Text

Klasifikasi Stadium Kanker Paru-Paru Pada Citra Ct-Scan Menggunakan Arsitektur Residual Network (ResNet)

---

Nim : 24040118410008
Judul : Klasifikasi Stadium Kanker Paru-Paru Pada Citra Ct-Scan Menggunakan Arsitektur Residual Network (ResNet)
Title : Clasification Of Lung Cancer Stadium on CT-Scan Image Using Residual Network Architecture (ResNet)

ABSTRAK

Permasalah utama dalam kasus kanker paru-paru adalah kesulitan dalam mendiagnosis stadium kanker paru-paru dan waktu yang dibutuhkan untuk mengidentifikasinya, sehingga mengurangi tingkat kehidupan setelah terdiagnosa. Tingkat kelangsungan hidup pasien dapat meningkat dari 15% menjadi 49% jika kanker terdeteksi pada stadium awal. Dalam penelitian ini, dilakukan pengklasifikasian stadium kanker paru-paru dari citra CT-Scan menggunakan metode deep learning (DL) yaitu Convolutional Neural Network (CNN) dengan arsitektur Residual Network (ResNet). Penelitian ini melakukan pelatihan dan pengujian model ResNet-18, ResNet-50 dan ResNet-101 dengan melakukan variasi epoch sebanyak tiga kali yaitu epoch 2, 4 dan 6. Hasil penelitian menunjukkan bahwa model arsitektur yang dilatih dengan pemilihan epoch terbanyak memperoleh akurasi validasi tertinggi. Model arsitektur ResNet-18 dengan variasi epoch 6 yang dilatih, memperoleh tingkat akurasi validasi sebesar 99.25% dengan waktu lebih singkat yaitu 24 menit 53 detik. Hasil klasifikasi pada model ResNet-18 pada epoch 6 menunjukkan hasil penghitungan nilai sensitifitas sebesar 98,8%, akurasi 99,3%, presisi 99%, dan tingkat kesalahan sebesar 0,3%.

Kata kunci: Kanker paru-paru, Klasifikasi, Convolutional Neural Network, ResNet.
 
ABSTRACT

The main problem in this case of lung cancer are the difficulty in diagnosing lung cancer stage and the time needed to identify it, thereby reducing the life rate after being diagnosed. The survival rate of this patient can increase from 15% to 49% if the cancer is detected at an early stage. In this study, the classification of lung cancer stage from CT-Scan images using the deep learning (DL) method, namely Convolutional Neural Network (CNN) with Residual Network architecture (ResNet). The study was conducted by training and testing the ResNet-18, ResNet-50 and ResNet-101 models and several epoch variation. The various epoch that used in this study are epoch 2, 4 and 6. The results showed that the architecture model was trined with the most epoch selection shows the highest validation accuracy during training. The results from ResNet-18 with epoch 6 variations were trained, obtained a validation accuracy rate of 99.25% with a short time of 24 minutes 53 seconds. The classification results on the ResNet-18 model on epoch 6 obtained the results in calculating sensitivity, 99.2%, the accuracy 99.5%, precision 98% and the error rate is 0.3%.

Keywords: Lung cancer, Classification, Convolutional Neural Network, ResNet.

---

Ketersediaan

082S2FIS20IV

082 S2FIS 20-iv

Perpustakaan FSM Undip (Referensi)

Tersedia

Informasi Detail

Judul Seri

MAGISTER FISIKA

No. Panggil

082 S2FIS 20-iv

Penerbit

: ., 2020

Deskripsi Fisik

-

Bahasa

Indonesia

ISBN/ISSN

-

Klasifikasi

NONE

Tipe Isi

-

Tipe Media

-

Tipe Pembawa

-

Edisi

-

Subjek

-

Info Detail Spesifik

-

Pernyataan Tanggungjawab

Yuli Martha Krist Damanik

Versi lain/terkait

Lampiran Berkas

Komentar

---

Anda harus masuk sebelum memberikan komentar