat digunakan dalam klasifikasi karena dapat meningkatkan nilai akurasi. Metode convolutional neural network (CNN) dilibatkan dalam penelitian ini. Metode CNN dapat mengklasifikasi dengan cepat dan memiliki nilai akurasi yang cukup tinggi tanpa harus mengekstraksi fitur terlebih dahulu. Kontribusi dalam penelitian ini yakni menggunkan metode hybrid preprocessing yang terdiri dari CLAHE, morphological closing dan median filter pada preprocessing data untuk menghilangkan noise yang biasanya terdapat pada epidermis kulit berupa rambut-rambut halus. Metode CNN selanjutnya memproses masukan citra dari hasil preprocessing, lalu mengklasifikasikan citra kanker kulit menjadi kategori benign dan malignant. Setelah tahap pengujian sistem berhasil memperoleh hasil yang cukup memuaskan, dengan nilai accuracy sebesar 78,19% dan loss 0.5324. Kinerja sistem dengan metode yang diusulkan mencapai akurasi yang baik dan cukup mampu diimplementasikan untuk membantu para profesional medis dalam membuat mendiagnosis kanker kulit.
References
S. Wilvestra, S. Lestari, and E. Asri, “Retrospective Study of Skin Cancer at The Dermatology and Venerology clinic Dr. M. Djamil Padang 2015-2017,” J. Kesehat. Andalas, vol. 7, no. Supplement 3, pp. 47–49, 2018.
R. Yohannes and M. E. Al Rivan, “Klasifikasi Jenis Kanker Kulit Menggunakan CNN-SVM,” J. Algoritm., vol. 2, no. 2, pp. 133–144, 2022, doi: 10.35957/algoritme.v2i2.2363.
M. K. Soegeng, L. Liliana, and A. Noertjahyana, “Penerapan Convolutional Neural Network untuk Klasifikasi Kanker Kulit Melanoma pada Dataset Gambar Kulit,” J. Infra, vol. 9, no. 1, pp. 47–51, 2021, [Online]. Available: https://publication.petra.ac.id/index.php/teknik-informatika/article/view/10945
Sofia Saidah, I. P. Y. N. Suparta, and E. Suhartono, “Modifikasi Convolutional Neural Network Arsitektur GoogLeNet dengan Dull Razor Filtering untuk Klasifikasi Kanker Kulit,” J. Nas. Tek. Elektro dan Teknol. Inf., vol. 11, no. 2, pp. 148–153, 2022, doi: 10.22146/jnteti.v11i2.2739.
L. Hakim, Z. Sari, and Handhajani, “Klasifikasi Citra Pigmen Kanker Kulit Menggunakan Convolutional Neural Network,” Resti, vol. 5, no. 2, pp. 379–385, 2017.
R. R. Saputro, A. Junaidi, and W. A. Saputra, “Klasifikasi Penyakit Kanker Kulit Menggunakan Metode Convolutional Neural Network,” vol. 2, no. 1, pp. 52–57, 2022.
E. N. Arrofiqoh and H. Harintaka, “Implementasi Metode Convolutional Neural Network Untuk Klasifikasi Tanaman Pada Citra Resolusi Tinggi,” Geomatika, vol. 24, no. 2, pp. 61–68, 2018.
C. A. Dias et al., “Using the Choquet integral in the pooling layer in deep learning networks,” in North american fuzzy information processing society annual conference, 2018, pp. 144–154.
A. Poernomo and D.-K. Kang, “Biased dropout and crossmap dropout: learning towards effective dropout regularization in convolutional neural network,” Neural networks, vol. 104, pp. 60–67, 2018.
R. Herwanto, K. Gunadi, and E. Setyati, “Pengenalan Golongan Jenis Kendaraan Bermotor pada Ruas Jalan Tol Menggunakan CNN,” J. Infra, vol. 8, no. 1, pp. 196–202, 2020.
C. Fanconi, “Skin Cancer: Malignant vs. Benign,” 2019.
S. Saifullah, “Analisis Perbandingan HE Dan CLAHE Pada Image Enhancement Dalam Proses Segmenasi Citra Untuk Deteksi Fertilitas Telur,” J. Nas. Pendidik. Tek. Inform., vol. 9, no. 1, p. 134, 2020, doi: 10.23887/janapati.v9i1.23013.
A. Juliana and A. Triayudi, “Implementasi Morphological Filtering Untuk Penajaman Citra CCTV,” ProTekInfo(Pengembangan Ris. dan Obs. Tek. Inform., vol. 1, no. September, pp. 71–75, 2017, doi: 10.30656/protekinfo.v1i0.36.
I. Maulana and P. N. Andono, “Analisa Perbandingan Adaptif Median Filter Dan Median Filter Dalam Reduksi Noise Salt & Pepper,” CogITo Smart J., vol. 2, no. 2, pp. 157–166, 2016, doi: 10.31154/cogito.v2i2.26.157-166.
N. P. Lestari, “Uji Recall and Precision Sistem Temu Kembali,” Univ. Airlangga, vol. 5, no. 3, pp. 45–46, 2016, [Online]. Available: http://journal.unair.ac.id/LN@uji-recall-and-precision-sistem-temu-kembali-informasi-opac-perpustakaan-its-surabaya-article-10825-media-136-category-8.html
T. R. Savera, W. H. Suryawan, and A. W. Setiawan, “Deteksi Dini Kanker Kulit menggunakan K-NN dan Convolutional Neural Network,” J. Teknol. Inf. dan Ilmu Komput., vol. 7, no. 2, pp. 373–378, Feb. 2020, doi: 10.25126/jtiik.2020702602.
Downloads
Published
Issue
Section
License
Copyright Agreement and License
In order to be accepted and published by Medika Teknika : Jurnal Teknik Elektromedik Indonesia, author(s) submitting the article manuscript should complete all the review stages. By submitting the manuscript, the author(s) agreed to the following terms:
The copyright of received articles shall be assigned to Medika Teknika : Jurnal Teknik Elektromedik Indonesia as the publisher of the journal. The intended copyright includes the rights to publish articles in various forms (including reprints Medika Teknika : Jurnal Teknik Elektromedik Indonesia maintain the publishing rights to the published articles. Authors are permitted to disseminate published articles by sharing the link/DOI of the article at Medika Teknika : Jurnal Teknik Elektromedik Indonesia. Author are allowed to use their articles for any legal purposes deemed necessary without written permission from Medika Teknika : Jurnal Teknik Elektromedik Indonesia with an acknowledgment of initial publication to this journal.
License
All articles published in Medika Teknika : Jurnal Teknik Elektromedik Indonesia are licensed under a Creative Commons Attribution-NonCommercial 4.0 International License (CC-BY-NC).
