Komparasi Inception-v3 dan Inception-ResNet-v2 pada Citra Mammogram untuk Deteksi Dini Kanker Payudara

Ketrin Vani Andini; Habibullah Akbar

doi:10.30591/smartcomp.v14i3.9283

Komparasi Inception-v3 dan Inception-ResNet-v2 pada Citra Mammogram untuk Deteksi Dini Kanker Payudara

Ketrin Vani Andini, Habibullah Akbar

Abstract

Kanker payudara merupakan penyebab utama kematian terkait kanker pada wanita secara global. Skrining dini berbasis mamogram sangat penting untuk meningkatkan tingkat pemulihan dan hasil kesehatan pasien secara keseluruhan. Studi ini mengevaluasi dan membandingkan kinerja dua arsitektur CNN: Inception-v3 dan Inception-ResNet-v2 untuk mengklasifikasikan gambar mamogram apakah menunjukkan tanda-tanda kanker atau tidak. Dataset terdiri dari 745 gambar (125 gambar kanker dan 620 gambar non-kanker), diubah ukurannya menjadi 299×299 piksel, dan dibagi menjadi 80% untuk pelatihan dan 20% untuk validasi. Kedua model dilatih menggunakan transfer learning dengan bobot pra-latih dari ImageNet serta berbagai konfigurasi hiperparameter. Kinerja terbaik dicapai oleh model Inception-ResNet-v2, yang menggunakan learning rate sebesar 0.1, batch size sebanyak 64, 20 epoch, dan optimizer Adamax. Konfigurasi ini menghasilkan akurasi sebesar 95,30%, presisi 95,39%, recall 95,30%, dan skor F1 sebesar 95,34%, dengan waktu pelatihan selama 5,13 menit. Hasil ini menunjukkan bahwa pemilihan model yang tepat serta hiperparameter yang dioptimalkan secara signifikan meningkatkan kinerja klasifikasi. Penelitian ini memperkuat efektivitas metode pembelajaran mendalam dalam mendukung deteksi dini kanker payudara secara cepat dan akurat melalui analisis citra mamogram.

Keywords

Kanker payudara; Klasifikasi citra mamogram; Inception-v3; Inception-ResNet-v2; Jaringan Saraf Konvolusional

Full Text:

References

B. Julia, H. Sumarti, And H. H. Kusuma, “Klasifikasi Tumor Payudara Berbasis Ciri Tekstur pada Citra Mammografi Menggunakan Metode Naive Bayes,” MIND (Multimedia Artificial Intelligent Networking Database) Journal, vol. 7, no. 2, pp. 165–176, 2022.

N. C. I. Natun, M. A. Santhia, and Y. R. Kaesmetan, “Identifikasi Pengenalan Wajah Berdasarkan Jenis Kelamin Menggunakan Metode Convolutional Neural Network (CNN),” Journal of Technology and Informatics (JoTI), vol. 6, no. 1, pp. 50–57, 2024.

R. Setiawan, M. A. Hendrawan, D. B. Nugroho, A. N. R. Hakim, and others, “Deteksi Kanker Payudara Hasil Citra Mammografi menggunakan Metode Convolutional Neural Network (CNN) Arsitektur ResNet-50,” Jurnal Inovasi Informatika dan Teknologi Unggul, vol. 1, no. 01, pp. 25–32, 2024.

A. Supriyanto, W. A. Kusuma, and H. Rahmawan, “Klasifikasi Kanker Tumor Payudara Menggunakan Arsitektur Inception-V3 Dan Algoritma Machine Learning,” J. Al-AZHAR Indones. SERI SAINS DAN Teknol, vol. 7, no. 3, p. 187, 2022.

T. L. Nikmah, R. M. Syafei, D. N. Anisa, E. Juanara, and Z. Mahrus, “Inception ResNet v2 for Early Detection of Breast Cancer in Ultrasound Images,” Journal of Information System Exploration and Research, vol. 2, no. 2, 2024.

K. B. Aqdar et al., “Mammogram Mastery: A Robust Dataset for Breast Cancer Detection and Medical Education,” Data Brief, p. 110633, 2024.

N. P. Setiawati, N. Nurmalitasari, and V. Atina, “Analisis Sentimen Aplikasi Tiktok Tokopedia Seller Center dengan Pendekatan Machine Learning: SVM, CNN, Naive,” Smart Comp: Jurnalnya Orang Pintar Komputer, vol. 14, no. 1, pp. 32–42, 2025.

J. Anggara, F. R. Ramadhan, A. F. Syofian, A. A. Panjaitan, and R. F. Fithra, “Pengembangan Sistem Prediksi Harga dan Rekomendasi Mobil Bekas Berbasis Machine Learning,” Journal of Technology and Informatics (JoTI), vol. 7, no. 1, pp. 11–23, 2025.

A. Prayoga, P. Sukmasetya, M. R. A. Yudianto, R. A. Hasani, and others, “Arsitektur Convolutional Neural Network untuk Model Klasifikasi Citra Batik Yogyakarta,” Journal of Applied Computer Science and Technology, vol. 4, no. 2, pp. 82–89, 2023.

O. Iparraguirre-Villanueva, V. Guevara-Ponce, O. Roque Paredes, F. Sierra-Liñan, J. Zapata-Paulini, and M. Cabanillas-Carbonell, “Convolutional neural networks with transfer learning for pneumonia detection,” 2022.

E. G. Winarto, R. Rahmayati, and A. Lawi, “Implementasi Arsitektur Inception Resnet-V2 untuk Klasifikasi Kualitas Biji Kakao,” Proceeding KONIK (Konferensi Nasional Ilmu Komputer), vol. 5, pp. 132–137, 2021.

DOI: https://doi.org/10.30591/smartcomp.v14i3.9283