Klasifikasi Tingkat Keganasan Kanker Serviks Menggunakan Metode Deep Residual Network (ResNet)

This item is published by Universitas Islam Negeri Sunan Ampel Surabaya

Wulandari, Putri (2019) Klasifikasi Tingkat Keganasan Kanker Serviks Menggunakan Metode Deep Residual Network (ResNet). Undergraduate thesis, UIN Sunan Ampel Surabaya.

[img] Text
Putri Wulandari_H72216063.pdf

Download (25MB)

Abstract

Kanker serviks merupakan suatu penyakit mematikan yang menyerang perempuan. Jumlah perempuan pengidap kanker serviks di Indonesia per tahun 2019 berkisar sebanyak 62.946 penduduk dengan rata-rata tingkat kematian akibat kanker serviks sebesar 1.39%. Tingkat keganasan (stadium) kanker serviks ditentukan berdasarkan presensi dari karsinoma. Dalam penelitian ini, dilakukan pengidentifikasian terhadap tingkat keganasan kanker serviks yang terdiri dari serviks normal, kanker serviks stadium I, stadium II, stadium III, dan stadium IV berdasarkan citra hasil pemeriksaan kolposkopi. Metode yang diusulkan merupakan salah satu metode dalam deep learning, yaitu convolutional neural network (CNN) dengan arsitektur deep residual network (ResNet). Penelitian dilakukan dengan melatih model ResNet-18, ResNet-50, dan ResNet-101. Hasil penelitian menunjukkan bahwa arsitektur dengan jumlah layer terbanyak merupakan model pembelajaran fitur terbaik. Sehingga dari model ResNet-101 yang dilatih, diperoleh tingkat akurasi sebesar 97.5% dengan waktu selama ±80 detik untuk melakukan identifikasi tingkat keganasan kanker serviks pada citra kolposkopi. Untuk tingkat sensitifitas dalam mengenali tingkat keganasan kanker serviks diperoleh 98.8%, 97.5%, 93.8%, 97.5% dan 100% untuk masing-masing kelas normal, stadium I, stadium II, stadium III, dan stadium IV. Sedangkan untuk tingkat spesifisitas dari model tersebut diperoleh hasil sebesar 97.5%, 98.7%, 98.7%, 98.7%, dan 94.1% untuk masing-masing kelas normal, stadium I, stadium II, stadium III, dan stadium IV.

Statistic

Downloads from over the past year. Other digital versions may also be available to download e.g. from the publisher's website.

Item Type: Thesis (Undergraduate)
Creators:
CreatorsEmailNIM
Wulandari, Putri22putriw@gmail.comH72216063
Contributors:
ContributionNameEmailNIDN/NIP
Thesis advisorNovitasari, Dian Candra Rinidiancrini@uinsby.com198511242014032001
Subjects: Kesehatan
Kesehatan

Matematika
Teknologi
Uncontrolled Keywords: Kanker Serviks; Kolposkopi; Citra Digital; Deep Learning; ResNet
Divisions: Fakultas Sains dan Teknologi > Studi Matematika
Depositing User: Putri Wulandari
Date Deposited: 06 Jan 2020 06:30
Last Modified: 06 Jan 2020 06:30
URI: http://digilib.uinsby.ac.id/id/eprint/38277

Actions (login required)

View Item View Item