<![CDATA[Kanker usus besar merupakan salah satu kanker yang dapat menyebabkan kematian. Jenis kanker ini merupakan kanker peringkat kedua terbanyak pada wanita dan peringkat ketiga terbanyak pada pria. Akhir–akhir ini, pendekatan Deep Learning (DL) banyak digunakan untuk melakukan proses–proses dalam dunia medis. Salah satu metode yang terkenal yaitu Convolutional Neural Network (CNN). CNN tentunya harus memiliki akurasi yang tinggi untuk dapat diterapkan pada kasus ini. Dataset yang digunakan adalah dataset Lung and Colon Cancer Histopathological Images yang berfokus pada kanker ususnya saja. Salah satu cara yang dapat digunakan untuk meningkatkan akurasi pada CNN adalah dengan menormalisasi bobot. Untuk ini, metode yang diusulkan adalah Ghost Weight Normalization (GWN) dengan normalisasi L1 yang terinspirasi dari GhostNet. Metode ini bekerja dengan cara melakukan pembagian bobot utuh menjadi beberapa bagian yang dinamakan GW dan kemudian dinormalisasi untuk setiap GW-nya, lalu digabung kembali menjadi bobot utuh seperti semula. Pendekatan ini terbukti dapat meningkatkan akurasi CNN dengan sangat baik, yaitu mengalami penambahan akurasi sebesar 14% yang semula CNN biasa memperoleh akurasi sebesar 0.8 menjadi 0.94, presisi 0.8 menjadi 0.94 dan F1-score 0.8 menjadi 0.94. GWN juga dapat mengungguli gaya normalisasi biasa, yaitu normalisasi pada bobot tanpa membaginya menjadi GW. Ukuran GW yang efisien adalah 4 dengan perolehan akurasi, persisi, dan f1-score masing-masing 0.94, dengan epoch 8 dan rata – rata untuk waktu proses training-nya pada setiap epoch-nya adalah 259 detik. Abstract Colon cancer is one of the cancers that can cause death. This type of cancer is the second most common cancer in women and the third most common in men. Lately, Deep Learning (DL) approaches have been widely used to perform processes in the medical world. One of the well-known methods is Convolutional Neural Network (CNN). The method should have high accuracy to be applied in this case. The dataset used is the Lung and Colon Cancer Histopathological Images dataset which focuses on Colon Cancer only. One way that can be used to improve accuracy on CNN is by normalizing the weights. Our proposed method is Ghost Weight Normalization (GWN) with L1 normalization inspired by GhostNet. This method works by dividing the whole weight into several parts called GW and then normalized for each GW, then merged back into the whole weight as before. This approach proved to be able to improve the accuracy of CNN very well, which experienced an increase in accuracy by 14% from the usual CNN accuracy of 0.8 to 0.94, precision 0.8 to 0.94, and f1-score 0.8 to 0.94. GWN can also outperform the usual normalization style, which is normalizing the weights without dividing them into GWs. The efficient GW size is 4 with accuracy, precision, and f1-score of 0.94 each, with 8 epochs and the average training time for each epoch is 259 seconds.]]>
