Analisis Estimasi Ketidakpastian Klasifikasi Citra Menggunakan Metode Bayesian Convolutional Neural Network (Studi Kasus : Citra Kulit Manusia)

Abstract

Kanker kulit merupakan suatu penyakit yang disebabkan oleh berubahnya sifat- sifat penyusun sel kulit yang normal menjadi ganas, dimana sel-sel akan terus membelah menjadi bentuk yang abnormal secara tidak terkontrol akibat kerusakan DNA. Untuk mendeteksi kanker dapat menggunakan Machine Learning salah satu metode yang popular dalam deteksi citra yaitu Convolutional Neural Network atau biasa disebut dengan CNN. Namun CNN tidak secara eksplisit mengestimasi ketidakpastian dalam prediksi. Ini menghasilkan keluaran yang lebih deterministik dan tidak memberikan informasi tentang sejauh mana model yakin terhadap prediksi. Maka untuk memprediksi estimasi ketidakpastian perbedaan antara tumor jinak atau nevus atipikal dengan tumor ganas atau melanoma peneliti akan menggunakan metode gabungan yaitu Bayesian Convolutional Neural Network (BCNN) Bayesian Neural Network (BNN) pada klasifikasi dan CNN pada feature learning. Tujuan dari penelitian ini yaitu melakukan klasifikasi gambar kanker kulit pada kelas atau jenis Benign dan Malignant dengan metode BCNN untuk mendapatkan model, nilai akurasi, dan pelabelan klasifikasi terbaik. Hasil yang didapat dari penelitian ini yaitu menggunakan arsitektur untuk parameter epoch 50 dengan optimizer adam, size 100x100 piksel, ukuran kernel 3x3 dan pada skenario data 80%:20% untuk tahap feature learning. Pada tahap klasifikasi menggunakan dropout (dropout pertama 25% dan dropot kedua 50%), flatten, dan Dense (fully connected). Hasil tingkat akurasi dari proses pengklasifikasian pada proses uji sebesar 72%. Selain itu, berdasarkan model tersebut dapat menghasilkan prediksi pelabelan yaitu label Benign diprediksi benar dengan persentase probabilitas sebesar 96.9% dengan varians 17.40%, sedangkan persentase probabilitas untuk label Tuberculosis sebesar 87.5% dengan varians 33.07%.