Perbandingan Arsitektur CNN Berbasis Transfer Learning untuk Klasifikasi pada BreastMNIST

Abstrak

Kanker payudara adalah salah satu penyebab utama kematian di kalangan Wanita, terutama di negara berkembang seperti Indonesia. Deteksi dini sangat penting untuk meningkatkan tingkat kesembuhan dan menurunkan angka kematian. Penelitian ini bertujuan untuk meningkatkan kemampuannya dalam mengidentifikasi tumor kanker dengan memaksimalkan nilai recall serta membandingkan berbagai model Convolutional Neural Network (CNN) berbasis transfer learning guna menemukan model yang paling optimal. Arsitektur CNN yang dikaji dalam penelitian ini meliputi MobileNetV2, ResNet50, VGG16, dan AlexNet. Seluruh model diterapkan pada dataset BreastMNIST, yang terdiri dari citra ultrasonografi dengan dua kelas, yaitu jinak dan ganas. Transfer learning digunakan untuk mengatasi tantangan akibat keterbatasan ketersediaan data citra medis yang telah diberi label. Kinerja model dievaluasi secara menyeluruh menggunakan metrik akurasi, presisi, recall, F1-score dan Area Under Curve (AUC). Hasil penelitian menunjukkan bahwa MobileNetV2 memberika performa yang unggul dengan akurasi sebesar 91,14%, recall 94%, presisi 93%, F1-score 94%, dan AUC sebesar 0,9607. Temuan ini mengindikasikan bahwa MobileNetV2 berbasis transfer learning sangat efektif dalam mendeteksi tumor ganas dan merupakan arsitektur paling optimal dalam studi ini.

Identifier

• DOI: https://doi.org/10.25077/teknosi.v11i2.2025.192-200
• OpenAlex: https://openalex.org/W4414235621