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 /
CIPTA MEDIA HARMONICIPTA MEDIA HARMONI Dataset diseimbangkan dan diolah menggunakan model Random Forest dengan konfigurasi standar. Hasil: Model yang dikembangkan menunjukkan tingkat akurasiDataset diseimbangkan dan diolah menggunakan model Random Forest dengan konfigurasi standar. Hasil: Model yang dikembangkan menunjukkan tingkat akurasi
UMUSUMUS Oleh karena itu, pengembangan metode pra‑pemrosesan citra yang adaptif serta evaluasi yang lebih komprehensif diperlukan untuk meningkatkan keseimbanganOleh karena itu, pengembangan metode pra‑pemrosesan citra yang adaptif serta evaluasi yang lebih komprehensif diperlukan untuk meningkatkan keseimbangan
UNAIRUNAIR Metode identifikasi manual memakan waktu dan rentan terhadap kesalahan terutama dalam lingkungan throughput tinggi seperti pasar ikan. Dalam penelitianMetode identifikasi manual memakan waktu dan rentan terhadap kesalahan terutama dalam lingkungan throughput tinggi seperti pasar ikan. Dalam penelitian
UMKLAUMKLA Evaluasi performa menunjukkan mAP@50 sebesar 0,732 dan mAP@50-95 sebesar 0,62, dengan precision 0,648 dan recall 0,928. Hasil ini menunjukkan bahwa YOLOv12Evaluasi performa menunjukkan mAP@50 sebesar 0,732 dan mAP@50-95 sebesar 0,62, dengan precision 0,648 dan recall 0,928. Hasil ini menunjukkan bahwa YOLOv12
STMIKJAYAKARTASTMIKJAYAKARTA Model dievaluasi menggunakan metrik akurasi, precision, recall, F1-score, confusion matrix, dan ROC-AUC. Hasil menunjukkan bahwa model dengan freeze 15Model dievaluasi menggunakan metrik akurasi, precision, recall, F1-score, confusion matrix, dan ROC-AUC. Hasil menunjukkan bahwa model dengan freeze 15
PLBPLB Kesimpulannya, metode SVM yang dioptimalkan dengan SMOTE terbukti efektif dalam meningkatkan akurasi klasifikasi sentimen ulasan pengguna terhadap layananKesimpulannya, metode SVM yang dioptimalkan dengan SMOTE terbukti efektif dalam meningkatkan akurasi klasifikasi sentimen ulasan pengguna terhadap layanan
PNCPNC Pada skenario uji, teknik majority voting digunakan untuk menghasilkan performa terbaik dari masing‑masing algoritma. Hasil menunjukkan bahwa algoritmaPada skenario uji, teknik majority voting digunakan untuk menghasilkan performa terbaik dari masing‑masing algoritma. Hasil menunjukkan bahwa algoritma
JOIVJOIV Dengan demikian, dalam penelitian ini, kami menunjukkan bahwa teknologi DL di bidang medis dapat lebih maju dan lebih mudah untuk memprediksi tumor otak,Dengan demikian, dalam penelitian ini, kami menunjukkan bahwa teknologi DL di bidang medis dapat lebih maju dan lebih mudah untuk memprediksi tumor otak,
Useful /
UNMUHUNMUH Quistiq adalah aplikasi kuis online berbasis web menggunakan PHP native. Proses pembuatan sertifikat bagi peserta masih manual, memerlukan waktu 5-7 menitQuistiq adalah aplikasi kuis online berbasis web menggunakan PHP native. Proses pembuatan sertifikat bagi peserta masih manual, memerlukan waktu 5-7 menit
ARIKESIARIKESI Kondisi ini dapat mempengaruhi persepsi kualitas layanan, kepuasan pasien, dan loyalitas terhadap layanan rumah sakit. Penelitian ini bertujuan untuk menganalisisKondisi ini dapat mempengaruhi persepsi kualitas layanan, kepuasan pasien, dan loyalitas terhadap layanan rumah sakit. Penelitian ini bertujuan untuk menganalisis
ARIKESIARIKESI Hasil menunjukkan bahwa sebagian besar mahasiswa memiliki tingkat stres sedang (52,8%), dukungan sosial cukup (58,1%), stigma publik sedang (53,7%), danHasil menunjukkan bahwa sebagian besar mahasiswa memiliki tingkat stres sedang (52,8%), dukungan sosial cukup (58,1%), stigma publik sedang (53,7%), dan
UNMUHUNMUH Penelitian ini menyimpulkan bahwa workload perawat ICU dan ICCU di RSUD dr. Koesnadi Bondowoso berada pada kategori sedang, occupational stress level perawatPenelitian ini menyimpulkan bahwa workload perawat ICU dan ICCU di RSUD dr. Koesnadi Bondowoso berada pada kategori sedang, occupational stress level perawat