Deteksi Dan Klasifikasi Citra Kanker Darah  Menggunakan Metode  Convolutional Neural Network (CNN)

Sriyani Violina; Niken Rosiana Damayanti; Iwa Ovyawan Herlistiono

doi:10.31539/intecoms.v7i4.10985

Sriyani Violina Universitas Widyatama
Niken Rosiana Damayanti
Iwa Ovyawan Herlistiono

DOI: https://doi.org/10.31539/intecoms.v7i4.10985

Abstract

Leukemia adalah sekelompok kanker darah yang mempengaruhi sel darah tubuh, terutama sel darah putih. Leukemia dapat terbentuk ketika sel darah putih tidak tumbuh sebagaimana mestinya. Untuk menetapkan diagnosis kanker darah, diperlukan pemeriksaan penunjang, berupa tes darah dan biopsi sumsum tulang. Pada tes darah, dokter mencari kelainan dari jumlah sel darah putih. Pengidap leukemia umumnya memiliki kadar sel darah putih lebih banyak dibanding normal. Dalam hal jumlah data yang besar, kesalahan dalam proses diagnosis dapat terjadi karena human error dan hal ini tentunya dapat membahayakan nyawa pasien. Metode deteksi otomatis telah dilakukan dengan menggunakan pengolahan citra maupun segmentasi, serta beberapa metode klasifikasi menggunakan machine learning dan deep learning. Pada penelitian ini menggunakan metode Convolutional Neural Network dengan arsitektur VGG-16. Arsitektur VGG-16 digunakan sebagai arsitektur objek deteksi untuk mendeteksi keberadaan dan menghitung sel Kanker Darah pada data citra. Deteksi objek dilakukan untuk membedakan sel darah putih sehat (normal) dengan sel darah putih yang terkena kanker (sel limfoblas dan non-limfoblas). Performa deteksi yang didapatkan dari penggunaan metode ini berupa nilai akurasi dari training model 20.000 data. Menggunakan nilai learning rate 0,001 dan jumlah epoch 10 menghasilkan model terbaik sebesar 100%.

Kata Kunci : Leukemia, Convolutional Neural Network, VGG-16

References

[1] Pangribowo, S. (2019). Beban Kanker di Indonesia. Pusat Data Dan Informasi Kemeterian Kesehatan RI, 1–16.
[2] World Health Organization. Cancer. WHO. 2022.
[3] A. Kamilaris and F. X. Prenafeta-Boldú, “Deep learning in agriculture: A survey,” Comput. Electron. Agric., vol. 147, no. February, pp. 70–90, 2018.
[4] C. McCool, T. Perez, and B. Upcroft, “Mixtures of Lightweight Deep Convolutional Neural Networks: Applied to Agricultural Robotics,” IEEE Robot. Autom. Lett., vol. 2, no. 3, pp. 1344–1351, 2017.
[5] D. Weimer, B. Scholz-Reiter, and M. Shpitalni, “Design of deep convolutional neural network architectures for automated feature extraction in industrial inspection,” CIRP Ann. - Manuf. Technol., vol. 65, no. 1, pp. 417–420, 2016.
[6] R. Liu, G. Meng, B. Yang, C. Sun, and X. Chen, “Dislocated Time Series Convolutional Neural Architecture: An Intelligent Fault Diagnosis Approach for Electric Machine,” IEEE Trans. Ind. Informatics, vol. 13, no. 3, pp. 1310–1320, 2017.
[7] K. Xu, D. Feng, and H. Mi, “Deep convolutional neural network-based early automated detection of diabetic retinopathy using fundus image,” Molecules, vol. 22, no. 12, 2017.
[8] A. Jijja and D. Rai, “Efficient MRI segmentation and detection of brain tumor using convolutional neural network,” Int. J. Adv. Comput. Sci. Appl., vol. 10, no. 4, pp. 536–541, 2019.
[9] T. DeVries and D. Ramachandram, “Skin Lesion Classification Using Deep Multi-scale Convolutional Neural Networks,” 2017.
[10] M. Goyal, N. D. Reeves, A. K. Davison, S. Rajbhandari, J. Spragg, and M. H. Yap, “DFUNet: Convolutional Neural Networks for Diabetic Foot Ulcer Classification,” IEEE Trans. Emerg. Top. Comput. Intell., vol. PP, pp. 1–12, 2018