Muhammad Hafiz Primary Author mixed material bibliography Banda Aceh Fakultas Teknik Komputer 2024

Skripsi

Kanker payudara disebabkan oleh pertumbuhan sel payudara yang tidak normal, yang diyakini dipicu oleh mutasi genetik yang diwariskan. Sekitar 70% kanker pada penyakit ini diakibatkan oleh pembentukan sel abnormal pada saluran, sementara hingga 15% kasus berasal dari lobulus, dan sisanya ditemukan pada jaringan ikat. Interpretasi citra medis menggunakan neural network (NN) telah berkembang pesat dalam beberapa tahun terakhir, memungkinkan deteksi otomatis penyakit menggunakan citra medis dan teknologi deep learning (DL). Dalam penelitian ini, citra termal payudara diklasifikasikan menjadi tiga kategori: Normal, Kanker Jinak, dan Kanker Ganas. Model yang digunakan adalah kombinasi arsitektur Convolutional Neural Network (CNN) dengan XGBoost, di mana CNN berfungsi sebagai ekstraktor fitur dan XGBoost sebagai classifier. Dua arsitektur CNN yang digunakan adalah VGG16 dan ResNet50, dengan dataset yang terdiri dari 614 citra per kelas, yang dibagi menjadi 70% data pelatihan, 20% data validasi, dan 10% data pengujian. Hasil penelitian menunjukkan bahwa model VGG16-XGBoost mencapai akurasi pelatihan sebesar 87,44% dan akurasi validasi sebesar 72,89%, sementara model ResNet50-XGBoost mencapai akurasi pelatihan sebesar 91,24% dan akurasi validasi sebesar 73,17%. Evaluasi model menggunakan confusion matrix menunjukkan bahwa model dapat mengklasifikasikan citra dengan cukup baik, meskipun terjadi beberapa kesalahan prediksi, terutama pada kelas Kanker Jinak dan Kanker Ganas. Hasil penelitian ini menunjukkan bahwa model CNN-XGBoost mampu memberikan performa yang kompetitif dalam klasifikasi citra termal kanker payudara, dengan potensi untuk meningkatkan deteksi dini kanker payudara. Kata kunci: kanker payudara, citra termal, CNN-XGBoost, deep learning 0 ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala 138497 2024-10-14 16:37:52 2024-10-14 16:44:21 machine generated