Klasifikasi Citra Kanker Serviks Menggunakan Deep Residual Network
DOI:
https://doi.org/10.34818/eoe.v9i6.18977Abstrak
Abstrak—Penyakit kanker serviks menempati posisi ke dua dengan angka kematian tinggi kaum wanita setiap tahunnya menurut WHO. Penyebab penyakit ini karena adanya Human Papilloma Virus (HPV) yang menyerang langsung ke serviks, selain itu juga pola hidup yang kurang sehat dapat mempengaruhi terserangnya penyakit ini. Deteksi dini kanker serviks dapat dilakukan dengan menggunakan pemeriksaan Inspeksi Visual Asam Asetat (IVA). Hasil dari pemeriksaan IVA dapat dilihat kasat mata tetapi ahli medis memiliki perbedaan diagnosis dikarenakan penglihatan sendiri.Untuk membantu ahli medis mendapatkan diagnosis yang sesuai maka pemeriksaan dapat dilakukan dengan pendekatan teknologi. Teknologi yang akan digunakan adalah citra digital. Pengambilan gambar hasil pemeriksaan IVA format .jpg. Penelitian ini dilakukan klasifikasi citra kanker serviks dari hasil pemeriksaan IVA yang telah dilakukan oleh Rumah Sakit Hasan Sadikin Bandung. Untuk pengolahan citra pemeriksaan IVA akan menggunakan citra hasil CLAHE dan citra hasil Canny Edge Detection. Untuk pengklasifikasian akan menggunakan deep learning dengan arsitektur ResNet-50 dan ResNet-101 serta melakukan pengujian terhadap hyperparameter yaitu optimizer, learning rate, batch size, dan input size. Pada penelitian ini hasil terbaik mengunakan citra hasil Canny Edge Detection dengan hyperparameter menggunakan optimizer SGD, learning rate 0.1, batch size 32, dan input size 224×224. Dari hyperparameter tersebut hasil akursi yang dicapai sebesai 98,26 %. Kata kunci— Canny Edge Detection, CLAHE, Kanker Serviks, Pengolahan Citra Digital, Pemeriksaan IVA, ResNet.Referensi
[1] S. Pangribowo, “Beban Kanker di Indonesia,” Pus. Data dan Inf. Kemeterian Kesehat. RI, pp. 1–16, 2019.
[2] S. Pustaka and I. Rasjidi, “Epidemiologi Kanker Serviks,” Cancer, vol. III, no. 3, pp. 103–108, 2009.
[3] D. N. Agustyawati, H. Fauzi, and A. Pratondo, “Perancangan Aplikasi Deteksi Kanker Serviks Menggunakan Metode Convolutional Neural Network,” eProceedings Eng., vol. 8, no. 4, pp. 3908–3924, 2022.
[4] K. M. A. Adweb, N. Cavus, and B. Sekeroglu, “Cervical Cancer Diagnosis Using Very Deep Networks over Different Activation Functions,” IEEE Access, vol. 9, pp. 46612–46625, 2021.
[5] D. H. Nurwijaya, D. Andrijono, and D. H. K. Suheimi, Cegah dan Deteksi Kanker Serviks. 2010.
[6] D. Setiawati, “Human Papilloma Virus Dan Kanker Serviks,” Al-Sihah Public Heal. Sci. J., vol. VI, no. 2, pp. 450–451, 2014.
[7] L. Dewi, E. Supriati, and A. P. Dewi, “Faktor-Faktor yang Berhubungan dengan Perilku Wanita Usia Subur dalam Deteksi Dini Kanker Serviks dengan Metode Pemeriksaan Inspeksi Visual Asam Asetat (IVA) Di Wilayah Kerja Puskesmas Tanjung Hulu Pontianak Timur Tahun 2014,” J. Proners, vol. 1, no. 1, pp. 1–10, 2014.
[8] N. Ylitalo, S. Stuver, and H. O. Adami, “Cervical Cancer,” Textb. Cancer Epidemiol., pp. 6–28, 2009.
[9] A. Basuki, Metode Numerik dan Algortima Komputasi. 2005.
[10] T. Sutoyo, E. Mulyanto, V. Suhartono, Nurhayati, and Wijanarto, Teori Pengolahan Citra Digital, vol. 1, no. 1. 2009.
[11] C. Danil, “Edge Detection dengan Algoritma Canny,” no. 18, pp. 197–203, 2008.
[12] C. J. Philip, Introduction to Artificial Intelligence: Third Edition. 2019.
[13] R. Nurfita, “Implementasi Deep Learning Berbasis Tensorflow,” J. Emit., vol. 18, no. 01, pp. 22–27, 2018.
[14] S. Ilahiyah and A. Nilogiri, “Implementasi Deep Learning Pada Identifikasi Jenis Tumbuhan Berdasarkan Citra Daun Menggunakan Convolutional Neural Network,” JUSTINDO (Jurnal Sist. dan Teknol. Inf. Indones., vol. 3, no. 2, pp. 49–56, 2018.
[15] J. Wu, “Introduction to Convolutional Neural Networks,” Introd. to Convolutional Neural Networks, pp. 1–31, 2017.
[16] K. He, X. Zhang, S. Ren, and J. Sun, Deep Residual learning of Image recognition. 2016.
[17] M. Arpana and C. Sanjay, “Categorical Image Classification Based On Representational Deep Network (RESNET).”
[18] A. Çınar, M. Yıldırım, and Y. Eroğlu, “Classification of pneumonia cell images using improved ResNet50 model,” Trait. du Signal, vol. 38, no. 1, pp. 165–173, 2021, doi: 10.18280/TS.380117.
[19] Faiz Nashrullah, Suryo Adhi Wibowo, and Gelar Budiman, “The Investigation of Epoch Parameters in ResNet-50 Architecture for Pornographic Classification,” J. Comput. Electron. Telecommun., vol. 1, no. 1, pp. 1–8, 2020, doi: 10.52435/complete.v1i1.51.
[20] W. Long, L. Xinyu, and G. Liang, “A transfer convolutional neural network for fault diagnosis based on ResNet-50,” 2019.
[21] X. Zhengguang, S. Kuo, and M. Junying, “Research on ResNet101 Network Chemical Reagent Label Image Classification Based on Transfer Learning,” 2020.
[22] B. Somenath and K. S. Vimal, “Analysis of various optimizers on deep convolutional neural network model in the application of hyperspectral remote sensing image classification.”
[23] Z. Zijun, “Improved Adam Optimizer for Deep Neural Networks,” 2018.
[24] L. Ricardo, E. Y. Samira, F. Allyx, and L. Pablo, “Comparison between Adam, AdaMax and Adam W optimizers to implement a Weather Forecast based on Neural Networks for the Andean city of Quito.”
[25] N. S. Keskar and R. Socher, “Improving Generalization Performance by Switching from Adam to SGD,” no. 1, 2017.
[26] O. A. Nii, Analysis of learning rate and momentum term in backpropagation neural network algorithm trained to predict pavement performance. .
[27] J. Brownlee, “What is the Difference Between a Batch and an Epoch in a Neural Network?,” Mach. Learn. Mastery, no. July, pp. 3–4, 2018.
[28] S. S. Gauresh and A. Dessai, “Classification of Cervical MR Images using,” no. 6, pp. 2–5, 2019.
