IAIIIAII

Jurnal RESTI (Rekayasa Sistem dan Teknologi Informas)iJurnal RESTI (Rekayasa Sistem dan Teknologi Informas)i

Kanker kulit merupakan ancaman serius bagi kesehatan manusia, dengan peningkatan kasus baru setiap tahun. Identifikasi yang tepat waktu sangat penting untuk meningkatkan tingkat pemulihan, tetapi metode diagnostik konvensional seperti biopsi seringkali invasif, memakan waktu, dan mahal. Untuk mengatasi masalah ini, sistem diagnostik berbasis kecerdasan buatan, khususnya Jaringan Neural Konvolusi (CNN), menawarkan solusi menjanjikan untuk meningkatkan akurasi dan efisiensi diagnostik. Penelitian ini bertujuan untuk menilai efektivitas model CNN yang menggabungkan Max Pooling dan Global Average Pooling untuk mendeteksi kanker kulit dalam gambar dermoskopik digital. Dataset ISIC digunakan, dengan fokus pada dua kelas, ganas dan jinak. Kombinasi Max Pooling dan GAP dimaksudkan untuk meningkatkan presisi model sambil mengurangi risiko overfitting. Hasil eksperimental menunjukkan bahwa model yang diusulkan mencapai presisi sebesar 96,35%, menunjukkan kinerja yang kuat dalam meminimalkan false positive. Namun, recall relatif rendah yaitu 85,99%, menunjukkan sensitivitas yang berkurang dalam mendeteksi kasus ganas. Akurasi keseluruhan model gabungan adalah 91,68%, sedikit lebih rendah daripada model Max Pooling saja (91,79%). Meskipun kombinasi tidak meningkatkan akurasi secara signifikan, tetapi efektif meningkatkan presisi menjadi 96,35%. Keuntungan ini sangat penting dalam pengaturan klinis, karena secara langsung diterjemahkan menjadi meminimalkan diagnosis false positive dan mencegah pasien menjalani prosedur invasif yang tidak perlu seperti biopsi.

Berdasarkan hasil, beberapa kesimpulan dapat ditarik mengenai tujuan penelitian yang awalnya didefinisikan.Model CNN yang diusulkan yang menggabungkan Max Pooling dan Global Average Pooling (GAP) menunjukkan kinerja yang solid dalam prediksi kanker kulit, mencapai akurasi keseluruhan sebesar 91,68%.Tingkat akurasi ini menunjukkan kemampuan model yang kuat dalam mengklasifikasikan mayoritas kasus lesi kulit, baik jinak maupun ganas.Temuan ini mengonfirmasi bahwa arsitektur CNN yang menggabungkan kedua teknik pooling efektif dan dapat diterapkan untuk sistem deteksi kanker kulit berbasis gambar digital.Salah satu kekuatan paling menonjol dari model yang diusulkan adalah presisinya, yang mencapai 96,35%, melebihi hasil model dasar.Hasil ini menunjukkan kemampuan model untuk mengurangi secara signifikan kasus false-positive di mana lesi jinak salah diklasifikasikan sebagai ganas.Presisi seperti itu sangat berharga dalam pengaturan klinis, karena dapat membantu menghindari overdiagnosis dan kekhawatiran pasien yang tidak perlu.Meskipun model yang diusulkan sedikit dikalahkan dalam beberapa metrik umum seperti akurasi dan AUC, ini merupakan pertukaran yang dibenarkan untuk peningkatan yang substansial dan vital secara klinis dalam presisi.Penelitian ini menunjukkan bahwa menggabungkan Global Average Pooling (GAP) bukan hanya tentang meningkatkan metrik akurasi tunggal, tetapi tentang mengoptimalkan model untuk keandalan dan keamanan diagnostik.Oleh karena itu, dapat disimpulkan bahwa pendekatan pooling gabungan menawarkan pertukaran yang cerdas dan berharga.Meskipun mungkin tidak menghasilkan akurasi absolut tertinggi, tetapi berkontribusi secara lebih bermakna dengan meningkatkan presisi, yang merupakan prioritas utama dalam aplikasi medis di mana kesalahan diagnostik dapat memiliki konsekuensi serius.

Berdasarkan hasil penelitian ini, ada beberapa saran penelitian lanjutan yang dapat dipertimbangkan. Pertama, perlu dilakukan validasi lebih lanjut pada dataset eksternal untuk menguji generalisasi model. Ini akan membantu memastikan bahwa model dapat diterapkan pada berbagai kasus kanker kulit dan bukan hanya pada dataset ISIC. Kedua, penelitian dapat diarahkan untuk meningkatkan keaslian dan dampak desain arsitektur. Salah satu cara yang menjanjikan adalah mengusulkan mekanisme pooling hibrida yang baru atau metode pemilihan adaptif untuk menggabungkan kekuatan berbagai strategi pooling secara dinamis. Selain itu, dapat dilakukan evaluasi arsitektur pada masalah klasifikasi multi-kelas (misalnya, membedakan melanoma, karsinoma, dan nevus) untuk menilai ketahanannya pada tugas yang lebih kompleks. Terakhir, penelitian dapat dilakukan untuk mengoptimalkan model dengan teknik regulasi yang lebih canggih, seperti regulasi L1 atau L2, untuk mengurangi overfitting dan meningkatkan kinerja secara keseluruhan. Dengan mempertimbangkan saran-saran ini, penelitian lanjutan dapat lebih meningkatkan keandalan dan akurasi model dalam mendeteksi kanker kulit, sehingga berkontribusi pada peningkatan kesehatan masyarakat secara keseluruhan.

  1. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informas)i. cnn based skin cancer combined max global average... doi.org/10.29207/resti.v9i6.6617Jurnal RESTI Rekayasa Sistem dan Teknologi Informas i cnn based skin cancer combined max global average doi 10 29207 resti v9i6 6617
  2. Triple-Sigmoid Activation Function for Deep Open-Set Recognition | IEEE Journals & Magazine | IEEE... ieeexplore.ieee.org/document/9833503Triple Sigmoid Activation Function for Deep Open Set Recognition IEEE Journals Magazine IEEE ieeexplore ieee document 9833503
Read online
File size781.14 KB
Pages13
DMCAReport

Related /

ads-block-test