Electronic Theses and Dissertation

Kanker payudara merupakan salah satu jenis kanker dengan jumlah pengidap paling banyak dan jumlah kematian kedua tertinggi dari kanker lainnya yaitu mencapai 22.692 jiwa. Hal ini disebabkan oleh kurangnya pendeteksian dini terhadap pengidap kanker payudara. Secara medis kanker payudara dapat diketahui berdasarkan struktur anatominya melalui gambar medis dengan bantuan alat seperti MRI, X-Ray, USG dan Mammografi. Namun metode ini kurang efisien karena dapat merusak jaringan tubuh. Pada penelitian ini digunakan deteksi dini menggunakan termografi yang merupakan suatu teknik untuk menangkap pantulan gelombang infrared menjadi suatu citra termal. Citra termal payudara tidak melibatkan sentuhan fisik dan tidak merusak jaringan tubuh. Salah satu metode yang dapat digunakan untuk deteksi dini kanker payudara menggunakan komputer adalah Convolution Neural Network (CNN) yang merupakan algoritma pembelajaran mesin dengan kinerja terbaik. CNN banyak digunakan dalam analisis citra medis dengan melakukan klasifikasi. Penelitian ini mengusulkan suatu metode klasifikasi citra termal payudara menggunakan algoritma deep learning CNN. Arsitektur yang digunakan adalah ResNet-18, ResNet-34, ResNet-50, dan ResNet- 101. Dataset yang digunakan terdiri dari 3 jenis skema dengan pengelompokkan yang berbeda bertujuan untuk menganalisis kinerja ResNet dalam mengenali citra termal payudara. Data latih dan validasi skema 1 terdiri dari 3.500 citra yang diambil dari 187 ID, citra latih dan validasi skema 2 terdiri dari 600 citra yang diambil dari 60 ID. Adapun data uji yang digunakan pada skema 1 dan 2 terdiri dari 300 citra. Skema 3 merupakan citra termal payudara dengan watermark yang terdiri dari 450 citra latih dan validasi serta data uji sebanyak 50 citra. Hasil penelitian menggunakan dataset skema 1 dan 2 menghasilkan learning curve yang goodfit pada seluruh arsitektur. Sedangkan pada dataset skema 3 ResNet-18 dan ResNet- 34 menghasilkan learning curve yang overfit, ResNet-50 dan ResNet-101 menghasilkan learning curve yang goodfit.
Kata kunci: kanker payudara, convolution neural network, resnet-18, resnet-34, resnet-50, resnet-101.

Breast cancer is one type of cancer with the highest number of sufferers and the second highest number of deaths from other cancers, reaching 22,692 people. This is caused by the lack of early detection of people with breast cancer. Medically, breast cancer can be known based on its anatomical structure through medical images with the help of tools such as MRI, X-Ray, Ultrasound and Mammography. However, this method is less efficient because it can damage body tissues. In this study used early detection using thermography which is a technique to capture reflected infrared waves into a thermal image. Thermal image of the breast does not involve physical touching and does not damage body tissues. One method that can be used for early detection of breast cancer using a computer is the Convolution Neural Network (CNN), which is a machine learning algorithm with the best performance. CNN is widely used in medical image analysis by classifying it. This study proposes a breast thermal image classification method using the CNN deep learning algorithm. The architecture used is ResNet-18, ResNet-34, ResNet-50, and ResNet-101. The dataset used consists of 3 types of schemes with different groupings aimed at analyzing the performance of ResNet in recognizing breast thermal images. Scheme 1 training and validation data consisted of 3,500 images taken from 187 IDs, training and validation schema 2 images consisted of 600 images taken from 60 IDs. The test data used in schemes 1 and 2 consists of 300 images. Scheme 3 is a thermal image of the breast with a watermark consisting of 450 training and validation images and 50 test data. The results of the research using schematic 1 and 2 datasets produce good-fit learning curves for all architectures. Whereas in schema 3 dataset ResNet-18 and ResNet-34 produce an overfit learning curve, ResNet-50 and ResNet-101 produce a goodfit learning curve. Keywords: breast cancer, convolution neural network, resnet-18, resnet-34, resnet- 50, resnet-101.