Electronic Theses and Dissertation

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

Breast cancer is caused by the abnormal growth of breast cells, which is believed to be triggered by genetically inherited gene mutations. Approximately 70% of cancers in this disease result from abnormal cell formation in the ducts, while up to 15% of cases originate in the lobules, with the remainder found in connective tissue. The interpretation of medical images using neural networks (NN) has advanced significantly in recent years, enabling the automatic detection of diseases using medical images and deep learning (DL) technology. In this study, breast thermal images are classified into three categories: Healthy, Benign Cancer, and Malignant Cancer. The model used is a combination of Convolutional Neural Network (CNN) architecture with XGBoost, where CNN acts as a feature extractor and XGBoost as the classifier. The two CNN architectures used are VGG16 and ResNet50, with a dataset consisting of 614 images per class, divided into 70% training data, 20% validation data, and 10% testing data. The study results showed that the VGG16-XGBoost model achieved a training accuracy of 87.44% and a validation accuracy of 72.89%, while the ResNet50-XGBoost model achieved a training accuracy of 91.24% and a validation accuracy of 73.17%. Model evaluation using a confusion matrix indicated that the model could classify images quite well, although some misclassifications occurred, particularly in the Benign and Malignant Cancer classes. These findings suggest that the CNN-XGBoost model offers competitive performance in breast cancer thermal image classification, with the potential to improve early breast cancer detection. Keyword: Breast Cancer, Thermal Image, CNN-XGBoost, deep learning