Klasifikasi Kanker Kulit Jinak Dan Ganas Menggunakan Metode Xception Berbasis Raspberry Pi
Kata Kunci:
kanker kulit, Xception, Raspberry Pi, klasifikasi gambar, deteksi dini, akurasi, CNNAbstrak
Deteksi dini kanker kulit menjadi tantangan utama, terutama di negara berkembang seperti Indonesia, yang memiliki keterbatasan akses alat diagnostik modern. Penelitian ini mengembangkan sistem klasifikasi kanker kulit berbasis metode Xception pada Raspberry Pi 3 dan Webcam untuk membedakan tiga kelas: jinak (benign), ganas (malignant), dan normal. Dataset terdiri dari 3.000 sampel, dibagi untuk pelatihan (80%) dan validasi (20%). Data preprocessing dilakukan melalui normalisasi dan augmentasi. Model Xception dilatih menggunakan TensorFlow, kemudian dioptimalkan ke format TensorFlow Lite untuk implementasi pada Raspberry Pi. Pengujian sistem meliputi evaluasi akurasi, waktu pemrosesan, dan efisiensi sumber daya. Hasil menunjukkan akurasi pelatihan terbaik pada epoch ke-13, dengan akurasi validasi 0.8967 dan loss 0.2381. Model mencapai akurasi 85% untuk tipe jinak, 85,1% untuk tipe ganas, dan 99% untuk tipe normal secara real-time, dengan waktu pemrosesan 3-7 detik per gambar. Sistem stabil pada Raspberry Pi 3 dengan konsumsi daya minimal. Sistem ini menawarkan solusi terjangkau untuk deteksi dini kanker kulit, terutama di wilayah dengan fasilitas kesehatan terbatas.
Referensi
Fauziyyah, R. N. P., Komariah, M., & Herliani, Y. K. (2023). Sunlight Exposure and Protection Behavior as Prevention of Skin Cancer in Nursing Students. Indonesian Journal of Cancer, 17(1), 1.
Yahya, Y. F., Toruan, T. L., Kurniawati, Y., Antonius, S., Saputra, M. A. R., Fantoni, O. J. J., & Citra, N. (2021). Pemberdayaan tenaga kesehatan pada fasilitas kesehatan primer di Kecamatan Sungsang: pengenalan kanker kulit. Jurnal Pengabdian Masyarakat Humanity and Medicine, 2(2), 9.
Yamashita, R., Nishio, M., Do, R. K. G., & Togashi, K. (2018, August 1). Convolutional neural networks: an overview and application in radiology. Insights into Imaging. Springer Verlag.
Kavurmaci, M. (2023). Skin cancer. In Medical Nursing (pp. 401–404). Nova Science Publishers, Inc.
Miranda, C. (2018). Skrining dan Diagnosis Melanoma Kulit. Fakultas Kedokteran Universitas Tarumanagara, Jakarta, Indonesia. 47(4). 301-305.
Lasari, H., Amalia, M., & Sarmila. (2021). Upaya promosi dan pencegahan kanker payudara menggunakan WhatsApp Messenger. HIGEIA Journal of Public Health Research and Development, 5(2).
Nopiani, & Sasmito, C. (2019). Pelayanan kesehatan masyarakat di Puskesmas Simpang Tiga Kecamatan Banyuke Hulu Kabupaten Landak. Jurnal Ilmu Manajemen dan Akuntansi, 7(1).
Lasso, C. K. R. (2023). Faktor hambatan dalam akses pelayanan kesehatan pada puskesmas di Indonesia: Scoping review. Jurnal Ilmiah Permas: Jurnal Ilmiah STIKES Kendal, 13(4).
Qorry Aina Fitroh, & Shofwatul ’Uyun. (2023). Deep Transfer Learning untuk Meningkatkan Akurasi Klasifikasi pada Citra Dermoskopi Kanker Kulit. Jurnal Nasional Teknik Elektro Dan Teknologi Informasi, 12(2), 78–84.
Chollet, F. (2017). Xception: Deep learning with depthwise separable convolutions. In Proceedings. 30th IEEE Conference on Computer Vision and Pattern Recognition, CVPR 2017. Vol. 2017-January, pp. 1800–1807. Institute of Electrical and Electronics Engineers Inc.
Sadik, R., Majumder, A., Biswas, A. A., Ahammad, B., & Rahman, M. M. (2023). An in-depth analysis of Convolutional Neural Network architectures with transfer learning for skin disease diagnosis. Healthcare Analytics, 3.
Mehmood, A., Gulzar, Y., Ilyas, Q. M., Jabbari, A., Ahmad, M., & Iqbal, S. (2023). SBXception: A Shallower and Broader Xception Architecture for Efficient Classification of Skin Lesions. Cancers, 15(14).
Konaite, M., Owolawi, P. A., Mapayi, T., Malele, V., Odeyemi, K., Aiyetoro, G., & Ojo, J. S. (2021). Smart Hat for the blind with Real-Time Object Detection using Raspberry Pi and TensorFlow Lite (pp. 1–6). Association for Computing Machinery (ACM).
Gope, H. L., & Fukai, H. (2022). Peaberry and normal coffee bean classification using CNN, SVM, and KNN: Their implementation in and the limitations of Raspberry Pi 3. AIMS Agriculture and Food, 7(1), 149–167.
Ferrolino, L., Brillantes, A. K., Cabatuan, M., Jose, J. A., & Dadios, E. (2019). Vehicle classification through detection and color segmentation of registration plates running on raspberry Pi 3 model B. International Journal of Recent Technology and Engineering, 8(2 Special Issue 8), 1298–1303.
Heydarian, M., Doyle, T. E., & Samavi, R. (2022). MLCM: Multi-Label Confusion Matrix. IEEE Access, 10, 19083–19095.
Jafari, H., & Esmailpour Roshan, M. (2023). Review on Automated Skin Cancer Detection Using Image Processing Techniques. Asian Pacific Journal of Cancer Biology, 8(4), 387–393.
Vidya Chandradev, I Made Agus Dwi Suarjaya, & I Putu Agung Bayupati. (2023). Analisis Sentimen Review Hotel Menggunakan Metode Deep Learning BERT. Jurnal Buana Informatika, 14(02), 107–116.
Fauziyyah, R. N. P., Komariah, M., & Herliani, Y. K. (2023). Sunlight Exposure and Protection Behavior as Prevention of Skin Cancer in Nursing Students. Indonesian Journal of Cancer, 17(1), 1.
Yahya, Y. F., Toruan, T. L., Kurniawati, Y., Antonius, S., Saputra, M. A. R., Fantoni, O. J. J., & Citra, N. (2021). Pemberdayaan tenaga kesehatan pada fasilitas kesehatan primer di Kecamatan Sungsang: pengenalan kanker kulit. Jurnal Pengabdian Masyarakat Humanity and Medicine, 2(2), 9.
Yamashita, R., Nishio, M., Do, R. K. G., & Togashi, K. (2018, August 1). Convolutional neural networks: an overview and application in radiology. Insights into Imaging. Springer Verlag.
Kavurmaci, M. (2023). Skin cancer. In Medical Nursing (pp. 401–404). Nova Science Publishers, Inc.
Miranda, C. (2018). Skrining dan Diagnosis Melanoma Kulit. Fakultas Kedokteran Universitas Tarumanagara, Jakarta, Indonesia. 47(4). 301-305.
Lasari, H., Amalia, M., & Sarmila. (2021). Upaya promosi dan pencegahan kanker payudara menggunakan WhatsApp Messenger. HIGEIA Journal of Public Health Research and Development, 5(2).
Nopiani, & Sasmito, C. (2019). Pelayanan kesehatan masyarakat di Puskesmas Simpang Tiga Kecamatan Banyuke Hulu Kabupaten Landak. Jurnal Ilmu Manajemen dan Akuntansi, 7(1).
Lasso, C. K. R. (2023). Faktor hambatan dalam akses pelayanan kesehatan pada puskesmas di Indonesia: Scoping review. Jurnal Ilmiah Permas: Jurnal Ilmiah STIKES Kendal, 13(4).
Qorry Aina Fitroh, & Shofwatul ’Uyun. (2023). Deep Transfer Learning untuk Meningkatkan Akurasi Klasifikasi pada Citra Dermoskopi Kanker Kulit. Jurnal Nasional Teknik Elektro Dan Teknologi Informasi, 12(2), 78–84.
Chollet, F. (2017). Xception: Deep learning with depthwise separable convolutions. In Proceedings. 30th IEEE Conference on Computer Vision and Pattern Recognition, CVPR 2017. Vol. 2017-January, pp. 1800–1807. Institute of Electrical and Electronics Engineers Inc.
Sadik, R., Majumder, A., Biswas, A. A., Ahammad, B., & Rahman, M. M. (2023). An in-depth analysis of Convolutional Neural Network architectures with transfer learning for skin disease diagnosis. Healthcare Analytics, 3.
Mehmood, A., Gulzar, Y., Ilyas, Q. M., Jabbari, A., Ahmad, M., & Iqbal, S. (2023). SBXception: A Shallower and Broader Xception Architecture for Efficient Classification of Skin Lesions. Cancers, 15(14).
Konaite, M., Owolawi, P. A., Mapayi, T., Malele, V., Odeyemi, K., Aiyetoro, G., & Ojo, J. S. (2021). Smart Hat for the blind with Real-Time Object Detection using Raspberry Pi and TensorFlow Lite (pp. 1–6). Association for Computing Machinery (ACM).
Gope, H. L., & Fukai, H. (2022). Peaberry and normal coffee bean classification using CNN, SVM, and KNN: Their implementation in and the limitations of Raspberry Pi 3. AIMS Agriculture and Food, 7(1), 149–167.
Ferrolino, L., Brillantes, A. K., Cabatuan, M., Jose, J. A., & Dadios, E. (2019). Vehicle classification through detection and color segmentation of registration plates running on raspberry Pi 3 model B. International Journal of Recent Technology and Engineering, 8(2 Special Issue 8), 1298–1303.
Heydarian, M., Doyle, T. E., & Samavi, R. (2022). MLCM: Multi-Label Confusion Matrix. IEEE Access, 10, 19083–19095.
Jafari, H., & Esmailpour Roshan, M. (2023). Review on Automated Skin Cancer Detection Using Image Processing Techniques. Asian Pacific Journal of Cancer Biology, 8(4), 387–393.
Vidya Chandradev, I Made Agus Dwi Suarjaya, & I Putu Agung Bayupati. (2023). Analisis Sentimen Review Hotel Menggunakan Metode Deep Learning BERT. Jurnal Buana Informatika, 14(02), 107–116.
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
