Pengujian Metode Inception V3 dalam Mengidentifikasi Penyakit Kanker Kulit
Abstract
Kulit yang berfungsi secara estetika dan melindungi organ internal secara rutin terpapar elemen eksternal, membuatnya rentan terhadap luka dan penyakit. Salah satu kondisi yang paling berbahaya adalah kanker kulit, masalah kesehatan global yang berasal dari mutasi DNA pada sel kulit, terutama Melanoma dan Basal Cell Carcinoma (BCC). Penyakit tersebut umum terjadi di area yang terpapar sinar matahari berlebihan. Di Indonesia yang memiliki lokasi geografis di daerah tropis memiliki resiko terjangkit kanker kulit yang lebih besar. Hal tersebut mendorong kebutuhan akan metode diagnostik yang efektif. Prosedur biopsi tradisional, meskipun akurat, memakan waktu dan mahal. Studi ini mengeksplorasi pendekatan alternatif yang efisien dengan menggunakan computer vision dan machine learning, khususnya Inception V3. Metode Inception V3 adalah salah satu arsitektur jaringan saraf konvolusi (CNN) yang dikembangkan oleh tim peneliti di Google pada tahun 2015. Tujuan utama dari Inception V3 adalah untuk meningkatkan kecepatan komputasi dan kinerja model dalam pengenalan gambar. Penelitian akan dilakukan dengan cara melakukan pelatihan pada model dengan metode Inception V3. Model akan dilatih menggunakan data foto kulit sebesar 9,1GB (Gigabyte) yang diambil dari International Skin Imaging Challenge (ISIC) pada tahun 2019. Setelah pelatihan selesai dilakukan, tahap selanjutnya adalah pengujian. Untuk mencegah bias maka data yang dipakai untuk pengujian model tidak boleh sama dengan pelatihannya. Model yang dilatih menunjukkan akurasi yang memuaskan, mencapai 99.93% untuk Melanoma dan 92.26% untuk identifikasi Basal Cell Carcinoma.
Full Text:
PDFReferences
Ahmed, M, Afreen, N, Ahmed, M, Sameer, M, & ... (2023). An inception V3 approach for malware classification using machine learning and transfer learning. International Journal of …, Elsevier, https://www.sciencedirect.com/science/article/pii/S2666603022000252
Codella, N. C. F., Gutman, D., Celebi, M. E., Helba, B., Marchetti, M. A., Dusza, S. W., Kalloo, A., Liopyris, K., Mishra, N., Kittler, H., & Halpern, A. (2017). Skin Lesion Analysis Toward Melanoma Detection: A Challenge at the 2017 International Symposium on Biomedical Imaging (ISBI), Hosted by the International Skin Imaging Collaboration (ISIC).
Combalia, M., Codella, N. C. F., Rotemberg, V., Helba, B., Vilaplana, V., Reiter, O., Carrera, C., Barreiro, A., Halpern, A. C., Puig, S., & Malvehy, J. (2019). BCN20000: Dermoscopic Lesions in the Wild.
Degadwala, S, Vyas, D, Biswas, H, & ... (2021). Image captioning using inception V3 transfer learning model. 2021 6th …, ieeexplore.ieee.org, https://ieeexplore.ieee.org/abstract/document/9489111/
Dong, N, Zhao, L, Wu, CH, & Chang, JF (2020). Inception v3 based cervical cell classification combined with artificially extracted features. Applied Soft Computing, Elsevier, https://www.sciencedirect.com/science/article/pii/S1568494620302519
Faruk, M., & Nafi’iyah, N. (2020). Telematika Klasifikasi Kanker Kulit Berdasarkan Fitur Tekstur, Fitur Warna Citra Menggunakan SVM dan KNN. 13(2), 100–109. https://doi.org/10.35671/telematika.v13i2.987
Husaini, MAS Al, Habaebi, MH, Gunawan, TS, & ... (2022). Thermal-based early breast cancer detection using inception V3, inception V4 and modified inception MV4. Neural Computing and …, Springer, https://doi.org/10.1007/s00521-021-06372-1
Karsh, B, Laskar, RH, & Karsh, RK (2024). mIV3Net: modified inception V3 network for hand gesture recognition. Multimedia Tools and Applications, Springer, https://doi.org/10.1007/s11042-023-15865-1
Luqman Hakim, Sari, Z., & Handhajani, H. (2021). Klasifikasi Citra Pigmen Kanker Kulit Menggunakan Convolutional Neural Network. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 5(2), 379–385. https://doi.org/10.29207/resti.v5i2.3001
Meena, G, Mohbey, KK, & Kumar, S (2023). Sentiment analysis on images using convolutional neural networks based Inception-V3 transfer learning approach. International journal of information …, Elsevier, https://www.sciencedirect.com/science/article/pii/S2667096823000216
Mujahid, M., Rustam, F., Álvarez, R., Luis Vidal Mazón, J., Díez, I. de la T., & Ashraf, I. (2022). Pneumonia Classification from X-ray Images with Inception-V3 and Convolutional Neural Network. Diagnostics, 12(5). https://doi.org/10.3390/diagnostics12051280
Pratiwi, V., & Pardede, J. (2022). Image Captioning Menggunakan Metode Inception-V3 dan Transformer.
Ramaneswaran, S, Srinivasan, K, & ... (2021). Hybrid inception v3 XGBoost model for acute lymphoblastic leukemia classification. … Methods in Medicine, hindawi.com, https://www.hindawi.com/journals/cmmm/2021/2577375/
Sholado, R. (2020). Deteksi Kanker Kulit Menggunakan Deep Learning Kerja Praktik.
Tschandl, P., Rosendahl, C., & Kittler, H. (2018). The HAM10000 dataset, a large collection of multi-source dermatoscopic images of common pigmented skin lesions. Scientific Data, 5(1), 180161. https://doi.org/10.1038/sdata.2018.161
Wang, C, Chen, D, Hao, L, Liu, X, Zeng, Y, Chen, J, & ... (2019). Pulmonary image classification based on inception-v3 transfer learning model. IEEE …, ieeexplore.ieee.org, https://ieeexplore.ieee.org/abstract/document/8861312/
World Health Organization (WHO). (2020a). Melanoma of skin Source: Globocan 2020. https://gco.iarc.fr/today
World Health Organization (WHO). (2020b). Non-melanoma skin cancer Source: Globocan 2020. https://gco.iarc.fr/today
DOI: https://doi.org/10.37012/jtik.v10i1.1940
Refbacks
- There are currently no refbacks.
Copyright (c) 2024 Alvin Widyadhana Kosman, Yulia Wahyuningsih, Fernandi Mahendrasusila
This work is licensed under a Creative Commons Attribution 4.0 International License.
Address:
Universitas Mohammad Husni Thamrin
Jl. Raya Pd. Gede No.23-25, RT.2/RW.1, Dukuh, Kec. Kramat jati, Kota Jakarta Timur, Daerah Khusus Ibukota Jakarta 13550
Jurnal Teknologi Informatika & Komputer Mohammad Husni Thamrin is licensed under a Creative Commons Attribution 4.0 International License.