<![CDATA[Kanker payudara merupakan kanker non-kulit yang biasa menyerang wanita. Kanker ini menjadi penyebab kematian kedua terbanyak di dunia. Diagnosis dini kanker payudara memiliki peran penting dalam proses pengobatan. Citra mamografi menjadi salah satu media dalam mendiagnosis kanker payudara dan mempunyai tingkat kesulitan yang cukup tinggi jika diinterpretasikan secara visual. Sehingga diperlukan proses diagnosis secara komputasi dengan menggunakan deep learning. Penelitian ini akan menganalisis algoritma optimasi pada Conventional Neural Network (CNN) untuk mengklasifikasikan kanker payudara menjadi tiga kelas (benign, malignant, dan normal), dengan teknik deep transfer learning dan menggunakan arsitektur CNN yaitu VGG-16. Dataset yang digunakan berasal dari database citra Mammographic Image Analysis Society (MIAS). Penelitian ini membandingkan delapan algoritma optimasi pada model yang telah diusulkan untuk mengetahui algoritma optimasi mana yang bekerja paling baik untuk klasifikasi kanker payudara menggunakan teknik deep learning. Delapan algoritma tersebut diantaranya Adam, Adadelta, Adagrad, Adamax, Ftrl, Nadam, RMSprop, dan SGD. Model telah diuji dengan berbagai hyperparameter, pengujian hyperparameter tersebut menggunakan tiga skenario yaitu pemilihan batch size, learning rate, dan epoch terbaik dari masing-masing optimizer. Dari pengujian tersebut didapatkan hyperparameter terbaik pada model VGG-16, yaitu menggunakan batch size 64, learning rate 0.01, epoch 100 dan optimasi RMSprop menghasilkan nilai akurasi sebesar 0.9602.]]>
Copyrights © 2025
