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

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