Electronic Theses and Dissertation

Kanker payudara tetap menjadi penyebab utama kematian di kalangan wanita secara global, seringkali akibat deteksi yang terlambat dan kurangnya kesadaran. Penelitian ini bertujuan untuk mengembangkan sistem deteksi kanker payudara non-invasif yang canggih dengan menggunakan kombinasi termografi dan deep learning. Sistem yang dikembangkan mengintegrasikan Attention U-Net untuk segmentasi citra termal yang akurat dan K-Means Clustering untuk mengidentifikasi area suhu tinggi yang mencurigakan. Area ini kemudian diklasifikasikan menggunakan model CNN berbasis EfficientNet-B7. Untuk meningkatkan interpretabilitas, digunakan LIME, sebuah teknik Explainable AI yang membantu dalam menjelaskan keputusan model. Hasil eksperimen menunjukkan bahwa sistem ini mencapai akurasi pelatihan sebesar 96,48% dan akurasi validasi sebesar 91,67%. Selain itu, model ini juga mencapai recall sebesar 91,95%, spesifisitas sebesar 91,43%, presisi sebesar 89,89%, dan F1-Score sebesar 90,91%. Hasil ini menyoroti efektivitas model dalam mendeteksi dan melokalisasi area yang berpotensi mengandung kanker, dengan keseimbangan yang baik antara presisi dan recall. Meskipun hasil yang diperoleh cukup menjanjikan, penyempurnaan lebih lanjut diperlukan untuk mengurangi tingkat false negatives dan meningkatkan generalisasi terhadap data yang belum pernah terlihat sebelumnya. Penelitian ini secara signifikan memajukan teknologi deteksi kanker payudara non-invasif, serta meletakkan dasar yang kuat untuk aplikasi klinis di masa depan.

Breast cancer remains a leading cause of mortality among women globally, often due to delayed detection and insufficient awareness. This study develops an advanced, non-invasive breast cancer detection system using thermography and deep learning, which allows early detection to support self-awareness. The proposed system integrates Attention U-Net for precise segmentation of thermal images and K-Means Clustering to identify suspicious high-temperature regions. These regions are classified using an EfficientNet-B7-based CNN model. To enhance interpretability, LIME is employed, an Explainable AI technique. Experimental results show the proposed system achieves a training accuracy of 96.48% and a validation accuracy of 91.67%, with a recall of 91.95%, specificity of 91.43%, precision of 89.89%, and an F1-Score of 90.91%. These results highlight the model’s effectiveness in detecting and localizing potential cancerous regions, balancing precision and recall. While promising, further refinement is needed to reduce false negatives and improve generalization to unseen data. This research significantly advances non-invasive breast cancer detection, laying a strong foundation for future clinical applications.