Analisis Komparatif CNN dan Transfer Learning untuk Prediksi Dini Kanker Payudara Berbasis Deep Learning

Noufal Zaidan; Erick Markus Seka; Resta Axellee; Muhammad Haykal Syahputra; Giatika Chrisnawati; Yayan Hendrian

doi:10.31004/riggs.v4i2.1497

Authors

Noufal Zaidan Universitas Bina Sarana Informatika
Erick Markus Seka Universitas Bina Sarana Informatika
Resta Axellee Universitas Bina Sarana Informatika
Muhammad Haykal Syahputra Universitas Bina Sarana Informatika
Giatika Chrisnawati Universitas Bina Sarana Informatika
Yayan Hendrian Universitas Bina Sarana Informatika

DOI:

https://doi.org/10.31004/riggs.v4i2.1497

Keywords:

Kanker Payudara, Jaringan Syaraf Tiruan Konvolusional, Pembelajaran Transfer, Pembelajaran Mendalam, Klasifikasi Gambar, Deteksi Dini

Abstract

Kanker payudara tetap menjadi penyebab utama kematian di kalangan wanita secara global. Mendeteksi penyakit pada tahap awal secara signifikan meningkatkan keberhasilan pengobatan dan tingkat kelangsungan hidup. Studi ini bertujuan untuk mengembangkan model klasifikasi untuk kanker payudara menggunakan Convolutional Neural Network (CNN) dan mengevaluasi kinerjanya dibandingkan dengan model yang menggunakan transfer learning dengan arsitektur yang telah dilatih sebelumnya. Kedua metode tersebut digunakan untuk memanfaatkan dan memproses data citra histopatologi kanker payudara. Untuk mengevaluasi kinerja model, metrik akurasi dan kehilangan digunakan. Temuan eksperimental menunjukkan bahwa model yang menggunakan transfer learning mencapai akurasi yang lebih baik dan kehilangan yang lebih rendah dibandingkan dengan arsitektur CNN tradisional. Hasilnya menunjukkan bahwa transfer learning dapat meningkatkan efektivitas deteksi dini kanker payudara.

Downloads

Download data is not yet available.

References

A. Holzinger, G. Langs, H. Denk, K. Zatloukal, and H. Müller, “Causability and explainability of artificial intelligence in medicine,” Jul. 01, 2019, Wiley-Blackwell. doi: 10.1002/widm.1312.

Shallu and R. Mehra, “Breast cancer histology images classification: Training from scratch or transfer learning?,” ICT Express, vol. 4, no. 4, pp. 247–254, 2018, doi: https://doi.org/10.1016/j.icte.2018.10.007.

M. T. Ahad, S. Mustofa, F. Ahmed, Y. R. Emon, and A. D. Anu, “A study on Deep Convolutional Neural Networks, Transfer Learning and Ensemble Model for Breast Cancer Detection,” Sep. 2024, [Online]. Available: http://arxiv.org/abs/2409.06699

D. Shah, M. A. U. Khan, M. Abrar, and M. Tahir, “Optimizing Breast Cancer Detection With an Ensemble Deep Learning Approach,” Int. J. Intell. Syst., vol. 2024, no. 1, Jan. 2024, doi: 10.1155/2024/5564649.

H. Hoang Luong, H. Thanh Nguyen, and N. Thai-Nghe, “Detection and classification of breast cancer in mammographic images with fine-tuned convolutional neural networks,” J. Inf. Telecommun., vol. 9, no. 2, pp. 209–236, Apr. 2025, doi: 10.1080/24751839.2024.2415033.

T. Islam, M. E. Hoque, M. Ullah, T. Islam, N. A. Nishu, and R. Islam, “CNN ‐based deep learning approach for classification of invasive ductal and metastasis types of breast carcinoma,” Cancer Med., vol. 13, no. 16, Aug. 2024, doi: 10.1002/cam4.70069.

Z. Cao, L. Duan, G. Yang, T. Yue, and Q. Chen, “An experimental study on breast lesion detection and classification from ultrasound images using deep learning architectures,” BMC Med. Imaging, vol. 19, no. 1, p. 51, Dec. 2019, doi: 10.1186/s12880-019-0349-x.