Analisis Pengaruh Fungsi Optimezer Pada ResNet50 untuk Klasifikasi Penyakit Kanker Kulit

Abstract

Kanker kulit merupakan salah satu jenis kanker yang paling umum di dunia, dengan risiko tinggi jika tidak terdeteksi secara dini. Penelitian ini bertujuan untuk menganalisis pengaruh berbagai fungsi optimizer terhadap akurasi klasifikasi kanker kulit menggunakan arsitektur Convolutional Neural Network (CNN) ResNet-50. Dengan memanfaatkan dataset Skin Cancer ISIC 2019 & 2020 yang terdiri dari gambar kulit benign dan malignant, penelitian ini mengeksplorasi penggunaan beberapa optimizer, termasuk Adam, SGD, dan RMSprop, serta variasi learning rate (0.01, 0.001, dan 0.0001). Hasil penelitian menunjukkan bahwa penggunaan optimizer Adam dengan learning rate 0.001 menghasilkan akurasi tertinggi mencapai 100% pada data testing, sementara optimizer SGD dengan learning rate 0.001 juga menunjukkan performa yang baik dengan akurasi 96.67%. Penelitian ini menekankan pentingnya pemilihan optimizer dan learning rate yang tepat untuk meningkatkan akurasi model dalam klasifikasi kanker kulit. Dari hasil analisis, disimpulkan bahwa fine-tuning model CNN dengan arsitektur ResNet-50 dapat meningkatkan akurasi deteksi kanker kulit secara signifikan. Penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan sistem deteksi dini kanker kulit berbasis teknologi kecerdasan buatan yang lebih akurat dan efisien, serta menjadi referensi bagi praktisi medis dalam diagnosis kanker kulit.