UNKLABUNKLAB

CogITo Smart JournalCogITo Smart Journal

Melanoma adalah salah satu bentuk kanker kulit yang paling ganas, dengan tingkat kejadian sebesar 7,9% di Indonesia. Diagnosis biopsi tradisional, meskipun penting, bersifat invasif dan memakan waktu, sehingga menghambat deteksi dini. Untuk mengatasi masalah ini, penelitian ini membandingkan dua model Convolutional Neural Network (CNN) untuk klasifikasi melanoma berbasis citra digital. Penelitian ini menggunakan dataset yang tersedia secara publik dari Kaggle, yang terdiri dari 17.805 gambar (melanoma dan non-melanoma), yang kemudian dibagi menjadi subset pelatihan, validasi, dan pengujian. Model-model ini dilatih menggunakan optimasi Adamax dan SGD selama 100 epoch. Kinerja model dinilai berdasarkan akurasi, loss, presisi, recall, dan skor F1. Model CNN dengan arsitektur terbaik, yang terdiri dari dua lapisan fully connected, mencapai akurasi sebesar 93,18% dan loss sebesar 0,1636, yang lebih baik daripada model alternatif. Hasil ini mengonfirmasi efektivitas model CNN dalam mengklasifikasi gambar melanoma dan mendukung pengembangan platform berbasis web yang memungkinkan pengguna untuk mengunggah atau menangkap gambar untuk deteksi cepat dan non-invasif.

Penelitian ini menunjukkan potensi Convolutional Neural Networks (CNNs) untuk deteksi melanoma berbasis citra digital, dengan model CNN kedua yang outperform model pertama dalam hal akurasi dan loss.Model ini telah berhasil diintegrasikan ke dalam platform berbasis web, yang menyediakan antarmuka pengguna yang ramah untuk deteksi melanoma melalui unggahan atau pengambilan gambar.Platform ini, yang dihosting di Streamlit Cloud, menawarkan aksesibilitas di berbagai perangkat, menjadikannya alat yang berharga untuk deteksi melanoma dini.Hasil studi ini menekankan peran menjanjikan dari deep learning di setting klinis, khususnya dalam membantu diagnosis kanker kulit dini.Namun, ada beberapa keterbatasan, termasuk ketergantungan pada gambar berkualitas tinggi dan tantangan dalam menggeneralisasi model ke dataset dunia nyata yang beragam.Penelitian masa depan dapat berfokus pada perluasan dataset untuk mencakup gambar yang lebih beragam, meningkatkan ketahanan model, dan mengintegrasikan fitur tambahan seperti penyimpanan hasil prediksi dan rujukan ke dermatologis atau fasilitas kesehatan terdekat.

Untuk penelitian lanjutan, perlu dipertimbangkan perluasan dataset dengan memasukkan lebih banyak gambar yang beragam untuk meningkatkan ketahanan model terhadap berbagai kondisi dunia nyata. Selain itu, integrasi fitur-fitur tambahan seperti penyimpanan hasil prediksi dan rujukan ke dermatologis atau fasilitas kesehatan terdekat dapat meningkatkan nilai klinis dan manfaat praktis dari model ini. Selain itu, penelitian lebih lanjut dapat mengeksplorasi kombinasi CNN dengan alat diagnostik lainnya dan menilai kinerja model dalam lingkungan klinis nyata, yang dapat meningkatkan nilai klinis dan keterapannya dalam membantu profesional kesehatan dalam diagnosis melanoma.

  1. Convolutional Neural Network dalam Citra Medis | KONSTELASI: Konvergensi Teknologi dan Sistem Informasi.... doi.org/10.24002/konstelasi.v2i2.5367Convolutional Neural Network dalam Citra Medis KONSTELASI Konvergensi Teknologi dan Sistem Informasi doi 10 24002 konstelasi v2i2 5367
  2. Klasifikasi Penyakit Kanker Kulit Menggunakan Metode Convolutional Neural Network (Studi Kasus: Melanoma)... doi.org/10.20895/dinda.v2i1.349Klasifikasi Penyakit Kanker Kulit Menggunakan Metode Convolutional Neural Network Studi Kasus Melanoma doi 10 20895 dinda v2i1 349
  3. Implementasi DenseNet Untuk Mengidentifikasi Kanker Kulit Melanoma | Jurnal Teknik Informatika dan Sistem... doi.org/10.28932/jutisi.v6i3.2814Implementasi DenseNet Untuk Mengidentifikasi Kanker Kulit Melanoma Jurnal Teknik Informatika dan Sistem doi 10 28932 jutisi v6i3 2814
  4. Sistem Hitung dan Klasifikasi Objek dengan Metode Convolutional Neural Network | Romario | Jurnal Teknologi... doi.org/10.22441/jte.2020.v11i2.007Sistem Hitung dan Klasifikasi Objek dengan Metode Convolutional Neural Network Romario Jurnal Teknologi doi 10 22441 jte 2020 v11i2 007
Read online
File size968.54 KB
Pages14
DMCAReport

Related /

ads-block-test