Deep Transfer Learning untuk Meningkatkan Akurasi Klasifikasi pada Citra Dermoskopi Kanker Kulit

Abstract

Kanker kulit benign (jinak) dan malignant (ganas) merupakan jenis kanker kulit yang sering dijumpai. Tanda-tanda kanker kulit penting untuk diketahui dengan diagnosis dini agar dapat diberikan penanganan yang tepat, sehingga dapat mengurangi tingkat kematian penderitanya. Citra dermoskopi menjadi salah satu media diagnosis yang telah banyak dikembangkan oleh peneliti. Analisis citra dermoskopi memberikan hasil lebih optimal dalam diagnosis berbasis komputasi dibandingkan deteksi visual. Model yang berhasil diterapkan dalam diagnosis berbasis komputasi tersebut di antaranya deep learning dan transfer learning, tetapi masih diperlukan optimalisasi. Pada penelitian ini, dilakukan klasifikasi citra dermoskopi kanker kulit ke dalam dua kelas (benign dan malignant) dengan memanfaatkan transfer learning. Untuk meningkatkan akurasi penelitian yang telah dilakukan sebelumnya pada dataset publik dari Kaggle dengan jumlah 3.297 citra, penelitian ini menggunakan 2.000 citra. Penelitian ini membandingkan dua pre-trained model, yaitu VGG-16 dan residual network (ResNet)-50 yang digunakan sebagai feature extractor. Selanjutnya dilakukan fine-tuning dengan menambahkan flatten layer, dua dense layer dengan fungsi aktivasi ReLU, dan satu dense layer dengan fungsi aktivasi Softmax untuk melakukan klasifikasi ke dalam dua kelas. Hyper parameter tuning pada optimizer, batch size, learning rate, dan epoch dilakukan untuk mendapatkan kombinasi parameter dengan kinerja terbaik pada masing-masing model. Sebelum dilakukan hyper parameter tuning, model diuji dengan resize citra masukan menggunakan ukuran yang berbeda-beda. Hasil pengujian model menggunakan citra uji pada model VGG-16 memberikan kinerja terbaiknya pada ukuran citra 128 × 128 piksel dengan kombinasi parameter Adam sebagai optimizer, batch size 64, learning rate 0,001, dan epoch 10 dengan nilai akurasi 91% dan loss 0,2712. Model ResNet-50 memberikan akurasi yang lebih baik, yaitu 94%, dan loss 0,2198 dengan parameter optimizer RMSprop, batch size 64, learning rate 0,0001, dan epoch 100. Hasil pengujian ini menunjukkan bahwa metode yang diusulkan memberikan akurasi yang baik dan dapat membantu dermatologi dalam deteksi dini kanker kulit.