Klasifikasi Kanker Kulit Menggunakan Metode Deep Learning

Main Article Content

Muhammad Rizal Ashari
Zamah Sari
Didih Rizki

Abstract

Kulit merupakan salah satu komponen penting bagi manusia, salah satunya untuk melindungi tubuh manusia dari paparan langsung oleh ultraviolet atau sinar matahari. Sinar matahari merupakan sumber vitamin bagi tubuh manusia dan juga mempunyai banyak manfaat bagi tubuh manusia, akan tetapi sinar matahari yang berlebihan juga mengakibatkan kerusakan sel yang terdapat pada kulit, sehingga ketika kulit menerima sinar matahari yang berlebihan dapat menyebabkan kanker kulit. Kanker kulit adalah penyakit yang salah satunya disebabkan oleh sianar ultavioet yang berlebih yang diterima oleh kulit manusia. Penyakit ini terjadi dan berkembang pada lapisan kulit bagian atas dan efeknya dapat dilihat dengan mata manusia dengan ditandai munculnya benjolan pada kulit atau berbentuk seperti tahilalat dengan ukuran dan bentuk yang tidak normal. Pada umumnya, orang masih banyak yang belum mengerti apa saja gejala atau bentuk dari penyakit kanker kulit ini dan sering di hiraukan. Metode Deep learning merupakan salah  satu pembelajaran mesin yang banyak digunakan saat ini untuk pengenalan gambar. Pada saat ini telah banyak penelitian yang bertujuan untuk membuat suatu sistem klasifikasi pada penyakit kanker kulit yang yang berbasis machine learning yang memiliki hasil yang akurat dan cepat. Pada penelitian ini digunakan metode Deep learning dengan menggunakan model DenseNet121 dengan menggunakan jumlah data sebanyak 3297 citra.  Pada percobaan yang telah dilakukan pada penelitian ini hasil akurasi terbaik yang didapatkan sebasar 90.63% yang didapatkan dari hasil training menggunakan model DenseNet121.

Downloads

Download data is not yet available.

Article Details

How to Cite
[1]
M. R. Ashari, Z. Sari, and D. Rizki, “Klasifikasi Kanker Kulit Menggunakan Metode Deep Learning”, JR, vol. 6, no. 1, Feb. 2024.
Section
Articles

References

H. Kim and E. Giovannucci, Vitamin d status and cancer incidence, survival, and mortality, vol. 1268. 2020.

N. Zhang, Y. X. Cai, Y. Y. Wang, Y. T. Tian, X. L. Wang, and B. Badami, “Skin cancer diagnosis based on optimized convolutional neural network,” Artif. Intell. Med., vol. 102, p. 101756, 2020, doi: 10.1016/j.artmed.2019.101756.

S. Sigurdsson, P. A. Philipsen, L. K. Hansen, J. Larsen, M. Gniadecka, and H. Christian Wulf, “Detection of skin cancer by classification of Raman spectra,” IEEE Trans. Biomed. Eng., vol. 51, no. 10, pp. 1784–1793, 2004, doi: 10.1109/TBME.2004.831538.

E. Jana, R. Subban, and S. Saraswathi, “Research on Skin Cancer Cell Detection Using Image Processing,” 2017 IEEE Int. Conf. Comput. Intell. Comput. Res. ICCIC 2017, 2018, doi: 10.1109/ICCIC.2017.8524554.

S. Jiang, H. Li, and Z. Jin, “A Visually Interpretable Deep Learning Framework for Histopathological Image-Based Skin Cancer Diagnosis,” IEEE J. Biomed. Heal. Informatics, vol. 25, no. 5, pp. 1483–1494, 2021, doi: 10.1109/JBHI.2021.3052044.

S. R. Silpa and C. V, “a Review on Skin Cancer,” Int. Res. J. Pharm., vol. 4, no. 8, pp. 83–88, 2013, doi: 10.7897/2230-8407.04814.

R. Agustina, R. Magdalena, and N. K. C. Pratiwi, “Klasifikasi Kanker Kulit menggunakan Metode Convolutional Neural Network dengan Arsitektur VGG-16,” ELKOMIKA J. Tek. Energi Elektr. Tek. Telekomun. Tek. Elektron., vol. 10, no. 2, p. 446, 2022, doi: 10.26760/elkomika.v10i2.446.

Q. Abbas, M. Emre Celebi, I. F. Garcia, and W. Ahmad, “Melanoma recognition framework based on expert definition of ABCD for dermoscopic images,” Ski. Res. Technol., vol. 19, no. 1, pp. 1–10, 2013, doi: 10.1111/j.1600-0846.2012.00614.x.

P. Kharazmi, M. I. Aljasser, H. Lui, Z. J. Wang, and T. K. Lee, “Automated Detection and Segmentation of Vascular Structures of Skin Lesions Seen in Dermoscopy, with an Application to Basal Cell Carcinoma Classification,” IEEE J. Biomed. Heal. Informatics, vol. 21, no. 6, pp. 1675–1684, 2017, doi: 10.1109/JBHI.2016.2637342.

A. Adegun and S. Viriri, Deep learning techniques for skin lesion analysis and melanoma cancer detection: a survey of state-of-the-art, vol. 54, no. 2. Springer Netherlands, 2021.

A. H. Shahin, A. Kamal, and M. A. Elattar, “Deep Ensemble Learning for Skin Lesion Classification from Dermoscopic Images,” 2018 9th Cairo Int. Biomed. Eng. Conf. CIBEC 2018 - Proc., pp. 150–153, 2019, doi: 10.1109/CIBEC.2018.8641815.

A. Esteva et al., “Dermatologist-level classification of skin cancer with deep neural networks,” Nature, vol. 542, no. 7639, pp. 115–118, 2017, doi: 10.1038/nature21056.

M. A. Kassem, K. M. Hosny, and M. M. Fouad, “Skin Lesions Classification into Eight Classes for ISIC 2019 Using Deep Convolutional Neural Network and Transfer learning,” 2020, doi: 10.1109/ACCESS.2020.3003890.

R. Kasmi and K. Mokrani, “Classification of malignant melanoma and benign skin lesions: Implementation of automatic ABCD rule,” IET Image Process., vol. 10, no. 6, pp. 448–455, 2016, doi: 10.1049/iet-ipr.2015.0385.

H. Swanson, “Flavonoids, inflammation and cancer,” Flavonoids, Inflamm. Cancer, vol. 7, no. 2, pp. 1–212, 2015, doi: 10.1142/9488.

U. O. Dorj, K. K. Lee, J. Y. Choi, and M. Lee, “The skin cancer classification using deep convolutional neural network,” Multimed. Tools Appl., vol. 77, no. 8, pp. 9909–9924, 2018, doi: 10.1007/s11042-018-5714-1.

M. Faruk, P. Studi, T. Informatika, F. Teknik, and U. I. Lamongan, “Telematika Klasifikasi Kanker Kulit Berdasarkan Fitur Tekstur , Fitur Warna Citra Menggunakan SVM dan KNN,” Telematika, vol. 13, no. 2, pp. 100–109, 2020.

R. Yohannes and M. E. Al Rivan, “Klasifikasi Jenis Kanker Kulit Menggunakan CNN-SVM,” J. Algoritm., vol. 2, no. 2, pp. 133–144, 2022, doi: 10.35957/algoritme.v2i2.2363.

U. N. A. Putri, Klasifikasi Kanker Kulit Menggunakan Convolutional Neural Network Dengan Model VGG-16, InceptionV3, dan ResNet50, Putri, Ulf. Malang: Putri, Ulfi Nanda Anisa, 2021.

H. R. Mhaske and D. A. Phalke, “Melanoma skin cancer detection and classification based on supervised and unsupervised learning,” 2013 Int. Conf. Circuits, Control. Commun. CCUBE 2013, pp. 1–5, 2013, doi: 10.1109/CCUBE.2013.6718539.

A. R. Lopez and X. Giro-i-nieto, “,” pp. 49–54, 2017.

N. Abuared, A. Panthakkan, M. Al-Saad, S. A. Amin, and W. Mansoor, “Skin Cancer Classification Model Based on VGG 19 and Transfer Learning,” 2020 3rd Int. Conf. Signal Process. Inf. Secur. ICSPIS 2020, pp. 19–22, 2020, doi: 10.1109/ICSPIS51252.2020.9340143.

H.-S. Ham, H.-S. Lee, J.-W. Chae, H. C. Cho, and H.-C. Cho, “Improvement of Gastroscopy Classification Performance Through Image Augmentation Using a Gradient-Weighted Class Activation Map,” IEEE Access, vol. 10, no. September, pp. 99361–99369, 2022, doi: 10.1109/access.2022.3207839.

P. Sedigh, R. Sadeghian, and M. T. Masouleh, “Generating Synthetic Medical Images by Using GAN to Improve CNN Performance in Skin Cancer Classification,” ICRoM 2019 - 7th Int. Conf. Robot. Mechatronics, no. ICRoM, pp. 497–502, 2019, doi: 10.1109/ICRoM48714.2019.9071823.

A. Naeem, M. S. Farooq, A. Khelifi, and A. Abid, “Malignant Melanoma Classification Using Deep Learning : Datasets , Performance Measurements , Challenges and Opportunities,” vol. XX, 2020, doi: 10.1109/ACCESS.2020.3001507.

G. Huang, Z. Liu, L. Van Der Maaten, and K. Q. Weinberger, “Densely connected convolutional networks,” Proc. - 30th IEEE Conf. Comput. Vis. Pattern Recognition, CVPR 2017, vol. 2017-Janua, pp. 2261–2269, 2017, doi: 10.1109/CVPR.2017.243.