KLASIFIKASI KANKER SERVIKS MENGGUNAKAN MODEL CONVOLUTIONAL NEURAL NETWORK ALEXNET

Habibullah Akbar, Sandfreni Sandfreni

Abstract


Menurut Kementerian Kesehatan Republik Indonesia, kanker serviks memiliki kasus sebesar 23,4 per 100.000 penduduk pada tahun 2018. Tingkat prevalensi angka kejadian yang cukup tinggi tersebut tentunya menyulitkan baik pihak pemerintah dan masyarakat dalam upaya pencegahan dan pengendalian kanker. Pada penelitian ini, kami menggunakan model convolutional neural network dengan arsitektur AlexNet untuk mengklasifikasikan gambar dari sel kanker serviks. Model ini terdiri atas 3 lapisan konvolusi, 3 lapisan ReLu, 2 lapisan pooling, dan 3 lapisan fully-connected yang akan mengklasifikasi gambar input serviks menjadi 3 tipe kanker melalui fungsi aktivasi softmax. Dataset yang digunakan merupakan dataset standar yaitu dataset Intel & MobileODT Cervical Cancer Screening. Pengujian model AlexNet dilakukan terhadap parameter iterasi (epoch), subset data training untuk mengupdate bobot AlexNet (minibatch), laju pembelajaran (learning rate), dan resolusi gambar input yang digunakan sebagai patch pembelajaran AlexNet. Dari hasil eksperimen didapati bahwasanya akurasi sangat dipengaruhi oleh jumlah iterasi dari proses pembelajaran model, dimana hasil akurasi terbaik diberikan pada epoch 300. Selain itu, waktu komputasi yang dibutuhkan berbanding lurus dengan jumlah iterasi. Menariknya, parameter lain dari arsitektur model AlexNet seperti minibatch, learning rate, dan resolusi gambar input tidak memberikan pengaruh yang signifikan atau bahkan justru membuat network gagal meningkatkan performanya. Hal ini menunjukkan model AlexNet masih memerlukan modifikasi baik dari segi arsitektur maupun optimisasi terhadap hyperparameter selain dari yang telah diuji pada penelitian ini.

References


P. A. Cohen, A. Jhingran, A. Oaknin dan L. Denny, 2019. “Cervical cancer,†Lancet, vol. 393, no. 10167, pp. 169–182.

H. Khatimah dan L. Sofiana, 2019. “Evaluasi Program Pencegahan Kanker Payudara dan Kanker Serviks di Kabupaten Sleman,†Doctoral dissertation (Universitas Ahmad Dahlan).

A. H. Baksir, A. Fuad, F. Tempola dan R. Rosihan, 2020. “Prediksi Tingkat Kualitas Kesuburan Pria dengan Jaringan Saraf Tiruan Backpropagation,†JIKO (Jurnal Inform. dan Komputer), vol. 3, no. 2, pp. 107–112.

Z. Liu, X. Liu, B. Xiao, S. Wang, Z. Miao, Y. Sun dan F. Zhang, 2020. “Segmentation of organs-at-risk in cervical cancer CT images with a convolutional neural network,†Phys. Medica, vol. 69, pp. 184–191.

P. Wang, J. Wang, Y. Li, L. Li, dan H. Zhang, 2020. “Adaptive Pruning of Transfer Learned Deep Convolutional Neural Network for Classification of Cervical Pap Smear Images,†IEEE Access, vol. 8, pp. 50674–50683.

D. C. Ciresan, A. Giusti, L. M. Gambardella, dan J. Schmidhuber, 2013. “Mitosis detection in breast cancer histology images with deep neural networks,†in International Conference on Medical Image Computing and Computer-assisted Intervention, pp. 411–418.

T. Araújo, G. Aresta, E. Castro, J. Rouco, P. Aguiar, C. Eloy, A. Polónia dan A. Campilho, 2017. “Classification of breast cancer histology images using convolutional neural networks,†PLoS One, vol. 12, no. 6, p. 1-14.

S. Sornapudi, R. J., Stanley, W. V., Stoecker, H. Almubarak, R. Long, S. Antani, G. Thoma, R. Zuna dan S. R. Frazier, 2018. “Deep learning nuclei detection in digitized histology images by superpixels,†J. Pathol. Inform., vol. 9, pp. 1-10.

Y. Song, L. Zhang, S. Chen, D. Ni, B. Li, Y. Zhou, B. Lei dan T. Wang, 2014. “A deep learning based framework for accurate segmentation of cervical cytoplasm and nuclei,†Proc. of 2014 36th Annual Int. Conf. of the IEEE Engineering in Medicine and Biology Society (EMBC), pp. 2903–2906.

R. Rasti, M. Teshnehlab dan S. L. Phung, 2017. “Breast cancer diagnosis in DCE-MRI using mixture ensemble of convolutional neural networks,†Pattern Recognit., vol. 72, pp. 381–390

M. Żejmo Michałand Kowal, J. Korbicz dan R. Monczak, 2017. “Classification of breast cancer cytological specimen using convolutional neural network,†in Journal of Physics: Conference Series, vol. 783, no. 1, p. 12060.

J. Payette, J. Rachleff dan C. de Graaf, 2017. “Intel and MobileODT Cervical Cancer Screening Kaggle Competition: cervix type classification using Deep Learning and image classification.†Stanford University, pp. 1-9.

Intel, 2017. “Intel & MobileODT Cervical Cancer Screening Which cancer treatment will be most effective?,†[Online]. Available: https://www.kaggle.com/c/intel-mobileodt-cervical-cancer-screening.

T. J. Brinker, dkk., 2018. “Skin Cancer Classification Using Convolutional Neural Networks: Systematic Review,†Journal of Medical internet Research. vol 20 (10).

A. Ghoneim., G. Muhammad., dan M. S. Hossain., 2020. “Cervical cancer classification using convolutional neural networks and extreme learning machines,†Future Generation Computer Systems. vol 102.pp. 643-649.




DOI: https://doi.org/10.33387/jiko.v4i1.2606

Refbacks

  • There are currently no refbacks.