Analisis Performa Model CNN Pada Identifikasi Awal Penyakit Kanker Kulit
Keywords:
EfficientNetV2-S, Convolutional Neural Network (CNN), Kanker Kulit, Klasifikasi Citra, Deep LearningAbstract
Kanker kulit merupakan salah satu jenis kanker yang banyak disebabkan oleh paparan radiasi ultraviolet (UV) dan memerlukan deteksi dini untuk meningkatkan peluang penanganan. Perkembangan Deep Learning, khususnya Convolutional Neural Network (CNN), memberikan alternatif dalam membantu proses klasifikasi citra medis secara cepat dan akurat. Penelitian ini bertujuan untuk menganalisis performa arsitektur EfficientNetV2-S dalam mengidentifikasi kanker kulit berdasarkan citra yang diklasifikasikan ke dalam dua kelas, yaitu benign dan malignant. Dataset yang digunakan berasal dari Mendeley Data sebanyak 20.000 citra, yang dibagi menjadi data training (60%), validation (20%), dan testing (20%). Proses pelatihan menerapkan metode transfer learning dengan optimizer AdamW, fungsi Cross Entropy Loss, ukuran citra 224×224 piksel, batch size 16, learning rate 0,0001, dan 32 epoch. Hasil pengujian menunjukkan bahwa EfficientNetV2-S memperoleh nilai accuracy sebesar 94,05%, precision 97,72%, recall 90,20%, F1-score 93,81%, dan ROC-AUC 98,95%. Selain itu, kurva accuracy dan loss menunjukkan proses pelatihan yang stabil dengan kecenderungan overfitting yang rendah. Hasil penelitian menunjukkan bahwa EfficientNetV2-S mampu memberikan performa yang baik dalam mengidentifikasi kanker kulit sehingga berpotensi mendukung proses deteksi dini berbasis kecerdasan buatan.
References
[1] J. Gupta, S. Pathak, and G. Kumar, “Deep Learning (CNN) and Transfer Learning: A Review,” in Journal of Physics: Conference Series, Institute of Physics, 2022. doi: 10.1088/1742-6596/2273/1/012029.
[2] L. Alzubaidi et al., “Review of deep learning: concepts, CNN architectures, challenges, applications, future directions,” J. Big Data, vol. 8, no. 1, Dec. 2021, doi: 10.1186/s40537-021-00444-8.
[3] D. Gunawan and H. Setiawan, “Convolutional Neural Network dalam Analisis Citra Medis,” 2022.
[4] J. Filsafat, S. Budaya, and A. N. Pratama, “Paradigma: Sistem Klasifikasi Penyakit Kulit pada Manusia Convolutional Neural Network (CNN) EfficientNet B2,” vol. 30, pp. 30–37, 2024, doi: 10.33503/paradigma.v29i3.
[5] N. Wedayani, N. A. Putri R, and D. Hidajat, “Edukasi Tentang Pengenalan Tanda Gejala, Pencegahan dan Penanganan Kanker Kulit Sebagai Dampak Paparan Sinar Matahari dan Penggunaan Kosmetik Berbahan Kimia Berbahaya di Poli Kulit Rumah Sakit Akademik Universitas Mataram,” Jurnal Pengabdian Magister Pendidikan IPA, vol. 5, no. 3, pp. 223–226, Sep. 2022, doi: 10.29303/jpmpi.v5i3.2133.
[6] A. B. Pratama, R. Herowati, and H. M. Ansory, “Studi Docking Molekuler Senyawa Dalam Minyak Atsiri Pala (Myristica fragrans H.) Dan Senyawa Turunan Miristisin Terhadap Target Terapi Kanker Kulit,” Majalah Farmaseutik, vol. 17, no. 2, p. 233, Apr. 2021, doi: 10.22146/farmaseutik.v17i2.59297.
[7] D. A. Nurlitasari, R. Magdalena, and R. Y. N. Fu’adah, “ANALISIS PERFORMANSI SISTEM KLASIFIKASI KANKER KULIT MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK,” JOURNAL OF ELECTRICAL AND SYSTEM CONTROL ENGINEERING, vol. 5, no. 2, pp. 91–99, Feb. 2022, doi: 10.31289/jesce.v5i2.5691.
[8] M. Tan and Q. V Le, “EfficientNetV2: Smaller Models and Faster Training,” 2021. [Online]. Available: https://github.com/google/
[9] P. E. N. Taruno, G. S. Nugraha, R. Dwiyansaputra, and F. Bimantoro, “Monkeypox Classification based on Skin Images using CNN: EfficientNet-B0,” in E3S Web of Conferences, EDP Sciences, Dec. 2023. doi: 10.1051/e3sconf/202346502031.
[10] K. Gencer, “A Comparative Analysis of EfficientNetB0 and EfficientNetV2 Variants for Brain Tumor Classification Using MRI Images,” International Journal of Innovative Engineering Applications, vol. 9, no. 1, pp. 1–7, Jun. 2025, doi: 10.46460/ijiea.1523782.
[11] Z. Zhao, E. B. A. Bakar, N. B. A. Razak, and M. N. Akhtar, “Corrosion image classification method based on EfficientNetV2,” Heliyon, vol. 10, no. 17, Sep. 2024, doi: 10.1016/j.heliyon.2024.e36754.
