Analisis Optimasi pada Algoritma Convolutional Neural Network untuk Klasifikasi Kanker Payudara
DOI:
https://doi.org/10.26418/jp.v11i1.78864Keywords:
Deep Learning, Conventional Neural Network, VGG-16, Kanker Payudara, KlasifikasiAbstract
Kanker payudara merupakan kanker non-kulit yang biasa menyerang wanita. Kanker ini menjadi penyebab kematian kedua terbanyak di dunia. Diagnosis dini kanker payudara memiliki peran penting dalam proses pengobatan. Citra mamografi menjadi salah satu media dalam mendiagnosis kanker payudara dan mempunyai tingkat kesulitan yang cukup tinggi jika diinterpretasikan secara visual. Sehingga diperlukan proses diagnosis secara komputasi dengan menggunakan deep learning. Penelitian ini akan menganalisis algoritma optimasi pada Conventional Neural Network (CNN) untuk mengklasifikasikan kanker payudara menjadi tiga kelas (benign, malignant, dan normal), dengan teknik deep transfer learning dan menggunakan arsitektur CNN yaitu VGG-16. Dataset yang digunakan berasal dari database citra Mammographic Image Analysis Society (MIAS). Penelitian ini membandingkan delapan algoritma optimasi pada model yang telah diusulkan untuk mengetahui algoritma optimasi mana yang bekerja paling baik untuk klasifikasi kanker payudara menggunakan teknik deep learning. Delapan algoritma tersebut diantaranya Adam, Adadelta, Adagrad, Adamax, Ftrl, Nadam, RMSprop, dan SGD. Model telah diuji dengan berbagai hyperparameter, pengujian hyperparameter tersebut menggunakan tiga skenario yaitu pemilihan batch size, learning rate, dan epoch terbaik dari masing-masing optimizer. Dari pengujian tersebut didapatkan hyperparameter terbaik pada model VGG-16, yaitu menggunakan batch size 64, learning rate 0.01, epoch 100 dan optimasi RMSprop menghasilkan nilai akurasi sebesar 0.9602.References
WHO, “cancer.†Accessed: Jun. 15, 2023. [Online]. Available: https:www.who.int/news-room/fact-sheets/detail/cancer
WHO, “Breast cancer.†Accessed: Jun. 15, 2023. [Online]. Available: https://www.who.int/news-room/fact-sheets/detail/breast-cancer
D. Cahyanti, A. Rahmayani, and S. Ainy Husniar, “Analisis performa metode Knn pada Dataset pasien pengidap Kanker Payudara,†Indonesian Journal of Data and Science , vol. 1, no. 2, pp. 39–43, 2020.
N. I. Fitriyani, “Metode PRISMA Untuk Memprediksi Penyakit Kanker Payudara,†2021.
H. Li, S. Zhang, Q. Wang, and R. Zhu, “Clinical value of mammography in diagnosis and identification of breast mass,†Pak J Med Sci, vol. 32, no. 4, Jul. 2016, doi: 10.12669/pjms.324.9384.
M. G. Wallis, M. T. Walsh, and J. R. Lee, “A Review of False Negative Mammography Population in a Symptomatic,†1991.
A. Saber, M. Sakr, O. M. Abo-Seida, A. Keshk, and H. Chen, “A Novel Deep-Learning Model for Automatic Detection and Classification of Breast Cancer Using the Transfer-Learning Technique,†IEEE Access, vol. 9, pp. 71194–71209, 2021, doi: 10.1109/ACCESS.2021.3079204.
W. Lotter et al., “Robust breast cancer detection in mammography and digital breast tomosynthesis using annotation-efficient deep learning approach,†Dec. 2019, [Online]. Available: http://arxiv.org/abs/1912.11027
S. Tammina, “Transfer learning using VGG-16 with Deep Convolutional Neural Network for Classifying Images,†International Journal of Scientific and Research Publications (IJSRP), vol. 9, no. 10, p. p9420, Oct. 2019, doi: 10.29322/ijsrp.9.10.2019.p9420.
W. Wang, Y. Hu, T. Zou, H. Liu, J. Wang, and X. Wang, “A New Image Classification Approach via Improved MobileNet Models with Local Receptive Field Expansion in Shallow Layers,†Comput Intell Neurosci, vol. 2020, 2020, doi: 10.1155/2020/8817849.
Shallu and R. Mehra, “Breast cancer histology images classification: Training from scratch or transfer learning?,†ICT Express, vol. 4, no. 4, pp. 247–254, Dec. 2018, doi: 10.1016/j.icte.2018.10.007.
N. D. Miranda, L. Novamizanti, and S. Rizal, “CONVOLUTIONAL NEURAL NETWORK PADA KLASIFIKASI SIDIK JARI MENGGUNAKAN RESNET-50,†Jurnal Teknik Informatika (Jutif), vol. 1, no. 2, pp. 61–68, Dec. 2020, doi: 10.20884/1.jutif.2020.1.2.18.
Y. N. FUADAH, I. D. UBAIDULLAH, N. IBRAHIM, F. F. TALININGSING, N. K. SY, and M. A. PRAMUDITHO, “Optimasi Convolutional Neural Network dan K-Fold Cross Validation pada Sistem Klasifikasi Glaukoma,†ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika, vol. 10, no. 3, p. 728, Jul. 2022, doi: 10.26760/elkomika.v10i3.728.
D. P. Kingma and J. Ba, “Adam: A Method for Stochastic Optimization,†Dec. 2014, [Online]. Available: http://arxiv.org/abs/1412.6980
A. C. Wilson, R. Roelofs, M. Stern, N. Srebro, and B. Recht, “The Marginal Value of Adaptive Gradient Methods in Machine Learning,†2017.
J. Sanjaya and M. Ayub, “Augmentasi Data Pengenalan Citra Mobil Menggunakan Pendekatan Random Crop, Rotate, dan Mixup,†Jurnal Teknik Informatika dan Sistem Informasi, vol. 6, no. 2, Aug. 2020, doi: 10.28932/jutisi.v6i2.2688.
M. R. Hasan, M. I. Fatemi, M. Monirujjaman Khan, M. Kaur, and A. Zaguia, “Comparative Analysis of Skin Cancer (Benign vs. Malignant) Detection Using Convolutional Neural Networks,†J Healthc Eng, vol. 2021, 2021, doi: 10.1155/2021/5895156.
H. Eissa, N. Telesi, and S. Mansour, “Comparison study of Commonly Used Activation Functions for Deep Neural Networks,†2022. [Online]. Available: https://ajbas.academy.edu.ly/ar/j/issue-articles/578/download
K. Thenmozhi and U. Srinivasulu Reddy, “Crop pest classification based on deep convolutional neural network and transfer learning,†Comput Electron Agric, vol. 164, Sep. 2019, doi: 10.1016/j.compag.2019.104906.
