Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Prosiding Seminar Nasional Teknologi Informasi dan Bisnis
Faisal Muttaqin
UPN “Veteran” Jawa Timur
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Mechanical Engineering Physics

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Analisis Performa Model CNN Pada Identifikasi Awal Penyakit Kanker Kulit Deisya Dzakiyyah Rahmawati; Faisal Muttaqin; Chrystia Aji Putra
Prosiding Seminar Nasional Teknologi Informasi dan Bisnis Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2026
Publisher : Fakultas Ilmu Komputer Universitas Duta Bangsa Surakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Kanker kulit merupakan salah satu jenis kanker yang banyak disebabkan oleh paparan radiasi ultraviolet (UV) dan memerlukan deteksi dini untuk meningkatkan peluang penanganan. Perkembangan Deep Learning, khususnya Convolutional Neural Network (CNN), memberikan alternatif dalam membantu proses klasifikasi citra medis secara cepat dan akurat. Penelitian ini bertujuan untuk menganalisis performa arsitektur EfficientNetV2-S dalam mengidentifikasi kanker kulit berdasarkan citra yang diklasifikasikan ke dalam dua kelas, yaitu benign dan malignant. Dataset yang digunakan berasal dari Mendeley Data sebanyak 20.000 citra, yang dibagi menjadi data training (60%), validation (20%), dan testing (20%). Proses pelatihan menerapkan metode transfer learning dengan optimizer AdamW, fungsi Cross Entropy Loss, ukuran citra 224×224 piksel, batch size 16, learning rate 0,0001, dan 32 epoch. Hasil pengujian menunjukkan bahwa EfficientNetV2-S memperoleh nilai accuracy sebesar 94,05%, precision 97,72%, recall 90,20%, F1-score 93,81%, dan ROC-AUC 98,95%. Selain itu, kurva accuracy dan loss menunjukkan proses pelatihan yang stabil dengan kecenderungan overfitting yang rendah. Hasil penelitian menunjukkan bahwa EfficientNetV2-S mampu memberikan performa yang baik dalam mengidentifikasi kanker kulit sehingga berpotensi mendukung proses deteksi dini berbasis kecerdasan buatan.
Co-Authors Deisya Dzakiyyah Rahmawati Putra, Chrystia Aji