{"id":4572,"date":"2024-07-29T15:50:49","date_gmt":"2024-07-29T08:50:49","guid":{"rendered":"https:\/\/student-activity.binus.ac.id\/himti\/?p=4572"},"modified":"2024-07-29T15:50:50","modified_gmt":"2024-07-29T08:50:50","slug":"prospek-machine-learning-cnn-dalam-klasifikasi-kanker-payudara","status":"publish","type":"post","link":"https:\/\/student-activity.binus.ac.id\/himti\/2024\/07\/29\/prospek-machine-learning-cnn-dalam-klasifikasi-kanker-payudara\/","title":{"rendered":"Prospek Machine Learning CNN dalam Klasifikasi Kanker Payudara"},"content":{"rendered":"

\"\"<\/a><\/p>\n

Designed by <\/span>Freepik<\/span><\/a><\/p>\n

Kanker payudara adalah salah satu penyakit paling umum dan mematikan yang menyerang wanita di seluruh dunia. Berdasarkan data <\/span>Global Burner of Cancer<\/span><\/i> (GLOBOCAN) 2020, kanker payudara menempati urutan pertama kanker paling banyak pada wanita dengan presentasi kasus tertinggi dibandingkan dengan kanker lain yaitu 2,3 juta kasus dengan presentasi mortalitas sebesar 684.996 kasus pada wanita di dunia. Selain itu berdasarkan data dari <\/span>International Agency for Research on Cancer<\/span><\/i> dari World Health Organization (WHO) tahun 2020, penderita kanker tertinggi untuk wanita di Indonesia adalah kanker payudara yaitu sebesar 65.858 kasus dengan mortalitas sebesar 22.430 kasus (Khaerunnisa et al., 2023).<\/span><\/p>\n

Berdasarkan data di atas, prediksi dini dan akurat mengenai kanker payudara sangat penting untuk pengobatan yang efektif dan meningkatkan tingkat kelangsungan hidup. Namun, akan sulit untuk bisa melakukan prediksi yang akurat mengenai kanker payudara. Hal ini dikarenakan prediksi yang akurat memerlukan data yang besar dan kompleks untuk dianalisa nantinya. Hal ini tentunya akan sangat menyulitkan para tenaga kerja kesehatan. Di sinilah penerapan <\/span>Machine Learning<\/span><\/i> dapat dilakukan untuk mengatasi masalah di atas.<\/span><\/p>\n

Pembelajaran mesin (ML) telah muncul sebagai alat yang ampuh untuk menganalisis data medis yang kompleks dan memprediksi penyakit seperti kanker payudara. Hal ini juga didukung oleh kemampuan pembelajaran mesin untuk belajar dari data mentah dan tidak berlabel yang memberikan hasil yang luar biasa. Penelitian terbaru telah menyelidiki penerapan algoritma pembelajaran mesin pada gambar mamografi untuk mendeteksi kanker payudara, yang bertujuan untuk meningkatkan akurasi dan efisiensi proses skrining (Almeida et al., 2021; Ahmad et al., 2023). Beberapa algoritma pembelajaran mesin telah digunakan seperti <\/span>Support Vector Machine<\/span><\/i> (SVM) dan <\/span>K-Nearest Neighbors<\/span><\/i> (KNN) dalam penelitian yang menunjukkan kemampuan pembelajaran mesin untuk mengklasifikasikan kanker payudara (Jothi A. & Mohan, 2020; Alsheikhy et al., 2022). Demikian pula, <\/span>Convolutional Neural Network<\/span><\/i> (CNN) telah digunakan untuk analisis dan klasifikasi mammogram payudara, menunjukkan hasil yang menjanjikan dalam meningkatkan kemampuan diagnostik (Ulagamuthalvi et al., 2022).<\/span><\/p>\n

Convolutional Neural Network<\/span><\/i> (CNN) adalah salah satu algoritma pembelajaran mesin yang digunakan untuk tugas-tugas seperti pengenalan gambar. CNN secara otomatis mempelajari fitur dari data dengan mengoptimalkan filter atau kernel. CNN paling sering digunakan untuk menganalisis citra visual dari gambar. CNN memiliki konsep utama yang seperti namanya, melibatkan operasi konvolusional. Dalam operasi konvolusional ini, filter atau kernel diterapkan pada gambar masukan. Hal ini membantu mengidentifikasi pola spasial pada lapisan yang lebih dalam (Busaleh et al., 2021, hal. 2).<\/span><\/p>\n

\"\"<\/a><\/p>\n

Sumber: (Ulagamuthalvi et al., 2022)<\/span><\/p>\n

Sudah ada beberapa penelitian yang mengusung CNN untuk digunakan dalam klasifikasi kanker payudara, seperti penelitian yang dilakukan oleh Viswanatha Reddy Allugunti pada tahun 2022 dengan judul “Breast Cancer Detection Based on Thermographic Images Using Machine Learning and Deep Learning Algorithms”. Allugunti mengusulkan sistem Diagnosis Berbantuan Komputer (CAD) yang memanfaatkan gambar termografi untuk mendeteksi kanker payudara dan mengelompokkan hasil menjadi tiga kategori yaitu kanker, bukan kanker, dan non-kanker. Penelitian ini mengevaluasi efektivitas beberapa teknik pembelajaran mesin, termasuk <\/span>Convolutional Neural Network<\/span><\/i> (CNN), <\/span>Support Vector Machine<\/span><\/i> (SVM), dan <\/span>Random Forest<\/span><\/i> (RF). Temuan penelitian ini menyoroti bahwa CNN menunjukkan hasil yang menjanjikan dalam mengklasifikasikan dan mendeteksi kanker payudara secara akurat dari gambar termografi, sehingga menyarankan alternatif yang lebih cepat dan non-invasif dibandingkan metode diagnostik konvensional.<\/span><\/p>\n

Selain itu, ada juga penelitian lain yang berjudul \u201cBreast Mammogram Analysis and Classification Using a Deep Convolution Neural Network\u201d yang dilakukan oleh V. Ulagamuthalvi, G. Kulanthaivel, A. Balasundaram, dan Arun Kumar Sivaraman pada tahun 2022. Mereka menggunakan salah satu arsitektur dari CNN yaitu AlexNet untuk mengklasifikasi kanker payudara dengan gambar mamografi. Penelitian mereka dengan menggunakan CNN mampu mencapai akurasi rata-rata yang mengesankan sebesar 99,90%, menunjukkan efektivitas CNN dalam klasifikasi gambar medis.\u00a0<\/span><\/p>\n

Dari kedua penelitian di atas, kita bisa melihat potensi besar dari CNN untuk dipakai dalam klasifikasi kanker payudara yang akan dapat memberikan prediksi yang akurat dan cepat sehingga pasien kanker payudara dapat menerima penanganan yang lebih awal sebelum terlambat.<\/span><\/p>\n

 <\/p>\n

Referensi:<\/span><\/h1>\n

Ahmad, J., Akram, S., Jaffar, A., Rashid, M., & Bhatti, S. M. (2023). Breast cancer detection using deep learning: An investigation using the DDSM dataset and a customized AlexNet and support vector machine. <\/span>IEEE Access<\/span><\/i>, <\/span>11<\/span><\/i>, 108386\u2013108397. <\/span>https:\/\/doi.org\/10.1109\/access.2023.3311892<\/span><\/a>\u00a0\u00a0<\/span><\/p>\n

Allugunti, V. R. (2022). Breast cancer detection based on thermographic images using machine learning and deep learning algorithms. <\/span>International Journal of Engineering in Computer Science<\/span><\/i>, <\/span>4<\/span><\/i>(1), 49\u201356. <\/span>https:\/\/doi.org\/10.33545\/26633582.2022.v4.i1a.68<\/span><\/a><\/p>\n

Almeida, R., Chen, D., Filho, A., & Brand\u00e3o, W. (2021). Machine learning algorithms for breast cancer detection in mammography images: A comparative study. <\/span>Proceedings of the 23rd International Conference on Enterprise Information Systems<\/span><\/i>. <\/span>http:\/\/dx.doi.org\/10.5220\/0010440906600667<\/span><\/a>\u00a0<\/span><\/p>\n

Alsheikhy, A. A., Said, Y., Shawly, T., Alzahrani, A. K., & Lahza, H. (2022). Biomedical diagnosis of breast cancer using deep learning and multiple classifiers. <\/span>Diagnostics<\/span><\/i>, <\/span>12<\/span><\/i>(11), 2863. <\/span>https:\/\/doi.org\/10.3390\/diagnostics12112863<\/span><\/a>\u00a0<\/span><\/p>\n

Busaleh, M., Hussain, M., Aboalsamh, H. A., & Amin, F.-. (2021). Breast mass classification using diverse contextual information and convolutional neural network. <\/span>Biosensors<\/span><\/i>, <\/span>11<\/span><\/i>(11), 419. <\/span>https:\/\/doi.org\/10.3390\/bios11110419<\/span><\/a>\u00a0\u00a0<\/span><\/p>\n

Jothi A., K., & Mohan, P. (2020, August). A Comparison between KNN and SVM for Breast Cancer Diagnosis Using GLCM shape and LBP Features. <\/span>2020 Third International Conference on Smart Systems and Inventive Technology (ICSSIT)<\/span><\/i>. <\/span>http:\/\/dx.doi.org\/10.1109\/icssit48917.2020.9214235<\/span><\/a>\u00a0\u00a0<\/span><\/p>\n

Khaerunnisa, A. bulqis, Latief, S., Syahruddin, F. I., Royani, I., & Juhamran, R. P. (2023). Hubungan Tingkat Pengetahuan dan Sikap terhadap Deteksi Dini Kanker Payudara pada Pegawai RS Ibnu Sina. <\/span>Fakumi Medical Journal: Jurnal Mahasiswa Kedokteran<\/span><\/i>, <\/span>3<\/span><\/i>(9), 685\u2013694. https:\/\/doi.org\/10.33096\/fmj.v3i9.291\u00a0<\/span><\/p>\n

Rasool, A., Bunterngchit, C., Tiejian, L., Islam, Md. R., Qu, Q., & Jiang, Q. (2022). Improved machine learning-based predictive models for breast cancer diagnosis. <\/span>International Journal of Environmental Research and Public Health<\/span><\/i>, <\/span>19<\/span><\/i>(6), 3211. https:\/\/doi.org\/10.3390\/ijerph19063211\u00a0<\/span><\/p>\n

Ulagamuthalvi, V., Kulanthaivel, G., Balasundaram, A., & Kumar Sivaraman, A. (2022). Breast mammogram analysis and classification using deep convolution neural network. <\/span>Computer Systems Science and Engineering<\/span><\/i>, <\/span>43<\/span><\/i>(1), 275\u2013289. <\/span>https:\/\/doi.org\/10.32604\/csse.2022.023737<\/span><\/a><\/p>\n","protected":false},"excerpt":{"rendered":"

Designed by Freepik Kanker payudara adalah salah satu penyakit paling umum dan mematikan yang menyerang wanita di seluruh dunia. Berdasarkan data Global Burner of Cancer (GLOBOCAN) 2020, kanker payudara menempati urutan pertama kanker paling banyak pada wanita dengan presentasi kasus tertinggi dibandingkan dengan kanker lain yaitu 2,3 juta kasus dengan presentasi mortalitas sebesar 684.996 kasus […]<\/p>\n","protected":false},"author":14,"featured_media":4573,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-4572","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-articles"],"_links":{"self":[{"href":"https:\/\/student-activity.binus.ac.id\/himti\/wp-json\/wp\/v2\/posts\/4572","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/student-activity.binus.ac.id\/himti\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/student-activity.binus.ac.id\/himti\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/student-activity.binus.ac.id\/himti\/wp-json\/wp\/v2\/users\/14"}],"replies":[{"embeddable":true,"href":"https:\/\/student-activity.binus.ac.id\/himti\/wp-json\/wp\/v2\/comments?post=4572"}],"version-history":[{"count":2,"href":"https:\/\/student-activity.binus.ac.id\/himti\/wp-json\/wp\/v2\/posts\/4572\/revisions"}],"predecessor-version":[{"id":4576,"href":"https:\/\/student-activity.binus.ac.id\/himti\/wp-json\/wp\/v2\/posts\/4572\/revisions\/4576"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/student-activity.binus.ac.id\/himti\/wp-json\/wp\/v2\/media\/4573"}],"wp:attachment":[{"href":"https:\/\/student-activity.binus.ac.id\/himti\/wp-json\/wp\/v2\/media?parent=4572"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/student-activity.binus.ac.id\/himti\/wp-json\/wp\/v2\/categories?post=4572"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/student-activity.binus.ac.id\/himti\/wp-json\/wp\/v2\/tags?post=4572"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}