Pengaruh Variasi Optimizer, Batch Size dan Jumlah Epoch Terhadap Deteksi dan Klasifikasi Kanker Darah Menggunakan Mobilenet-V2

Abstract

Penyakit yang ditimbulkan akibat sel-sel jaringan tubuh yang mengalami pertumbuhan tidak normal ataupun terdapat kerusakan pada rantai DNA disebut sebagai kanker. Kanker darah atau Leukemia merupakan jenis kanker yang berbahaya. Leukemia sangat berbeda dengan jenis kanker lain karena bentuk yang akan di identifikasi adalah berbentuk cair, sehingga akan lebih sulit bagi dokter ataupun tenaga medis di laboratorium dalam mengidentifikasi sampel darah secara fisik. Penelitian ini berfokus pada pengembangan metode deteksi dan klasifikasi kanker darah yang lebih baik, dan akurat dengan menggunakan dataset dari link (https://www.kaggle.com/datasets/hanahelalyy/blood-cancer-dataset/data). Dalam mengklasifikasikan suatu citra diperlukan Convolutional Neural Network (CNN). Evolusi CNN yang digunakan adalah MobileNet-V2 yang dirancang untuk dapat mengolah data dalam bentuk dua dimensi untuk menghasilkan perhitungan untuk menentukan metode deteksi dan klasifikasi yang baik untuk kanker darah. Penelitian ini menggunakan model MobileNetV2 untuk klasifikasi citra kanker jenis ALL dan Lymphoma dari dataset Kaggle. Hasil terbaik diperoleh pada dataset Lymphoma dengan akurasi 99,30% menggunakan optimizer ADAM, epoch 15, dan batch size 8. Pada dataset ALL, hasil terbaik diperoleh dengan akurasi 96.85% dengan nilai parameter yang digunakan sama. Hasil ini lebih baik dibandingkan dengan penelitian serupa yang menggunakan model dan dataset yang sama, serta penelitian yang menggunakan dataset tumor otak dengan model MobileNet-V2.