Deteksi Kanker Serviks Dengan Menggunakan Metode Machine Learning.

Abstract

Kanker serviks merupakan tantangan serius dalam kesehatan wanita, tidak hanya menyebabkan penderitaan tetapi juga banyak merenggut nyawa. Menurut data dari Pusat Data dan Informasi Kementerian Kesehatan Republik Indonesia, pada tahun 2013, tercatat ada 98.692 kasus kanker serviks di Indonesia. Kenaikan angka kematian akibat kanker serviks ini diduga berasal dari penundaan dalam penanganannya. Perancangan ini bertujuan untuk membantu tenaga medis dalam mengklasifikasi kanker serviks dengan citra Supertficial-Intermediate, Parabasal, Metaplastic, Koilocytotic, Dyskeratotic. Perancangan ini menggunakan Convolutional Neural Network (CNN) sebagai model untuk mengklasifikasikan citra pap smear, menggunakan dataset SipakMed yang berada di Kaggle. Perancangan ini membandingkan tiga arsitektur CNN yaitu, Baseline CNN, AlexNet, dan DenseNet. Perancangan Tugas Akhir ini memilih DenseNet sebagai model klasifikasi utama karena tuntutan akurasi tinggi pada kasus klasifikasi sel-sel normal dan abnormal. Dengan mencapai akurasi tertinggi, yakni 95.40% pada data pelatihan dan 89.03% pada data validasi, DenseNet memberikan keyakinan bahwa model dapat dengan cermat mengidentifikasi dan mengklasifikasikan sel dengan tingkat akurasi yang optimal. Keputusan ini didukung oleh fakta bahwa DenseNet menunjukkan kurva loss yang menurun secara konsisten selama pelatihan, mencerminkan kemampuannya menghindari overfitting. Kemampuan untuk tidak hanya menyesuaikan diri dengan data pelatihan tetapi juga menggeneralisasi dengan baik pada data baru merupakan faktor kunci dalam memilih model untuk aplikasi klasifikasi sel ini.