Penerapan Model Arsitektur VGG-19 untuk Klasifikasi Kanker Serviks Menggunakan Citra Pap Smear
Main Article Content
Abstract
Kanker serviks merupakan jenis kanker yang menjadi ancaman serius bagi kesehatan wanita secara global, termasuk di Indonesia. Infeksi Human Papillomavirus (HPV) adalah penyebab utama kanker ini, dan sering kali sulit terdeteksi pada tahap awal. Penelitian ini memanfaatkan model arsitektur VGG-19 untuk membantu proses klasifikasi kanker serviks, karena interpretasi manual citra pap smear memiliki keterbatasan, seperti waktu yang lama. Model VGG-19 dioptimalkan dengan menggunakan teknik transfer learning. Dataset penelitian diambil dari situs Kaggle berjudul “Cervical Cancer largest dataset (SipakMed)” dengan 4049 gambar, kemudian dibagi menjadi data validasi, pelatihan, dan pengujian dengan rasio 80:10:10. Augmentasi data dilakukan untuk meningkatkan keragaman dan kualitas dataset. Hasil evaluasi menunjukkan bahwa akurasi klasifikasi mencapai 92%, dengan pprecision, recall, dan F1-Score yang tinggi di beberapa kelas. Dari hasil tersebut, arsitektur VGG-.19 terbukti efektif ddalam membantu klasifikasii gambar pap smear dan berpotensi menjadi solusi untuk deteksi kanker serviks yang lebih cepat dan akurat.
Downloads
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
[1] Minarno, A. E., Mandiri, M. H. C., & Alfarizy, M. R. (2021). Klasifikasi COVID-19 menggunakan Filter Gabor dan CNN dengan Hyperparameter Tuning. ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika, 9(3), 493.
[2] Lasniari, S., Jasril, J., Sanjaya, S., Yanto, F., & Affandes, M. (2022). Klasifikasi Citra Daging Babi dan Daging Sapi Menggunakan Deep Learning Arsitektur ResNet-50 dengan Augmentasi Citra. Jurnal Sistem Komputer Dan Informatika (JSON), 3(4), 450-457.
[3] Ariono, H. W., & Maryam, S. (2022). Sistem Pakar Pengklasifikasi Stadium Kanker Serviks Berbasis Mobile Menggunakan Metode Decision Tree (Doctoral dissertation, Universitas Muhammadiyah Surakarta).
[4] Dharma, A., Manalu, P., Sinaga, G. S., Siringoringo, R., Palangai, I. S., & Setiawan, K. (2020). Deteksi Pola Pasien Kanker Serviks dengan Algoritma Extra Trees dan K-Nearest Neighbor. Jurnal Ilmu Komputer dan Sistem
[5] Arbain, D., Sriyanto, S., & Triloka, J. (2023, August). Perbandingan Kinerja Algoritma K-Medoids Dan K-Means Untuk Klasifikasi Penyakit Kanker Serviks. In Prosiding Seminar Nasional Darmajaya (Vol. 1, pp. 118-131).
[6] Fauzi, H., Surya, G., Magdalena, R., Harsono, A. B., & Azhar, T. N. (2021). Sistem Deteksi Pra-Kanker Serviks dengan Pengolahan Citra Hasil Inspeksi Visual Asam Asetat. Techno. Com, 20(2), 290-299.
[7] Wijaya, R. S. D., Suksmono, A. B., & Mengko, T. L. (2021). Segmentasi citra kanker serviks menggunakan markov random field dan algoritma K-means. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 5(1), 139-147.
[8] Hardatin, R., Muslimah, M. N., & Hasanah, S. N. (2021). Perbandingan Arsitektur ResNet50 dan ResNet101 dalam Klasifikasi Kanker Serviks pada Citra Pap Smear. Faktor Exacta, 14(3), 160-167.
[9] Minarno, A. E., Mandiri, M. H. C., & Alfarizy, M. R. (2021). Klasifikasi COVID-19 menggunakan Filter Gabor dan CNN dengan Hyperparameter Tuning. ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika, 9(3), 493.
[10] Shinta, R. (2023). Klasifikasi Citra Penyakit Daun Tanaman Padi Menggunakan CNN dengan Arsitektur VGG-19. Klasifikasi Citra Penyakit Daun Tanaman Padi Menggunakan CNN dengan Arsitektur VGG-19, 9(01), 37-45.
[11] N. D. Girsang, “Literature Study of Convolutional Neural Network
Algorithm for Batik Classification,” Brill. Res. Artif. Intell., vol. 1, no. 1,
pp. 1–7, 2021, doi: 10.47709/brilliance.v1i1.1069
[12] C. F. G. Dos Santos and J. P. Papa, “Avoiding Overfitting: A Survey on
Regularization Methods for Convolutional Neural Networks,” ACM Comput. Surv., vol. 54, no. 10 s, 2022, doi: 10.1145/3510413.
[13] Nusantoro, J., Afrinanto, F. F., Labibah, W. S., Sari, Z., & Azhar, Y. (2022). Detection of Covid-19 on X-Ray Image of Human Chest Using CNN and Transfer Learning. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), 6(3), 430-441.
[14] Yohannes, Y., Udjulawa, D., & Febbiola, F. (2021). Klasifikasi Lukisan Karya Van Gogh Menggunakan Convolutional Neural Network-Support Vector Machine. Jurnal Teknik Informatika Dan Sistem Informasi, 7(1).
[15] Suwiyoga, K. (2007). Kanker serviks: penyakit keganasan fatal yang dapat dicegah. Indonesian Journal of Obstetrics and Gynecology.
[16] Bella Dwi Mardiana, Wahyu Budi Utomo, Ulfah Nur Oktaviana, Galih Wasis Wicaksono, and Agus Eko Minarno, “Herbal Leaves Classification Based on Leaf Image Using CNN Architecture Model VGG16,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 7, no. 1, pp. 20–26, Feb. 2023, doi: 10.29207/resti.v7i1.4550.
[17] Alya, R. F., Wibowo, M., & Paradise, P. (2023). Classification of batik motif using transfer learning on convolutional neural network (CNN). Jurnal Teknik Informatika (Jutif), 4(1), 161-170.
[18] Andrian, S., Salim, E. S., Bindan, H., Pranoto, E., & Dharma, A. (2020). Analisa Metode Random Forest Tree dan K-Nearest Neighbor dalam Mendeteksi Kanker Serviks. Jurnal Ilmu Komputer Dan Sistem Informasi (JIKOMSI), 3(2), 97-101.
[19] Latifah, L., Nurachmah, E., & Hiryadi, H. (2020). Faktor yang berkontribusi terhadap motivasi menjalani pemeriksaan pap smear pasien kanker serviks di poli kandungan. Jurnal Keperawatan Suaka Insan (JKSI), 5(1), 90-99.
[20] W. G. Pamungkas, M. I. P. Wardhana, Z. Sari, and Y. Azhar, “Leaf Image Identification: CNN with EfficientNet-B0 and ResNet-50 Used to Classified Corn Disease,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 7, no. 2, pp. 326–333, Mar. 2023, doi: 10.29207/resti.v7i2.4736.
[21] Ulfah Nur Oktaviana, Ricky Hendrawan, Alfian Dwi Khoirul Annas, and Galih Wasis Wicaksono, “Klasifikasi Penyakit Padi berdasarkan Citra Daun Menggunakan Model Terlatih Resnet101,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 5, no. 6, pp. 1216–1222, Dec. 2021, doi: 10.29207/resti.v5i6.3607.