Electronic Theses and Dissertation

Kanker payudara merupakan salah satu penyebab utama kematian pada wanita di seluruh dunia. Deteksi dini merupakan kunci untuk meningkatkan peluang kesembuhan dan mengurangi tingkat mortalitas akibat kanker payudara. Termografi inframerah, sebagai metode non-invasif yang aman, menawarkan alternatif yang menjanjikan untuk mendeteksi kanker payudara melalui analisis distribusi suhu pada permukaan kulit. Penelitian ini bertujuan untuk mengembangkan model deteksi dini kanker payudara melalui analisis citra termogram dengan menggunakan teknik segmentasi semantik berbasis MobileNetV3 dan klasifikasi menggunakan algoritma Boosted Tree. Segmentasi semantik digunakan untuk memisahkan area payudara dari latar belakang citra, sementara klasifikasi bertujuan untuk mendeteksi keberadaan kanker berdasarkan hasil segmentasi. Hasil penelitian menunjukkan bahwa kombinasi MobileNetV3 dan Boosted Tree meningkatkan akurasi deteksi kanker payudara. Model yang dikembangkan berhasil mencapai akurasi segmentasi sebesar 91,06% dengan learning rate 10-3 dan akurasi klasifikasi keseluruhan sebesar 86,44%. Hasil evaluasi menunjukkan bahwa model yang dikembangkan memiliki akurasi yang cukup tinggi dalam mendeteksi kanker payudara, dengan tingkat sensitivitas dan spesifisitas yang memadai untuk digunakan dalam aplikasi klinis. Selain itu, rata-rata waktu yang dibutuhkan untuk proses segmentasi adalah 0,55 detik, sedangkan klasifikasi membutuhkan rata-rata waktu 0,17 detik. Total ukuran keseluruhan dari model yang dihasilkan adalah 7,2 MB.

Breast cancer is one of the leading causes of death among women worldwide. Early detection is crucial for improving survival rates and reducing mortality from breast cancer. Infrared thermography, a safe non-invasive method, presents a promising alternative for detecting breast cancer by analyzing temperature distribution on the skin surface. This study aims to develop an early breast cancer detection model using thermogram image analysis through semantic segmentation based on MobileNetV3 and classification using the Boosted Tree algorithm. Semantic segmentation is employed to separate the breast area from the background of the image, while classification is used to detect the presence of cancer based on the segmentation results. The study’s findings indicate that the combination of MobileNetV3 and Boosted Tree enhances the accuracy of breast cancer detection. The developed model achieved a segmentation accuracy of 91.06% with a learning rate of 10-3 and an overall classification accuracy of 86.44%. Evaluation results demonstrate that the developed model possesses high accuracy in detecting breast cancer, with sufficient sensitivity and specificity for clinical application. Additionally, the average time required for the segmentation process is 0.55 seconds, while classification takes an average of 0.17 seconds. The total size of the resulting model is 7.2 MB.