Analisis Performa Model CNN Pada Identifikasi Awal Penyakit Kanker Kulit

Deisya Dzakiyyah Rahmawati (UPN “Veteran” Jawa Timur)
Faisal Muttaqin (UPN “Veteran” Jawa Timur)
Chrystia Aji Putra (UPN “Veteran” Jawa Timur)

Prosiding Seminar Nasional Teknologi Informasi dan Bisnis
Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2026

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.