Klasifikasi Kanker Serviks pada Citra Pap Smear Menggunakan Model CNN dan SVM

Abstract

Kanker serviks menduduki peringkat empat untuk jenis kanker yang umum dijumpai pada wanita di seluruh dunia dan merupakan penyakit dengan angka kematian yang cukup tinggi di Indonesia. Tes skrining pap smear merupakan salah satu usaha pencegahan dini untuk mendeteksi kanker serviks. Tes skrining yang dilakukan secara manual masih rentan terjadi kesalahan observasi. Penelitian ini bertujuan untuk membuat model convolutional neural network dan support vector machine untuk identifikasi kanker serviks melalui citra pap smear. Data yang digunakan dalam penelitian ini adalah 4049 citra sel bersumber dari SIPaKMeD yang terbagi menjadi lima kelas berdasarkan tingkat keganasan kanker. Model convolutional neural network digunakan untuk melakukan ekstraksi fitur pada citra pap smear dan support vector machine digunakan untuk melakukan proses klasifikasi. Hasil penelitian ini adalah empat buah model klasifikasi kanker serviks pada citra pap smear menggunakan arsitektur Resnet50 dan algoritme support vector machine dengan skenario yang berbeda. Model klasifikasi dengan performa terbaik menghasilkan akurasi sebesar 97,09%.

Cervical cancer is ranked fourth for a type of cancer that is commonly found in women worldwide and is a disease with a high mortality rate in Indonesia. Pap smear screening test is one of the early prevention efforts to detect cervical cancer. Manual screening test are still prone to observation errors. This study aims to create a convolutional neural network model and support vector machine model to identify cervical cancer through pap smear images. The data used in this study were 4049 cell images sourced from SIPaKMeD which were divided into 5 classes based on the level of cancer malignancy. The convolutional neural network model is used to extract features on the pap smear image and the support vector machine is used to carry out the classification process. The results of this study are four cervical cancer classification models on pap smear images using Resnet50 architecture and support vector machine algorithms with different scenarios. The classification model with the best performance has an accuracy of 97.09%.