Penanganan Imbalanced Data Dengan Penambahan Citra Sintetis Ultrasound Pada Klasifikasi Tingkat Keparahan Kanker Payudara Menggunakan Metode Googlenet-Kelm

Haq, Dina Zatusiva (2023) Penanganan Imbalanced Data Dengan Penambahan Citra Sintetis Ultrasound Pada Klasifikasi Tingkat Keparahan Kanker Payudara Menggunakan Metode Googlenet-Kelm. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6025211040-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2025. Download (3MB) | Request a copy

Abstract

Kanker payudara merupakan jenis kanker dengan jumlah penderita dan penyebab utama kematian paling banyak pada wanita. Global cancer burden memperkirakan terdapat sekitar 2,36 juta jiwa menderita kanker payudara. Banyaknya kasus kanker payudara yang menyerang wanita-wanita di dunia dapat dicegah dengan melakukan identifikasi kanker payudara pada tahap awal. Identifikasi kanker payudara dapat dilakukan dengan memanfaatkan Computer Aided Diagnosis (CAD). Pemanfaatan CAD dalam klasifikasi kanker payudara dilakukan dengan melakukan analisis citra ultrasound. Pada penelitian ini, klasifikasi citra kanker payudara dengan mengaplikasikan salah satu arsitektur Convolutional Neural Network (CNN) yaitu GoogleNet. GoogleNet memiliki kinerja yang baik dalam klasifikasi citra, namun memiliki kekurangan pada lamanya waktu training dan komputasi yang tinggi pada proses klasifikasi. Untuk mereduksi waktu training dalam arsitektur GoogleNet, pada penelitian ini menggabungkan proses feature learning pada GoogleNet dengan metode klasifikasi Kernel Extreme Learning Machine (KELM) yang memiliki waktu training pada proses klasifikasi yang relatif cepat. Sehingga hybrid GoogleNet-KELM diharapkan dapat mengklasifikasi citra ultrasound dengan akurasi yang tinggi dan waktu yang relatif cepat. Citra ultrasound BUSI dataset yang digunakan pada penelitian ini memiliki jumlah data yang tidak seimbang pada masing-masing kelas, sehingga dilakukan penanganan imbalance data dengan Deep Convolution Genereative Adversarial Networks (DCGAN) pada klasifikasi tingkat keparahan citra ultrasound kanker payudara menggunakan GoogleNet-KELM. Penanganan imbalanced data menggunakan metode DCGAN yang dimodifikasi mampu meningkatkan akurasi klasifikasi sebesar 3% dibandingkan metode konvensional transformasi geometry augmentation, dan metode DCGAN original. GoogleNet-KELM mendapatkan akurasi terbaik yaitu sebesar 92.90% dengan waktu training 0.089 detik. Dengan nilai akurasi yang tinggi dan waktu yang sangat cepat, metode GoogleNet-KELM sangat efisien dalam klasifikasi citra ultrasound kanker payudara.
==============================================================================================================================
Breast cancer is a type of cancer with the highest number of sufferers and the leading cause of death in women. The global cancer burden estimates that 2.36 million people suffer from breast cancer. The number of breast cancer cases that attack women worldwide can be prevented by identifying breast cancer at an early stage. Breast cancer identification can be made using Computer-Aided Diagnosis (CAD). The utilization of CAD in breast cancer classification is carried out by analyzing ultrasound images. In this study, the classification of breast cancer images applies one of the Convolutional Neural Network (CNN) architectures, namely GoogleNet. GoogleNet has good performance in image classification but disadvantages in the length of training time and high computation in the classification process. To reduce training time in GoogleNet, this study combines the feature learning process on GoogleNet with the Kernel Extreme Learning Machine (KELM) classification method, which has a relatively fast training time in the classification process. So that the GoogleNet-KELM hybrid is expected to be able to classify ultrasound images with high accuracy and relatively fast time. The BUSI ultrasound image dataset in this study has imbalanced data for each class. So imbalanced data handling is performed using Deep Convolution Generative Adversarial Networks (DCGAN) for the severity classification of breast cancer ultrasound images using GoogleNet-KELM. Handling imbalanced data using the modified DCGAN method can increase classification accuracy by 3% compared to the conventional method of geometry augmentation transformation and the original DCGAN method. GoogleNet-KELM got the best accuracy of 92.90% with a training time of 0.089 seconds. With high accuracy and speedy time, the GoogleNet-KELM method is very efficient in classifying breast cancer ultrasound images.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Kanker Payudara, Imbalance Data, Citra Ultrasound, GoogleNet, Hybrid GoogleNet-KELM, Breast Cancer, Ultrasound Images, DCGAN, KELM
Subjects:	T Technology > T Technology (General) > T57.5 Data Processing T Technology > T Technology (General) > T58.5 Information technology. IT--Auditing
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User:	Dina Zatusiva Haq
Date Deposited:	09 Feb 2023 03:34
Last Modified:	09 Feb 2023 03:34
URI:	http://repository.its.ac.id/id/eprint/96652

Actions (login required)

View Item