PERBANDINGAN KLASIFIKASI CITRA PAP SMEAR REPOMEDUNM MENGGUNAKAN METODE MOBILENETV2 DAN INCEPTIONRESNETV2

• CHANDRA NUGRAHA
• 14002629

---

ABSTRAK

 

ABSTRAK
Nama : Chandra Nugraha
NIM : 14002629
Program Studi : Ilmu Komputer
Fakultas : Teknologi Informasi
Jenjang : Strata Dua (S2)
Konsentrasi : Image Processing
Judul : “Perbandingan Klasifikasi Citra Pap Smear RepoMedUNM
Menggunakan Metode MobileNetV2 dan InceptionResNetV2”
Kanker Serviks adalah kanker yang paling banyak kedua setelah kanker
payudara yang diderita oleh perempuan di dunia. Menurut World Health Organization
(WHO) tahun 2018 terdapat 18,1 juta kasus kanker baru dan 9,6 juta kematian yang
terjadi, diantaranya 23,4% kematian wanita di Indonesia diakibatkan oleh kanker
serviks ini. Upaya pencegahan dilakukan dengan pemeriksaan sejak dini untuk kanker
serviks dapat dilakukan dengan tes Pap smear. Pemeriksaan Pap smear dapat diketahui
seorang wanita mengidap penyakit kanker serviks atau tidak yang dilakukan oleh ahli
patologi sesuai dengan keahliannya. Tujuan dari penelitian ini adalah untuk membantu
ahli patologi mendapatkan perbandingan akurasi dari hasil klasifikasi citra pap smear
menggunakan 2 model arsitektur yang berbeda. Data citra pap smear diperoleh dari
dataset RepoMedUNM, didapatkan sebanyak 400 citra, terdiri dari 4 (empat) kelas
yaitu sel Normal, L-Sil, H-Sil dan Koilocyt. Penelitian ini menggunakan metode
Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2 dan
InceptionResNetV2. Hasil penelitian dan pengujian arsitektur MobileNetV2 didapatkan
nilai accuracy sebesar 99%, sedangkan arsitektur InceptionResNetV2 didapatkan nilai
accuracy sebesar 98%, dengan menggunakan perhitungan pada epoch 20 dan learning
rate 0.001.
Kata Kunci: Pap Smear, Kanker, Kanker Serviks, MobileNetV2, InceptionResNetV2
 

KATA KUNCI

Analisa Perbandingan,Klasifikasi Citra,Metode MOBILENETV2,METODE INCEPTIONRESNETV2

---

DAFTAR PUSTAKA

 

DAFTAR REFERENSI [1] P. R. Evriarti and A. Yasmon, “Patogenesis Human Papillomavirus (HPV) pada Kanker Serviks,” Jurnal Biotek Medisiana Indonesia, vol. 8, no. 1, pp. 23–32, Dec. 2019, doi: 10.22435/jbmi.v8i1.2580. [2] Rafly Pratama, “Klasifikasi Citra Pap Smear SIPAKMED DAN REPOMEDUNM DENGAN ALEXNET CONVOLUTIONAL NEURAL NETWORK (CNN),” Skripsi, 2022. [3] E. N. Riani and D. Ambarwati, “EARLY DETECTION KANKER SERVIKS SEBAGAI UPAYA PENINGKATAN DERAJAT HIDUP PEREMPUAN,”
SELAPARANG Jurnal Pengabdian Masyarakat Berkemajuan, vol. 3, no. 2, p. 144, May 2020, doi: 10.31764/jpmb.v3i2.1883. [4] N. A. Wantini and N. Indrayani, “Deteksi Dini Kanker Serviks dengan Inspeksi Visual Asam Asetat (IVA),” Jurnal Ners dan Kebidanan (Journal of Ners and
Midwifery), vol. 6, no. 1, pp. 027–034, Apr. 2019, doi: 10.26699/jnk.v6i1.ART.p027-034. [5] D. Riana et al., “Identifikasi Citra Pap Smear RepoMedUNM dengan Menggunakan K-Means Clustering dan GLCM,” Jurnal RESTI (Rekayasa
Sistem dan Teknologi Informasi), vol. 6, no. 1, pp. 1 –8, Jan. 2022, doi: 10.29207/resti.v6i1.3495. [6] M. Fathurahman, R. A. Nurmufti, and E. Suherlan, “KLASIFIKASI TIPE SEL NORMAL/ABNORMAL BERDASARKAN CITRA PAP-SMEAR MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK,” Jurnal
Teknologi Informasi YARSI, vol. 6, no. 1, pp. 35–41, Mar. 2019, doi: 10.33476/jtiy.v6i1.912. [7] J. H. Algadri, “Studi Deskriptif?: Tindakan Pencegahan Kanker Serviks Pada Wanita Usia Subur di Wilayah Kerja Puskesmas Bakunase Kelurahan Fontein Kecamatan Kota Raja Kota Kupang,” Compos. Part A Appl. Sci. Manuf., vol. 68, no. 1, pp. 1–12, 2020. [8] Sp. O. O. dr. Unedo Hence Markus, “Kanker Serviks,” Kompas, Dec. 09, 2022. https://health.kompas.com/penyakit/read/2022/03/28/210000868/kankerserviks (accessed Jan. 15, 2023). [9] D. Riana et al., “Identifikasi Citra Pap Smear RepoMedUNM dengan Menggunakan K-Means Clustering dan GLCM,” Jurnal RESTI (Rekayasa
Sistem dan Teknologi Informasi), vol. 6, no. 1, pp. 1 –8, Jan. 2022, doi: 10.29207/resti.v6i1.3495.
28 [10] Universitas Nusa Mandiri, “Repository Medical Imaging Citra Pap Smear Untuk Deteksi Dini Cervical Cancer (RepoMedUNM),” Project RepoMedUNM, 2021. http://repomed.nusamandiri.ac.id/ (accessed Jan. 15, 2023). [11] I. Wulandari, H. Yasin, and T. Widiharih, “KLASIFIKASI CITRA DIGITAL BUMBU DAN REMPAH DENGAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK (CNN),” Jurnal Gaussian, vol. 9, no. 3, pp. 273–282, Aug. 2020, doi: 10.14710/j.gauss.v9i3.27416. [12] Abdul Kholik, “KLASIFIKASI MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN) PADA TANGKAPAN LAYAR HALAMAN INSTAGRAM,” JDMSI, vol. 2, no. 2, pp. 10–20, 2021. [13] M. Sardogan, A. Tuncer, and Y. Ozen, “Plant Leaf Disease Detection and Classification Based on CNN with LVQ Algorithm,” in 2018 3rd International
Conference on Computer Science and Engineering (UBMK), Sep. 2018, pp. 382–385. doi: 10.1109/UBMK.2018.8566635. [14] K. A. R. E. Nugraha P, “DETEKSI OBJEK DAN JENIS BURUNG MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK DENGAN ARSITEKTUR INCEPTION RESNET-V2,” INFOTECH journal, vol. 8, no. 2, Dec. 2022. [15] I. Mudzakir and T. Arifin, “Klasifikasi Penggunaan Masker dengan Convolutional Neural Network Menggunakan Arsitektur MobileNetv2,”
EXPERT: Jurnal Manajemen Sistem Informasi dan Teknologi, vol. 12, no. 1, p. 76, Jun. 2022, doi: 10.36448/expert.v12i1.2466. [16] “Automated Diagnosis System of Diabetic Retinopathy Using GLCM Method and SVM Classifier,” IAES Indonesia Section, vol. Vol 5: EEC, 2018. [17] N. P. A. O. Wiastini, I. K. G. D. Putra, and K. S. Wibawa, “Klasifikasi Sel Nukleus Pap Smear Menggunakan Metode Backpropagation Neural Network,”
Jurnal Ilmiah Merpati (Menara Penelitian Akademika Teknologi Informasi), p. 224, Dec. 2019, doi: 10.24843/JIM.2019.v07.i03.p06. [18] Z. Niswati, R. Hardatin, M. N. Muslimah, and S. N. Hasanah, “Perbandingan Arsitektur ResNet50 dan ResNet101 dalam Klasifikasi Kanker Serviks pada Citra Pap Smear,” Faktor Exacta, vol. 14, no. 3, p. 160, Oct. 2021, doi: 10.30998/faktorexacta.v14i3.10010