Identifikasi Kanker Kulit Melanoma Berbasis Inception V3 Menggunakan Pra-Pemrosesan dan Augmentasi Data pada Dataset Citra Kulit
Abstract
Kanker kulit melanoma merupakan salah satu
kanker kulit yang paling berbahaya. Hal ini disebabkan karena
keganasan dan kecepatannya untuk menyebar ke bagian tubuh
yang lain hingga menyebabkan kematian bagi pengidapnya.
Tidak menutup kemungkinan terjadi kesalahan ketika
mendeteksi melanoma secara manual karena mengandalkan
keterampilan dari pengamat, sehingga diperlukan perhitungan
komputasi guna mempermudah serta meminimalisir kesalahan
yang disebabkan oleh pengamat kanker kulit melanoma. Pada
penelitian ini, untuk membantu mendiagnosa adanya kanker
kulit melanoma, klasifikasi berdasarkan model Inception V3
dari Convolusional Neural Network (CNN) digunakan untuk
melatih dataset asli dari HAM10K yang berasal dari kaggle
melalui tahap preprocessing menggunakan teknik Contrast
Limited Adaptive Histogram Equalization (CLAHE) dan tahap
augmentasi terlebih dahulu. Hasil dari citra yang telah melewati
tahap preprocessing, dibagi secara acak menjadi tiga bagian
yaitu 72% untuk training, 10% untuk validasi, dan 18% untuk
testing. Hasil pengujian dataset CLAHE deangan tingkat
akurasi terbaik diperoleh dengan menggunakan nilai batch size
8 sebesar 90,01%, nilai iterasi epoch 30 sebesar 90,69% dan nilai
learning rate 0,0001 sebesar 89,67%. Hasil evaluasi sistem
menunjukkan tingkat performansi pengaplikasian arsitektur
Inception V3 pada algoritma CNN terhadap keefektifannya
dalam mendeteksi kanker kulit melanoma cukup optimal.
Kata kunci— Kanker Kulit Melanoma, Convolutional
Neural Network, Inception V3, Preprocessing, Augmentasi,
Klasifikasi.
References
Patil, R., & Bellary, S. (2020). Machine learning approach
in melanoma cancer stage detection. Journal of King Saud
University-Computer and Information Sciences.
Monika, M. K., Vignesh, N. A., Kumari, C. U., Kumar,
M. N. V. S. S., & Lydia, E. L. (2020). Skin cancer detection
and classification using machine learning. Materials Today:
Proceedings, 33, 4266-4270.
Haq, D. Z. (2021). Klasifikasi Citra Kanker Kulit
Menggunakan Convolutional Neural Network Model
Googlenet (Doctoral dissertation, UIN Sunan Ampel
Surabaya).
Cheong, K. H., Tang, K. J. W., Zhao, X., Koh, J. E. W.,
Faust, O., Gururajan, R., ... & Acharya, U. R. (2021). An
automated skin melanoma detection system with melanomaindex
based on entropy features. Biocybernetics and
Biomedical Engineering.
Abbes, W., & Sellami, D. (2021). Deep Neural Networks
for Melanoma Detection from Optical Standard Images using
Transfer Learning. Procedia Computer Science, 192, 1304-
Cao, X., Pan, J. S., Wang, Z., Sun, Z., ul Haq, A., Deng,
W., & Yang, S. (2021). Application of generated mask
method based on Mask R-CNN in classification and detection
of melanoma. Computer Methods and Programs in
Biomedicine, 207, 106174.
Reshma, M., & Shan, B. P. (2020). A clinical decision
support system for micro panoramic melanoma detection and
grading using soft computing technique. Measurement, 163,
Pereira, P. M., Thomaz, L. A., Tavora, L. M., Assuncao,
P. A., Fonseca-Pinto R. M., Paiva, R. P., & de Faria, S. M.
(2022). Melanoma classification using light-Fields with
morlet scattering transform and CNN: Surface depth as a
valuable tool to increase detection rate. Medical Image
Analysis, 75, 102254.
Budhiman, A. (2019). Klasifikasi Kanker Melanoma
Menggunakan ResNet dengan Augmentasi Data. Bandung:
Universitas Telkom, S1 Informatika.
Chugh, G., Sharma, A., Choudhary, P., & Khanna, R.
(2020). POTATO LEAF DISEASE DETECTION USING
INCEPTION V3. Volume, 7, 2395-0056. [11] Dong, N.,
Zhao, L., Wu, C. H., & Chang, J. F. (2020). Inception v3
based cervical cell classification combined with artificially
extracted features. Applied Soft Computing, 93, 106311.
Joshi, K., Tripathi, V., Bose, C., & Bhardwaj, C. (2020).
Robust sports image classification using InceptionV3 and
neural networks. Procedia Computer Science, 167, 2374-
Ali, M. S., Miah, M. S., Haque, J., Rahman, M. M., &
Islam, M. K. (2021). An enhanced technique of skin cancer
classification using deep convolutional neural network with
transfer learning models. Machine Learning with
Applications, 5, 100036.
Huang, R., Liang, J., Jiang, F., Zhou, F., Cheng, N.,
Wang, T., & Lei, B. (2019, July). MelanomaNet: An effective
network for melanoma detection. In 2019 41st Annual
International Conference of the IEEE Engineering in
Medicine and Biology Society (EMBC) (pp. 1613-1616).
IEEE.
Fikriya, Z. A., Irawan, M. I., & Soetrisno, S. (2017).
Implementasi extreme learning machine untuk pengenalan
objek citra digital. Jurnal Sains dan Seni ITS, 6(1), A1-A6.
Salamah, U. G., & Ekawati, R. (2021). Pengolahan Citra
Digital. Media Sains Indonesia.
Fadjeri, A., Saputra, B. A., Ariyanto, D. K. A., &
Kurniatin, L. (2022). Karakteristik Morfologi Tanaman
Selada Menggunakan Pengolahan Citra Digital. Jurnal Ilmiah
Sinus (JIS) Vol, 20(2).
Kumaseh, M. R., Latumakulita, L., & Nainggolan, N.
(2013). Segmentasi citra digital ikan menggunakan metode
thresholding. Jurnal Ilmiah Sains, 13(1), 74-79. [19]
Mertiana, W. D., Sardjono, T. A., & Hikmah, N. F. (2021).
Peningkatan Kontras Citra Mamografi Digital dengan
Menggunakan CLAHE dan Contrast Stretching. Jurnal
Teknik ITS, 9(2), A222-A227.
