Raka Ryandra Guntara, - (2024) KLASIFIKASI KANKER KULIT MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK DENGAN IMPLEMENTASI MIXED PRECISION. S1 thesis, Universitas Pendidikan Indonesia.
![]() |
Text
S_RPL_2000782_Title.pdf Download (1MB) |
![]() |
Text
S_RPL_2000782_Chapter1.pdf Download (289kB) |
![]() |
Text
S_RPL_2000782_Chapter2.pdf Restricted to Staf Perpustakaan Download (544kB) |
![]() |
Text
S_RPL_2000782_Chapter3.pdf Download (452kB) |
![]() |
Text
S_RPL_2000782_Chapter4.pdf Restricted to Staf Perpustakaan Download (972kB) |
![]() |
Text
S_RPL_2000782_Chapter5.pdf Download (230kB) |
![]() |
Text
S_RPL_2000782_Appendix.pdf Restricted to Staf Perpustakaan Download (345kB) |
Abstract
Dalam melakukan klasifikasi kanker kulit penggunaan machine learning dan deep learning telah banyak digunakan khususnya penggunaan arsitektur convolutional neural network. Akan tetapi, untuk mencapai performa terbaik masih terdapat beberapa hal yang dapat dieksplorasi. Salah satunya adalah penggunaan model convolutional neural network yang akan digunakan pada transfer learning, serta metode pendukung yang dapat membantu meningkatkan performa model dan mempercepat waktu pelatihan. Arsitektur MobileNet telah terbukti memiliki performa yang baik meskipun memiliki ukuran yang kecil akan tetapi dapat bersaing dengan arsitektur lain. Berdasarkan hal tersebut, arsitektur MobileNetV3Large yang merupakan variasi terbaru dari arsitektur MobileNet yang dikenal karena efisiensi dan kesesuaian untuk penerapan pada daya rendah dan memori terbatas akan menjadi arsitektur yang digunakan pada metode transfer learning. Serta untuk membantu meningkatkan performa dari model maka akan diterapkannya teknik transformasi morfologi black-hat dan oversampling pada dataset ISIC 2020. Lalu pada saat pelatihan model, mixed precision digunakan untuk mempercepat waktu pelatihan dari model. Tujuan dari penelitian ini adalah untuk melihat perbandingan performa dari model yang penggunaan mixed precision dan yang tidak menerapkan mixed precision. Hasilnya metrik evaluasi seperti accuracy, precision, recall, dan f1-score model yang tidak menerapkan mixed precision memiliki performa yang lebih baik dengan mencapai nilai masing-masing sebesar 98% dan untuk metrik evaluasi AUC-ROC kedua model memiliki nilai yang sama yaitu 1. Sementara, waktu pelatihan model yang menerapkan mixed precision memiliki waktu yang lebih singkat bila dibandingkan dengan model yang tidak menerapkan mixed precision dengan selisih mencapai 1.646 detik (27 menit dan 26 detik) dan persentase kecepatan mencapai 8,39%. ------- In the field of skin cancer classification, machine learning and deep learning have been extensively utilized, particularly with convolutional neural network architectures. However, to achieve optimal performance, several aspects can still be explored. One such aspect is the use of convolutional neural network models for transfer learning, along with supportive methods that can help improve model performance and accelerate training time. The MobileNet architecture has proven to perform well despite its small size and can compete with other architectures. Based on this, the MobileNetV3Large architecture, which is the latest variation of MobileNet known for its efficiency and suitability for low-power and memory-constrained applications, will be used for transfer learning. To further enhance the model's performance, morphological black-hat transformation and oversampling techniques will be applied to the ISIC 2020 dataset. Additionally, during model training, mixed precision will be used to speed up the training time. The aim of this research is to compare the performance of models using mixed precision and those that do not. The results show that the evaluation metrics such as accuracy, precision, recall, and F1-score for the model without mixed precision perform better, each achieving a value of 98%. For the AUC-ROC evaluation metric, both models achieved the same value of 1. Meanwhile, the training time for the model with mixed precision was shorter compared to the model without mixed precision, with a difference of 1,646 seconds (27 minutes and 26 seconds), resulting in a speed increase of 8.39%.
Item Type: | Thesis (S1) |
---|---|
Additional Information: | https://scholar.google.com/citations?user=02A-BTUAAAA SINTA ID: 6658557 SINTA ID: 6681751 |
Uncontrolled Keywords: | Kanker Kulit; MobileNetV3Large; Transfer Learning; Mixed Precision; Metrik Evaluasi, Skin Cancer; MobileNetV3Large; Transfer Learning; Mixed Precision; Metric Evaluation. |
Subjects: | L Education > L Education (General) Q Science > QA Mathematics > QA75 Electronic computers. Computer science Q Science > QA Mathematics > QA76 Computer software T Technology > T Technology (General) |
Divisions: | UPI Kampus cibiru > S1 Rekayasa Perangkaat Lunak |
Depositing User: | Raka Ryandra Guntara |
Date Deposited: | 22 Aug 2024 07:48 |
Last Modified: | 22 Aug 2024 07:48 |
URI: | http://repository.upi.edu/id/eprint/118772 |
Actions (login required)
![]() |
View Item |