UNMUHUNMUH
JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesia)JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesia)Kanker payudara merupakan salah satu penyakit yang banyak dialami oleh wanita dan memiliki tingkat mortalitas yang tinggi apabila tidak terdeteksi pada tahap awal. Oleh karena itu, pengembangan sistem yang mampu melakukan diagnosis kanker payudara secara otomatis dan akurat menjadi sangat penting. Salah satu metode yang umum digunakan untuk deteksi dini kanker payudara adalah pemeriksaan citra medis ultrasonografi (USG), karena bersifat aman dan mudah diakses. Namun, citra USG memiliki sejumlah keterbatasan, seperti kualitas citra yang rendah, tingkat noise yang tinggi, serta karakteristik yang heterogen, sehingga menyulitkan proses klasifikasi jenis kanker. Dalam penelitian ini, diterapkan metode transfer learning untuk klasifikasi citra medis kanker payudara dengan memanfaatkan arsitektur MobileNet yang ringan dan efisien guna meningkatkan kinerja model. Proses klasifikasi dilakukan terhadap tiga kelas, yaitu tumor jinak, tumor ganas, dan jaringan normal. Dataset yang digunakan adalah BUSI (Breast Ultrasound Images) yang diperoleh dari Baheya Hospital, Kairo, Mesir, dengan total 780 citra USG payudara. Eksperimen dilakukan menggunakan beberapa arsitektur pra-latih, meliputi MobileNet, MobileNetV2, Xception, dan InceptionV3. Hasil evaluasi menunjukkan bahwa arsitektur MobileNet memberikan performa terbaik dengan nilai F1-score sebesar 89%. Temuan ini menunjukkan bahwa pendekatan yang diusulkan efektif dalam mengklasifikasikan citra USG, karena fitur diekstraksi secara otomatis dan bersifat global oleh jaringan saraf, tanpa memerlukan analisis fitur geometri secara manual.
Penelitian ini mengembangkan sistem klasifikasi citra ultrasonografi (USG) menggunakan metode Convolutional Neural Network (CNN) berbasis transfer learning dengan arsitektur MobileNet, MobileNetV2, Xception, dan InceptionV3.Hasil pengujian menunjukkan bahwa MobileNet memberikan kinerja terbaik dengan akurasi rata-rata 89% dan skor F1 sebesar 89%.Disarankan untuk menambah jumlah dataset dan mengeksplorasi arsitektur serta strategi optimasi lain guna meningkatkan akurasi klasifikasi di masa depan.
Pertama, perlu dikembangkan penelitian untuk menguji efektivitas arsitektur hybrid antara MobileNet dengan model lain seperti ResNet atau DenseNet dalam klasifikasi citra USG payudara, untuk mengevaluasi apakah kombinasi fitur spasial dan hierarkis dapat meningkatkan akurasi lebih lanjut. Kedua, perlu dilakukan studi tentang penerapan teknik augmentasi data berbasis generative adversarial networks (GAN) untuk menghasilkan citra USG sintetik yang realistis dan membantu mengatasi keterbatasan jumlah data pelatihan serta ketidakseimbangan kelas. Ketiga, sebaiknya dilakukan penelitian untuk mengembangkan model CNN ringan berbasis MobileNet yang dioptimalkan untuk perangkat mobile, sehingga dapat diuji kemampuannya dalam skenario diagnosis real-time di fasilitas kesehatan dengan sumber daya terbatas, guna mengevaluasi efisiensi dan keakuratan sistem secara praktis.
- Klasifikasi Kanker Payudara Menggunakan Metode Convolutional Neural Network (CNN) dengan Arsitektur VGG-16... doi.org/10.30865/json.v5i3.7553Klasifikasi Kanker Payudara Menggunakan Metode Convolutional Neural Network CNN dengan Arsitektur VGG 16 doi 10 30865 json v5i3 7553
- Implementation of Convolutional Neural Networks (CNN) for Breast Cancer Detection Using ResNet18 Architecture... doi.org/10.30871/jaic.v9i4.9746Implementation of Convolutional Neural Networks CNN for Breast Cancer Detection Using ResNet18 Architecture doi 10 30871 jaic v9i4 9746
| File size | 422.8 KB |
| Pages | 9 |
| DMCA | Report |
Related /
PELITABANGSAPELITABANGSA 052 citra hasil augmentasi. Untuk meningkatkan keandalan evaluasi model, dataset dibagi ulang dengan proporsi 70% data latih (1. 436 citra), 20% data validasi052 citra hasil augmentasi. Untuk meningkatkan keandalan evaluasi model, dataset dibagi ulang dengan proporsi 70% data latih (1. 436 citra), 20% data validasi
UNIKOMUNIKOM Metode yang digunakan dalam penelitian ini yaitu metode experimen dengan melakukan perekaman video pada ruas jalan tol Cipali yang digunakan sebagai masukanMetode yang digunakan dalam penelitian ini yaitu metode experimen dengan melakukan perekaman video pada ruas jalan tol Cipali yang digunakan sebagai masukan
LODDOSINSTITUTELODDOSINSTITUTE Tantangan utama dalam pengenalan aksara lengkap adalah variasi bentuk tulisan tangan yang tinggi dan kompleksitas visual dalam membedakan diakritik yangTantangan utama dalam pengenalan aksara lengkap adalah variasi bentuk tulisan tangan yang tinggi dan kompleksitas visual dalam membedakan diakritik yang
PLBPLB Temuan ini menunjukkan bahwa ANN tetap memberikan kinerja yang sangat baik meskipun diterapkan pada dataset synthetic but realistic, serta berpotensi menjadiTemuan ini menunjukkan bahwa ANN tetap memberikan kinerja yang sangat baik meskipun diterapkan pada dataset synthetic but realistic, serta berpotensi menjadi
UMKLAUMKLA Namun, performa model sangat tergantung pada kualitas dan keseimbangan data. Oleh karena itu, diperlukan peningkatan pada struktur dan distribusi datasetNamun, performa model sangat tergantung pada kualitas dan keseimbangan data. Oleh karena itu, diperlukan peningkatan pada struktur dan distribusi dataset
STMIKJAYAKARTASTMIKJAYAKARTA Dataset terdiri dari 3. 064 citra MRI yang dibagi ke dalam data latih dan uji dengan rasio 80:20. Citra diproses melalui tahapan resizing, normalisasi,Dataset terdiri dari 3. 064 citra MRI yang dibagi ke dalam data latih dan uji dengan rasio 80:20. Citra diproses melalui tahapan resizing, normalisasi,
PLBPLB 650 ulasan pengguna Disney Hotstar di Play Store dan App Store menunjukkan sentimen netral mendominasi dan optimasi SMOTE berhasil meningkatkan akurasi650 ulasan pengguna Disney Hotstar di Play Store dan App Store menunjukkan sentimen netral mendominasi dan optimasi SMOTE berhasil meningkatkan akurasi
IAIIIAII Penelitian ini bertujuan untuk mengoptimalkan kinerja Jaringan Saraf Tiruan Konvolusi (CNN) dalam tugas klasifikasi gambar dengan menerapkan teknik augmentasiPenelitian ini bertujuan untuk mengoptimalkan kinerja Jaringan Saraf Tiruan Konvolusi (CNN) dalam tugas klasifikasi gambar dengan menerapkan teknik augmentasi
Useful /
UNMUHUNMUH Implementasi RESTful API JSON terbukti efektif mengotomatisasi proses pencetakan sertifikat dan meningkatkan akurasi serta efisiensi sistem secara signifikan.Implementasi RESTful API JSON terbukti efektif mengotomatisasi proses pencetakan sertifikat dan meningkatkan akurasi serta efisiensi sistem secara signifikan.
PLBPLB Korelasi kuat (0,89) antara waktu penggunaan aplikasi dan waktu layar menyala menegaskan pentingnya optimasi kinerja aplikasi. Temuan ini memberikan dasarKorelasi kuat (0,89) antara waktu penggunaan aplikasi dan waktu layar menyala menegaskan pentingnya optimasi kinerja aplikasi. Temuan ini memberikan dasar
PLBPLB Penelitian ini berhasil menerapkan model LSTM dengan temporal attention untuk memprediksi data kunjungan wisatawan di Provinsi Jawa Barat. Nilai RMSE danPenelitian ini berhasil menerapkan model LSTM dengan temporal attention untuk memprediksi data kunjungan wisatawan di Provinsi Jawa Barat. Nilai RMSE dan
PLBPLB Kesimpulan menunjukkan bahwa sikap tidak memengaruhi secara signifikan niat menggunakan platform e‑learning. Nilai norma subjektif atau persepsi sosialKesimpulan menunjukkan bahwa sikap tidak memengaruhi secara signifikan niat menggunakan platform e‑learning. Nilai norma subjektif atau persepsi sosial