Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Rachmatika, Isnayni Sugma
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering

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

Found 1 Documents
Search

 1 
Deteksi Mutasi Pada Kanker Paru Melalui Citra CT-Scan Penerapan Model Algoritma Convolutional Neural Networks (CNN) dan Optimizer Adam Rachmatika, Isnayni Sugma; Muflikhah, Lailil; Setiawan, Budi Darma
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 8 No 9 (2024): September 2024
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Kanker paru-paru adalah penyebab utama kematian pada pria dan wanita, dengan angka kematian melebihi gabungan kematian akibat kanker usus besar, payudara, dan prostat. Sekitar 14% dari semua diagnosis kanker adalah kanker paru-paru, dan deteksi dini masih menjadi tantangan besar. Kanker paru sering mengalami mutasi genetik yang menyebabkan sel-sel kanker berperilaku berbeda dari sel normal. Deteksi dini mutasi penting karena pengobatan yang tepat dapat mencegah perkembangan kanker lebih lanjut. Kemajuan dalam onkologi, seperti teknik pencitraan yang lebih baik dan penggunaan penanda molekuler, serta kecerdasan buatan (AI), telah meningkatkan diagnosis dan manajemen kanker paru-paru. AI, terutama deep learning dengan algoritma CNN seperti VGG-16, efektif dalam mendeteksi kanker pada gambar jaringan paru-paru. Penelitian ini menggunakan CNN Model VGG-16 pre-trained dengan data CT scan dari Rumah Sakit Syaiful Anwar untuk mendeteksi mutasi pada kanker paru-paru. Dengan data 39362 slice CT-scan dari 20 pasien, hasil menunjukkan bahwa transfer learning dengan VGG-16 dan metode optimasi Adam menghasilkan validation loss sebesar 0.0085 dan validation accuracy sebesar 99.70%, serta precision/recall, dan specificity model sebesar 99%. Saran untuk penelitian lebih lanjut adalah mengeksplorasi transfer learning dengan penambahan layer dan mencoba arsitektur CNN yang lebih dalam untuk meningkatkan nilai performansi.
Co-Authors Budi Darma Setiawan Lailil Muflikhah