Klasifikasi Kanker Payudara Menggunakan Arsitektur Inception-V3 dan Machine Learning

Abstract

Kanker payudara adalah penyakit yang timbul diakibatkan oleh sel jaringan payudara yang tumbuh secara tidak normal dan terus menerus. Penyakit ini merupakan penyakit dengan jumlah kenaikan yang besar sekitar 13 juta pertahun, dengan tingkat kematian persentase 9,60% dari total 65.858 kasus. Deteksi kanker payudara sejak dini untuk pencegahan perlu dilakukan, dengan harapan kanker payudara lebih mudah ditangani dan disembuhkan bahkan bisa dicegah sebelum memasuki stadium lanjut. Pada penelitian ini membangun model dengan teknik transfer learning untuk klasifikasi kanker payudara. Terdapat 4 metode yang diujikan yaitu ekstraksi fitur Inception-V3 dengan metode klasifikasi Radial Basic Function Neural Network, Feed Forward Neural Network, Logistic Regression dan ekstraksi fitur dengan melakukan perubahan pada hyperparameter layer. Penelitian ini membandingkan ke empat model tersebut untuk mendapatkan yang terbaik untuk mengatasi masalah klasifikasi kanker payudara. Data yang digunakan pada penelitian ini adalah data citra kanker payudara dengan zoom scale 40X, 100X, 200X dan 400X. Dataset bersumber dari The Laboratory University of Parana dengan P&D Laboratory Pathological Anatomy and Cytopathology, Parana, Brazil. Hasil penelitian ini menunjukkan metode ekstraksi fitur Inception-V3 dengan metode klasifikasi Logistic Regression pada data zoom scale 40X memberikan akurasi terbaik (93,00%), presisi (94,00%), dan recall (91,00%) F1-score (92,00%). Skenario pelatihan Inception-V3 dengan fine tunning dilakukan perubahan hyperparameter layer: 164 dan epoch 100 menghasilkan akurasi terbaik yaitu dengan akurasi 90,00%, presisi 78,00%, recall 91,00% dan F1-score 82,00%.