PENINGKATAN PERFORMA CNN DENGAN ARSITEKTUR UNET DAN RESNET PADA CITRA MAMMOGRAM UNTUK KLASIFIKASI KANKER PAYUDARA

Himawan, Shafa’ Tiara Tsabita (2024) PENINGKATAN PERFORMA CNN DENGAN ARSITEKTUR UNET DAN RESNET PADA CITRA MAMMOGRAM UNTUK KLASIFIKASI KANKER PAYUDARA. Other thesis, UPN "Veteran" Yogyakarta.

	Text Full Skripsi-Shafa Tiara Tsabita Himawan.pdf Restricted to Repository staff only Download (3MB)
	Text Cover.pdf Download (164kB)
	Text Abstrak.pdf Download (230kB)
	Text SURAT PERNYATAAN.pdf Download (904kB)
	Text Daftar Isi.pdf Download (326kB)
	Text Daftar Pustaka.pdf Download (205kB)

Abstract

Kanker payudara merupakan salah satu penyebab utama kematian pada perempuan di
dunia dengan 2,3 juta kasus dan 685.000 kematian pada tahun 2020. Algoritma
Convolutional Neural Network (CNN) telah dikembangkan untuk klasifikasi citra medis.
Namun, metode tersebut mengalami overfitting karena CNN memerlukan dataset yang besar
untuk mendapatkan hasil akurasi yang maksimal. Sementara itu, data citra medis tidak dapat
memenuhi kebutuhan dataset besar yang diperlukan oleh CNN. Akibatnya, terjadi overfitting
pada jaringan dan hasil akurasi yang kurang maksimal. Metode konvensional seperti UNet
memiliki keterbatasan dalam generalisasi data, sehingga dibutuhkan ekstrasi fitur yang lebih
baik untuk memperbaiki kinerja klasifikasi. Oleh karena itu, ResNet ditambahkan ke dalam
UNet untuk memperkaya proses ekstrasi fitur dengan memanfaatkan koneksi residual.
Penelitian ini mengimplementasikan metode ResUNet untuk mengklasifikasi kanker
payudara pada citra mammogram. Kedua arsitektur ini memungkinkan data dilatih secara
efektif meskipun dengan lapisan yang besar. Metode waterfall dengan tahapan studi literatur,
pengumpulan data, pre-processing, permodelan ResUNet, serta evaluasi model digunakan
pada penelitian ini. Data yang digunakan pada penelitian ini adalah “INbreast”. Selain itu,
penelitian ini juga menambahkan data irrevalant image yang diambil dari Unsplash Random
Images untuk memperkaya variasi dataset. Dataset kemudian diseimbangkan, sehingga
menghasilkan total citra sebanyak 3.780 untuk training, 1.890 untuk test, dan 1.890 untuk
validasi.
Hasil penelitian menunjukan bahwa model ResUNet lebih unggul dibandingkan dengan
model konvensional CNN, UNet, dan ResNet. Model ResUNet menghasilkan akurasi
pelatihan 98% dan akurasi pengujian 96%. Hal ini menunjukan kemampuan model ResUNet
dalam mengatasi overfitting dan mampu mengeneralisasi lebih baik pada data baru. Di sisi
lain, model CNN, UNet, dan ResNet mengalami keterbatasan pada fase pengujian dengan
hasil akurasi CNN 87%, UNet 87%, dan ResNet 76%. Evaluasi model ResUNet dengan rata�rata nilai precision, recall, dan f1-score 0.93 membuktikan bahwa kombinasi UNet dan
ResNet secara efektif mampu mengatasi overfitting, meningkatkan generlaisasi, dan
menghasilkan klasifikasi yang lebih akurat pada citra mammogram.
Kata kunci: kanker payudara, ResUNet, klasifikasi, overfitting, generalisasi

Item Type:	Thesis (Other)
Uncontrolled Keywords:	kanker payudara, ResUNet, klasifikasi, overfitting, generalisasi
Subjects:	T Technology > T Technology (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	A.Md.SI Indah Lestari Wulan Aji
Date Deposited:	31 Dec 2024 01:53
Last Modified:	31 Dec 2024 01:53
URI:	http://eprints.upnyk.ac.id/id/eprint/41943

Actions (login required)

View Item