CONVOLUTION NEURAL NETWORK DENGAN DESAIN JARINGAN RESNET SEBAGAI METODE KLASIFIKASI TUMOR KULIT

Bagus Mitra Sujatmiko, Erni Yudaningtyas, Panca Mudji Raharjo

Abstract


Tumor kulit merupakan suatu abnormalitas yang terjadi pada kulit. Tumor tersebut dapat bersifat jinak (benigna) atau ganas (maligna). Sampai saat ini para ahli melakukan diagnosis tumor kulit dengan metode biopsi dengan mengambil sampel potongan kecil pada jaringan kulit dan selanjutnya diperiksa sel - sel nya di laboratorium. Metode tersebut merupakan suatu metode invasif yang memerlukan waktu lama. Pada penelitian ini akan dilakukan identifikasi tumor kulit menggunakan CNN dengan desain jaringan ResNet untuk membantu diagnosis. Metode ini merupakan pengembangan dari Multilayer Perceptron (MLP) yang dibuat sedemikian rupa untuk mengolah data dua dimensi. Desain arsitektur menggunakan ResNet untuk mencegah sistem kehilangan banyak informasi selama training dilakukan. Hasil yang didapatkan pada penelitian ini dalam penggunaan variasi model arsitektur yaitu ResNet-18, ResNet-50 dan ResNet-101 yaitu waktu yang diperlukan untuk melakukan training terhadap 3 jenis kulit menggunakan desain arsitektur jaringan ResNet lebih lama jika dibandingkan training terhadap 2 jenis kulit. Penelitian ini menggunakan 1440 data training untuk citra benigna, 1197 citra maligna, dan 797 citra normal. Hasil akurasi yang dihasilkan saat klasifikasi 3 jenis kulit berkisar antara 92,60% sampai dengan 92,90% sedangkan untuk 2 jenis kulit berkisar antara 88,03% sampai dengan 89,39%.

Kata kunci: CNN, Klasifikasi, Tumor Kulit Benigna, Tumor Kulit Maligna, ResNet.


References


Dorland, Kamus Kedokteran Dorland, 29th ed. EGC, 2002.

Desen, Buku Ajar Onkologi Klinik. Edisi 2.Jakarta : Balai Penerbit FKUI; 2008.p.3. 5. Jakarta: Balai Penerbit FKUI, 2008.

A. Djuanda, Ilmu Penyakit Kulit dan Kelamin, 5th ed. Jakarta: Balai PenerbitFKUI.

R. S. Siregar, “Tumor jinak kulit,” Saripati penyakit kulit, p. 269, 2014.

G. A. Gefilem, “Profil Tumor Jinak Kulit Di Poliklinik Kulit Dan Kelamin Rsup Prof. Dr. R. D Kandou Manado Periode 2009- 2011,” e-CliniC, vol. 1, no. 1, 2013, doi: 10.35790/ecl.1.1.2013.3291.

S. R. Suartika E. P, I Wayan, Wijaya Arya Yudhi, “Klasifikasi Citra Menggunakan Convolutional Neural Network (Cnn) Pada Caltech 101,” J. Tek. ITS, vol. 5, no. 1, p. 76, 2016, [Online]. Available: http://repository.its.ac.id/48842/

J.Kim, O.Sangjun, Y.Kim, and M. Lee, “Convolutional Neural Network with Biologically Inspired Retinal Structure,” Procedia Comput. Sci., vol. 88, pp. 145–154, 2016, doi: 10.1016/j.procs.2016.07.418.

M. Faruk, P. Studi, T. Informatika, F. Teknik, and U. I. Lamongan, “Telematika Klasifikasi Kanker Kulit Berdasarkan Fitur Tekstur, Fitur Warna Citra Menggunakan SVM dan KNN,” Telematika, vol. 13, no. 2, pp. 100–109, 2020.

K. He, X. Zhang, S. Ren, and J. Sun, “Deep residual learning for image recognition,” Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit., vol. 2016- Decem, pp. 770–778, 2016, doi: 10.1109/CVPR.2016.90.

A.L.Katole, K.P.Yellapragada, A K. Bedi, S. S. Kalra, and M. Siva Chaitanya, “Hierarchical Deep Learning Architecture for 10K Objects Classification,” no. December, pp. 77–93, 2015, doi: 10.5121/csit.2015.51408.

B. Zhang, C. Li, and N. Lin, 9. Deep learning and neural networks. 2020. doi: 10.1515/9783110595567-010.

S. Albelwi and A. Mahmood, “A framework for designing the architectures of deep Convolutional Neural Networks,” Entropy, vol. 19, no. 6, 2017, doi: 10.3390/e19060242.

E. N. Arrofiqoh and H. Harintaka, “Implementasi Metode Convolutional Neural Network Untuk Klasifikasi Tanaman Pada Citra Resolusi Tinggi,” Geomatika, vol. 24, no. 2, p. 61, 2018, doi: 10.24895/jig.2018.24- 2.810.

M. B. Bejiga, A. Zeggada, A. Nouffidj, and F. Melgani, “A convolutional neural network approach for assisting avalanche search and rescue operations with UAV imagery,” Remote Sens., vol. 9, no. 2, 2017, doi: 10.3390/rs9020100.

D. Sarwinda, R. H. Paradisa, A. Bustamam, and P. Anggia, “Deep Learning in Image Classification using Residual Network (ResNet) Variants for Detection of Colorectal Cancer,” Procedia Comput. Sci., vol. 179, no. 2019, pp. 423–431, 2021, doi: 10.1016/j.procs.2021.01.025.




DOI: https://doi.org/10.21107/simantec.v11i1.14083

Refbacks

  • There are currently no refbacks.


Copyright (c) 2022 Bagus Mitra Sujatmiko

Indexed By