Mesin pembelajar berbasis Convolutional Neural Network untuk mendeteksi dini kanker serviks

Abstract

Penggunaan Convolutional Neural Network (CNN) telah membawa dampak positif yang signifikan dalam berbagai bidang, termasuk pengolahan citra medis. Penelitian sebelumnya telah menunjukkan kinerja yang baik dari model CNN dalam pengolahan data berukuran besar. Namun, tantangan baru muncul ketika dihadapkan pada keterbatasan data. Penelitian ini bertujuan untuk mengatasi hambatan tersebut dengan membangun sebuah model yang memungkinkan kinerja CNN yang optimal dengan data yang terbatas. Pre-trained model akan digunakan untuk melatih model CNN menggunakan data citra dinding rahim sebelum dan sesudah diusapkan larutan asam asetat. Kemudian Triplet Loss diimplementasikan untuk meningkatkan kemampuan model dalam mengenali fitur dan pola dari data citra dinding rahim yang terbatas dengan tingkat akurasi yang tinggi. Hasil penelitian menunjukkan bahwa model yang dikembangkan mampu mengatasi keterbatasan data dan menghasilkan prediksi yang akurat. Diharapkan hasil penelitian ini dapat memberikan solusi bagi tantangan pengolahan data dalam skala yang terbatas, tidak hanya pada kasus deteksi dini kanker serviks menggunakan citra dinding rahim, tetapi juga berpotensi diterapkan pada berbagai masalah lainnya di masa yang akan datang.