DETEKSI DINI MELANOMA MENGGUNAKAN ALGORITMA HYBRID FCM-CNN BERBASIS ANDROID
Article Sidebar
Main Article Content
Abstract
Menurut Global Cancer Observatory, kasus melanoma terendah terjadi pada populasi Asia sekitar 25% dari 100.000 penduduk di tahun 2018. Melanoma adalah keganasan melanosit, sel penghasil melanin (pigmen) di lapisan basal epidermis. Keberadaan melanoma sering tidak diketahui oleh banyak orang menjadi salah satu penyebab tingginya angka kematian yang disebabkan oleh kanker kulit ini. Penelitian ini bertujuan untuk meningkatkan peluang kesembuhan dan menurunkan angka kematian akibat melanoma. Dengan mengimplementasikan algoritma hybrid Fuzzy C-Means (FCM) dan Convolutional Neural Network (CNN) berbasis Android menggunakan dataset ISIC 2017. Algoritma ini memanfaatkan keunggulan segmentasi yang dimiliki oleh FCM, seperti menghasilkan area yang lebih homogen, mengurangi penyebaran blobs, mengurangi noise, dan meminimalisir sensitivitas terhadap noise. Serta memanfaatkan CNN dalam proses klasifikasi dimana secara otomatis mengekstraksi fitur-fitur dari data latih, yang menghilangkan ketergantungan pada berbagai fitur dasar dan berpotensi meningkatkan kualitas pelatihan. Aplikasi dikembangkan menggunakan Kotlin dengan metodologi CRISP-DM dalam proses analisis data, meliputi pemahaman bisnis, pemahaman data, persiapan data, pemodelan, evaluasi, dan penerapan menggunakan Rapid Application Development (RAD). Evaluasi model dilakukan dengan menggunakan K-Fold Cross-Validation dan pengujian aplikasi menggunakan Black Box Testing. Hasil penelitian menunjukkan bahwa model hybrid FCM-CNN memberikan performa terbaik pada skala pembagian dataset 80:20 menggunakan epoch 50, batch size 16, optimizer Adam, dan K-Fold 10 dengan akurasi 99.42%. Hasil uji analisis pada aplikasi deteksi melalui kamera detector jarak jauh menggunakan smartphone Samsung A23 dengan akurasi rata-rata hasil uji analisis aplikasi mencapai 78.33%. Dengan penelitian ini diharapkan memberikan kontribusi pada perkembangan teknologi di bidang medis untuk mengidentifikasi melanoma secara dini.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
References
Bisla, D., Choromanska, A., Berman, R. S., Stein, J. A., Polsky, D., & Perelman, R. O. (2019). Towards Automated Melanoma Detection with Deep Learning: Data Purification and Augmentation. https://github.com/
Dhewayani, F. N., Amelia, D., Alifah, D. N., Sari, B. N., Jajuli, M., HSRonggo Waluyo, J., Telukjambe Timur, K., Karawang, K., & Barat, J. (2022). Implementasi K-Means Clustering untuk Pengelompokkan Daerah Rawan Bencana Kebakaran Menggunakan Model CRISP-DM. Jurnal Teknologi Dan Informasi. https://doi.org/10.34010/jati.v12i1
Goyal, M., Oakley, A., Bansal, P., Dancey, D., & Yap, M. H. (2020). Skin Lesion Segmentation in Dermoscopic Images with Ensemble Deep Learning Methods. IEEE Access, 8, 4171–4181. https://doi.org/10.1109/ACCESS.2019.2960504
Huo, Y., & Yoon, S. Eui. (2021). A survey on deep learning-based Monte Carlo denoising. In Computational Visual Media (Vol. 7, Issue 2, pp. 169–185). Tsinghua University. https://doi.org/10.1007/s41095-021-0209-9
Islam, M. Z., Islam, M. M., & Asraf, A. (2020). A combined deep CNN-LSTM network for the detection of novel coronavirus (COVID-19) using X-ray images. Informatics in Medicine Unlocked, 20. https://doi.org/10.1016/j.imu.2020.100412
Jenkins, J., & Roy, K. (2024). Exploring deep convolutional generative adversarial networks (DCGAN) in biometric systems: a survey study. In Discover Artificial Intelligence (Vol. 4, Issue 1). Springer Nature. https://doi.org/10.1007/s44163-024-00138-z
Jojoa Acosta, M. F., Caballero Tovar, L. Y., García-Zapirain, M. B., & Percybrooks, W. S. (2021). Melanoma diagnosis using deep learning techniques on dermatoscopic images. BMC Medical Imaging, 21(1). https://doi.org/10.1186/s12880-020-00534-8
Momeni Pour, A., Seyedarabi, H., Abbasi Jahromi, S. H., & Javadzadeh, A. (2020). Automatic detection and monitoring of diabetic retinopathy using efficient convolutional neural networks and contrast-limited adaptive histogram equalization. IEEE Access, 8, 136668–136673. https://doi.org/10.1109/ACCESS.2020.3005044
Patil, R., & Bellary, S. (2022). Machine learning approach in melanoma cancer stage detection. Journal of King Saud University - Computer and Information Sciences, 34(6), 3285–3293. https://doi.org/10.1016/j.jksuci.2020.09.002
Rao, L. J., Challa, R., Sudarsa, D., Naresh, C., & Basha, C. Z. (2020). Enhanced automatic classification of brain tumours with FCM and convolution neural network. Proceedings of the 3rd International Conference on Smart Systems and Inventive Technology, ICSSIT 2020, 1233–1237. https://doi.org/10.1109/ICSSIT48917.2020.9214199
Reza Fahcruroji, A., Yunita Wijaya, M., Fauziah, I., Sains dan Teknologi, F., Syarif Hidayatullah Jakarta Jl Ir Juanda No, U. H., Ciputat Tim, K., & Tangerang Selatan, K. (2024). IMPLEMENTASI ALGORITMA CNN MOBILENET UNTUK KLASIFIKASI GAMBAR SAMPAH DI BANK SAMPAH. PROSISKO: Jurnal Pengembangan Riset Dan Observasi Sistem Komputer, 45–51.
Rinonce, H. T., Sastri, D. J., Trisnawati, F., Kameswari, B., Ferronika, P., & Irianiwati. (2022). The frequency and clinicopathological significance of NRAS mutations in primary cutaneous nodular melanoma in Indonesia. Cancer Reports, 5(1). https://doi.org/10.1002/cnr2.1454
Setyaningsih, E. R., & Edy, M. S. (2022). YOLOv4 dan Mask R-CNN Untuk Deteksi Kerusakan Pada Karung Komoditi. Teknika, 11(1), 45–52. https://doi.org/10.34148/teknika.v11i1.419
Singgalen, Y. A. (2023). Penerapan Metode CRISP-DM untuk Optimalisasi Strategi Pemasaran STP (Segmenting, Targeting, Positioning) Layanan Akomodasi Hotel, Homestay, dan Resort. JURNAL MEDIA INFORMATIKA BUDIDARMA, 7(4), 1980. https://doi.org/10.30865/mib.v7i4.6896
Yilmaz, A., Kalebasi, M., Samoylenko, Y., Guvenilir, M. E., & Uvet, H. (2021). Benchmarking of Lightweight Deep Learning Architectures for Skin Cancer Classification using ISIC 2017 Dataset. http://arxiv.org/abs/2110.12270