KLASIFIKASI KANKER KULIT DENGAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN) MENGGUNAKAN ARSITEKTUR ALEXNET

Kesehatan kulit menjadi perhatian utama karena kulit merupakan bagian terluar dari tubuh kita yang melindungi organ-organ yang ada didalamnya. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi kanker kulit dengan menggunakan metode Convolutional Neural Network (CNN) dan arsitektur AlexNet pada dataset yang terdiri dari tujuh kelas lesi kulit, yaitu actinic keratoses (akiec), basal cell carcinoma (bcc), benign keratosis-like lesions (bkl), dermatofibroma (df), melanoma (mel), melanocytic nevi (nv), dan vascular lesions (vasc). Kanker kulit merupakan masalah kesehatan yang semakin meningkat prevalensinya, dan deteksi dini memiliki peran krusial dalam meningkatkan prognosis dan efektivitas pengobatan. Oleh karena itu, deteksi dini kanker kulit memiliki dampak signifikan pada proses prognosis dan pengobatan. Penelitian ini memperhatikan variasi parameter pelatihan, dengan skenario uji coba yang mencakup variasi Learning Rate serta jumlah Epoch. Uji coba dilakukan melalui 2 skema, uji coba Learning Rate pada skema 1 dan uji coba Epoch pada skema 2. Pada skema 1 dengan Learning Rate 0.001, 0.0001, 0.00001 pada Epoch 30. Didapatkan bahwa Learning Rate 0.001 memberikan hasil terbaik dengan menghasilkan akurasi validasi tertinggi 77,85% dan loss terendah 0,789204. Kemudian pada skema 2 Learning Rate terbaik yaitu 0.001 pada skema 1 dilakukan uji coba pada Epoch 50, 70, 100, uji coba menunjukkan bahwa hasil terbaik pada Epoch 100 dengan akurasi validasi sebesar 79,85% dan loss 0699824. Dapat disimpulkan bahwa seiring bertambahnya jumlah Epoch, maka semakin tinggi juga akurasi yang didapatkan. Meskipun AlexNet terkenal sebagai arsitektur yang unggul dalam tugas klasifikasi citra, namun ketika diberikan data dengan jumlah besar dan jumlah kelas yang cukup banyak, hasil akhir dari arsitektur Alexnet belum bisa maksimal.