Jurnal Sistem dan Teknologi Informasi Indonesia JUSTINDO Vol.
11 No.
Februari 2026, hal.
p-ISSN 2502-5724 e-ISSN 2541-5735 http://ejurnal.
id/index.
php/JUSTINDO/index https://doi.
org/10.
32528/justindo.
Klasifikasi Citra Ultrasound Kanker Payudara Menggunakan Mobilenet Ultrasound Image Classification of Breast Cancer Using MobileNet Heru Arwoko *1.
Sofia Ariyani2 Teknik Informatika.
Fakultas Teknik.
Universitas Surabaya Teknik Elektro.
Fakultas Teknik.
Universitas Muhammadiyah Jember Email: 1heru_a@staff.
id, 2sofia.
ariyani@unmuhjember.
*Penulis Koresponden Received: 31 Desember 2025 Accepted: 26 Januari 2026 Published: 02 Februari 2026 This work is licensed under a Creative Commons Attribution 4.
International License.
Copyright .
2026 JUSTINDO
ABSTRAK
Kanker payudara merupakan salah satu penyakit yang banyak dialami oleh wanita dan memiliki tingkat mortalitas yang tinggi apabila tidak terdeteksi pada tahap awal.
Oleh karena itu, pengembangan sistem yang mampu melakukan diagnosis kanker payudara secara otomatis dan akurat menjadi sangat penting.
Salah satu metode yang umum digunakan untuk deteksi dini kanker payudara adalah pemeriksaan citra medis ultrasonografi (USG), karena bersifat aman dan mudah diakses.
Namun, citra USG memiliki sejumlah keterbatasan, seperti kualitas citra yang rendah, tingkat noise yang tinggi, serta karakteristik yang heterogen, sehingga menyulitkan proses klasifikasi jenis kanker.
Dalam penelitian ini, diterapkan metode transfer learning untuk klasifikasi citra medis kanker payudara dengan memanfaatkan arsitektur MobileNet yang ringan dan efisien guna meningkatkan kinerja model.
Proses klasifikasi dilakukan terhadap tiga kelas, yaitu tumor jinak, tumor ganas, dan jaringan normal.
Dataset yang digunakan adalah BUSI (Breast Ultrasound Image.
yang diperoleh dari Baheya Hospital.
Kairo.
Mesir, dengan total 780 citra USG Eksperimen dilakukan menggunakan beberapa arsitektur pra-latih, meliputi MobileNet.
MobileNetV2.
Xception, dan InceptionV3.
Hasil evaluasi menunjukkan bahwa arsitektur MobileNet memberikan performa terbaik dengan nilai F1-score sebesar 89%.
Temuan ini menunjukkan bahwa pendekatan yang diusulkan efektif dalam mengklasifikasikan citra USG, karena fitur diekstraksi secara otomatis dan bersifat global oleh jaringan saraf, tanpa memerlukan analisis fitur geometri secara manual.
Kata kunci: citra ultrasonografi, kanker payudara.
CNN, transfer learning ABSTRACT Breast cancer is one of the most prevalent diseases affecting women and has a high mortality rate if not detected at an early stage.
Therefore, the development of an automated and accurate system for breast cancer diagnosis is of critical importance.
One of the most commonly used methods for early breast cancer detection is medical ultrasonography (US) imaging, as it is safe and easily accessible.
However, ultrasound images suffer from several limitations, including low image quality, high noise levels, and heterogeneous characteristics, which make the classification of cancer types challenging.
In this study, a transfer learning approach is employed for breast ultrasound image classification by utilizing the MobileNet architecture, which is lightweight and computationally efficient, to enhance model performance.
The classification task is performed on three classes: benign tumors, malignant tumors, and normal tissue.
The dataset used is the BUSI (Breast Ultrasound Image.
dataset obtained from Baheya Hospital.
Cairo.
Egypt, consisting of 780 breast ultrasound images.
Experiments are conducted using several pre-trained architectures, including MobileNet.
MobileNetV2.
Xception, and InceptionV3.
The evaluation results demonstrate that the MobileNet architecture achieves the best performance with an F1-score of 89%.
These results indicate that the proposed approach is effective for classifying ultrasound images, as features are automatically and globally learned by the neural network without requiring manual geometric feature analysis.
Keywords: ultrasound imaging, breast cancer.
CNN, transfer learning JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesi.
Vol.
No.
Februari 2026 Pendahuluan Berdasarkan data dari World Health Organization (WHO), jumlah kematian akibat kanker payudara pada tahun 2020 diperkirakan mencapai 684.
996 kasus (Aristokli et al.
, 2.
Ultrasonografi (USG) merupakan salah satu perangkat diagnostik medis yang banyak digunakan dalam praktik klinis untuk mendeteksi penyakit kanker.
USG memiliki berbagai keunggulan, antara lain biaya yang relatif rendah, waktu akuisisi citra yang singkat, bersifat portabel, aman, akurat, serta tidak menghasilkan paparan radiasi berbahaya.
Sejak awal perkembangan penelitian penyakit kanker, teknologi USG telah berperan penting dalam proses pengukuran, identifikasi, serta penentuan stadium perkembangan kanker.
Namun demikian, ketepatan analisis citra USG secara manual sangat bergantung pada pengalaman dan ketelitian dokter atau operator, sehingga potensi terjadinya kesalahan identifikasi tetap ada.
Banyak metode klasifikasi citra ultrasound payudara masih menghadapi tantangan besar dalam mendapatkan akurasi diagnosis yang tinggi akibat variabilitas bentuk dan tekstur tumor serta keterbatasan dataset yang kompleks serta bergantung pada interpretasi manual radiolog, sehingga perlu dikembangkan sistem klasifikasi otomatis berbasis deep-learning seperti yang dilakukan Rosadi et.
Pemanfaatan analisis citra USG berbasis komputer menjadi langkah krusial dalam mendukung proses diagnosis, klasifikasi, dan deteksi dini kanker.
Deteksi dini kanker mampu menurunkan angka kematian secara signifikan, sebagaimana dilaporkan oleh Al-Dhabyani et al.
Selain itu.
Abdullah et al.
menyatakan bahwa kanker payudara masih menjadi salah satu penyebab utama kematian pada wanita di seluruh dunia.
Tantangan utama dalam pengolahan citra USG terletak pada kualitas citra yang rendah dan tingkat noise yang tinggi sehingga menyulitkan proses analisis dan klasifikasi.
Dalam konteks klasifikasi kanker payudara.
Idawati et al.
menyatakan bahwa proses klasifikasi bertujuan untuk menentukan jenis dan karakteristik kanker berdasarkan ciri sel-sel Pada penelitian tersebut digunakan metode Convolutional Neural Network (CNN) dengan arsitektur VGG-16, yang menghasilkan performa terbaik dengan konfigurasi optimizer SGD, learning rate 0,001, epoch 20, dan batch size 32, dengan akurasi sebesar 78,87% serta nilai F1score sebesar 74,67%.
Pada penelitian tersebut untuk meningkatkan kecepatan pelatihan dan akurasi model, digunakan pendekatan transfer learning dengan memanfaatkan model CNN yang telah dilatih sebelumnya.
Pada penelitian Siden et.
menyatakan bahwa deep learning dengan model arsitektur ResNet18 terbukti efektif dalam mengekstraksi fitur citra secara otomatis dan meningkatkan performa klasifikasi kanker payudara dari citra medis seperti ultrasound, dengan sejumlah studi penerapan menunjukkan akurasi tinggi pada pendekatan transfer learning dan model CNN Berbagai penelitian menunjukkan efektivitas deep learning dalam klasifikasi kanker payudara dari citra ultrasonografi (USG), khususnya melalui pendekatan transfer learning dengan arsitektur Convolutional Neural Network (CNN) pretrained seperti ResNet.
Inception, dan MobileNet.
AlZoubi et al.
membandingkan performa transfer learning dengan desain arsitektur otomatis untuk mendeteksi lesi payudara dan menunjukkan bahwa pendekatan CNN yang diadaptasi secara otomatis mampu memberikan keunggulan performa pada beberapa skenario pengujian.
Pendekatan lain Uysal et.
melaporkan bahwa model pretrained seperti ResNet50 dan Inception-V3 mampu mencapai performa yang kompetitif pada dataset yang diperluas, dengan tingkat akurasi yang mendekati 95% serta nilai metrik evaluasi lain yang memadai untuk mendukung diagnosis klinis.
Secara keseluruhan, kajian sistematis Dan et al.
melaporkan bahwa integrasi deep learning dalam diagnosis kanker payudara berbasis USG memberikan performa diagnostik yang menjanjikan dan relatif konsisten di berbagai dataset serta kondisi klinis yang berbeda.
Berkaitan dengan upaya peningkatan kinerja model, penelitian ini bertujuan untuk meningkatkan akurasi klasifikasi kanker payudara dengan mengembangkan dan membandingkan performa beberapa arsitektur CNN berbasis transfer learning, yaitu MobileNet.
MobileNetV2.
Xception, dan InceptionV3.
Citra ultrasonografi payudara diklasifikasikan ke dalam tiga kelas, yaitu jinak, ganas, dan normal, dengan menggunakan metrik evaluasi akurasi untuk menilai kinerja masing-masing https://doi.
org/10.
32528/justindo.
JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesi.
Vol.
No.
Februari 2026 Hasil perbandingan tersebut digunakan untuk menentukan dan merekomendasikan arsitektur CNN yang paling optimal dan efisien dalam pengembangan sistem klasifikasi kanker payudara berbasis citra ultrasonografi.
Metode Penelitian Dataset Langkah awal dalam penelitian ini adalah pengumpulan dataset, preprosesing, ekstraksi fitur, pelatihan dan pengujian model, dan implementasi hasil model.
Gambar 1 menunjukkan metode penelitian yang digunakan dalam penelitian ini.
Gambar 1.
Diagram Penelitian Dataset yang digunakan dalam penelitian ini berasal dari BUSI (Breast Ultrasound Image.
Pada tahap praproses, seluruh citra diseragamkan ukurannya menjadi 224y224 piksel menggunakan metode interpolasi nearest neighbor.
Selanjutnya, dataset dibagi menjadi dua bagian, yaitu data pelatihan .
raining se.
dan data validasi .
alidation se.
Pada tahap awal pengembangan penelitian, ketersediaan dataset publik citra ultrasonografi payudara masih terbatas, sehingga menjadi salah satu tantangan utama dalam penelitian di bidang ini.
Namun.
Fahmi et al.
telah mempublikasikan dataset BUSI yang hingga saat ini banyak digunakan sebagai acuan dalam berbagai penelitian terkait klasifikasi citra ultrasonografi payudara.
Contoh visualisasi citra USG payudara ditunjukkan pada Gambar 2.
Class Breast Ultrasound Image Benign Cancer .
Malignant Cancer .
Normal Gambar 2.
Visualisasi citra ultrasound https://doi.
org/10.
32528/justindo.
JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesi.
Vol.
No.
Februari 2026 Dataset BUSI dikumpulkan dari Baheya Hospital for Early Detection and Treatment of WomenAos Cancer di Kairo.
Mesir.
Data tersebut diperoleh dari pasien wanita dengan rentang usia antara 25 hingga 75 tahun pada tahun 2018.
Citra ultrasonografi pada dataset BUSI berupa citra grayscale dengan ukuran yang bervariasi, dengan resolusi rata-rata sekitar 500y500 piksel.
Dataset ini terdiri dari tiga kelas, yaitu tumor jinak, tumor ganas, dan jaringan normal.
Selanjutnya, dataset dibagi dengan rasio 20% untuk data uji, sehingga diperoleh 157 citra sebagai data pengujian dan 623 citra sebagai data pelatihan, sebagaimana ditunjukkan pada Tabel 1.
Citra ultrasound memperlihatkan karakteristik tekstur jaringan payudara dengan tingkat kontras yang rendah serta adanya noise yang menjadi ciri khas pencitraan ultrasonografi.
Pada kelas normal, struktur jaringan terlihat relatif homogen tanpa indikasi massa abnormal, sedangkan pada kelas jinak dan ganas tampak area hitam dengan bentuk dan batas yang berbeda.
Perbedaan karakteristik visual antar kelas inilah yang menjadi dasar dalam proses klasifikasi citra ultrasound menggunakan metode Convolutional Neural Network (CNN).
Tabel 1.
Jumlah Data Citra per Kelas Number of Testing Images Number Training Images Total Images Benign Cancer Malignant Cancer Normal Total Class Berdasarkan hasil visualisasi, citra USG kanker jinak umumnya menunjukkan adanya area hitam berbentuk bulat dengan ukuran relatif kecil.
Sebaliknya, pada citra USG kanker ganas tampak area hitam berukuran lebih besar.
Sementara itu, pada citra USG payudara normal tidak ditemukan keberadaan area hitam tersebut.
Ekstraksi Fitur Fitur pada setiap citra diekstraksi menggunakan CNN.
MobileNet merupakan salah satu arsitektur CNN yang dirancang khusus untuk kebutuhan perangkat mobile dan sistem embedded.
Arsitektur ini mengadopsi depthwise separable convolution guna menekan kompleksitas komputasi dan latensi model.
Depthwise separable convolution terdiri atas dua tahap utama, yaitu depthwise convolution, yang menerapkan satu filter pada setiap saluran input secara terpisah, serta pointwise convolution, yang berfungsi mengombinasikan keluaran dari tahap sebelumnya melalui konvolusi 1y1.
Pendekatan ini mengurangi jumlah parameter dan operasi komputasi secara signifikan dibandingkan konvolusi standar.
Desain arsitektur MobileNet ditunjukkan pada Gambar 3.
Input .
Ie Conv2D .
x3, stride=.
Ie DepthwiseConv2D Ie PointwiseConv2D Ie DepthwiseConv2D Ie PointwiseConv2D Ie .
epeat 13 bloc.
Ie AvgPooling .
Ie FullyConnected (Dense 1.
Ie Softmax Gambar 3.
Arsitektur MobileNet https://doi.
org/10.
32528/justindo.
JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesi.
Vol.
No.
Februari 2026 Dengan struktur yang ringan dan efisien.
MobileNet mampu mempertahankan performa akurasi yang kompetitif meskipun menggunakan sumber daya komputasi yang terbatas.
Karakteristik tersebut menjadikan MobileNet sangat sesuai untuk penerapan transfer learning, khususnya pada dataset berukuran kecil hingga menengah, karena dapat mempercepat proses pelatihan serta meningkatkan kemampuan generalisasi model.
Selain itu, fleksibilitas dalam mengatur trade-off antara kecepatan dan akurasi menjadikan MobileNet pilihan yang efektif untuk aplikasi real-time dan tugas klasifikasi citra medis.
MobileNet merupakan arsitektur CNN berbasis perangkat mobile yang dikembangkan untuk mengatasi keterbatasan sumber daya komputasi tanpa mengorbankan kinerja model secara signifikan.
Model Training dan Testing Sebelum proses pelatihan dan pengujian dilakukan, dataset dibagi ke dalam dua subset, yaitu data latih dan data uji.
Data latih digunakan untuk melatih model, sedangkan data uji berfungsi untuk mengevaluasi kinerja model yang telah dilatih.
Pembagian dataset dilakukan dengan proporsi 80% untuk data latih dan 20% untuk data uji.
Pada penelitian ini digunakan beberapa model pre-trained berbasis transfer learning, yaitu MobileNet.
MobileNetV2.
Xception, dan InceptionV3.
Seluruh model diimplementasikan dengan ukuran citra masukan sebesar 224y224 piksel dan terdiri dari tiga saluran warna.
Penyesuaian hyperparameter dilakukan, salah satunya dengan mengatur parameter include_top menjadi false agar lapisan klasifikasi akhir dapat disesuaikan dengan jumlah kelas pada tugas klasifikasi.
Proses pelatihan model menggunakan algoritma optimasi Adam dengan laju pembelajaran sebesar 0,001 dan ukuran batch sebanyak 5.
Fungsi loss yang digunakan adalah categorical cross-entropy, sedangkan metrik evaluasi yang diterapkan adalah categorical accuracy.
Model dilatih selama 50 epoch, sebagaimana dirangkum pada Tabel 2.
Tabel 2.
Hyperparameter Hyperparameter Value Input Size ,224,.
Include Top False Optimation Adam Learning Rate Epoch Batch Size Dense Layer Dense.
, rel.
Ie Dropout.
Ie Dense.
, rel.
Ie Dense.
, softma.
Output Classes 3 Classes (Benign.
Malignant.
Norma.
Pada tahap pengujian, setiap model dievaluasi menggunakan data uji dan menghasilkan matriks konfusi dengan tiga kelas, yaitu kelas 0 untuk kanker jinak, kelas 1 untuk kanker ganas, dan kelas 2 untuk jaringan normal.
Selain analisis matriks konfusi, kinerja model juga dibandingkan berdasarkan metrik evaluasi lainnya, meliputi akurasi, presisi, recall, dan skor F1.
Hasil dan Pembahasan Sebelum dilakukan proses pelatihan model, citra ultrasonografi payudara terlebih dahulu melalui tahap preprocessing untuk meningkatkan kualitas data.
Tahapan preprocessing meliputi resizing citra ke ukuran input standar sesuai dengan kebutuhan masing-masing arsitektur CNN, normalisasi nilai piksel untuk mempercepat proses konvergensi model, serta pembagian dataset ke dalam data pelatihan dan data pengujian.
Selain itu, dilakukan augmentasi data berupa rotasi, flipping, dan zooming guna meningkatkan variasi data serta mengurangi risiko overfitting akibat keterbatasan jumlah citra ultrasound.
Tahap preprocessing data pada penelitian ini dilakukan menggunakan ImageDataGenerator untuk menyiapkan citra ultrasonografi sebelum masuk ke proses pelatihan model.
Seluruh citra terlebih dahulu diubah ukurannya .
sesuai dengan kebutuhan masing-masing arsitektur CNN, yaitu 224y224 piksel untuk MobileNet dan MobileNetV2 serta 299y299 piksel untuk Xception dan InceptionV3, kemudian dilakukan normalisasi nilai piksel dengan skala 1/255 agar berada pada rentang .
Untuk meningkatkan variasi data dan https://doi.
org/10.
32528/justindo.
JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesi.
Vol.
No.
Februari 2026 mengurangi risiko overfitting, diterapkan augmentasi data pada citra pelatihan berupa rotasi hingga 20 derajat, horizontal flipping, zooming sebesar 0,2, shearing 0,1, serta pergeseran lebar dan tinggi citra masing-masing hingga 20%, sementara citra validasi hanya dilakukan normalisasi tanpa augmentasi.
Proses Training Setelah tahap preprocessing, dilakukan proses pelatihan model menggunakan pendekatan transfer learning dengan memanfaatkan model CNN pralatih .
berbobot ImageNet, yaitu MobileNet.
MobileNetV2.
Xception, dan InceptionV3, di mana lapisan dasar dibekukan .
dan ditambahkan lapisan klasifikasi berupa Global Average Pooling, fully connected layer, serta dropout untuk meningkatkan kemampuan generalisasi model.
Proses pelatihan dilakukan selama 50 epoch dengan batch size sebesar 8 menggunakan fungsi optimasi Adam dan fungsi loss categorical cross-entropy, serta didukung oleh penerapan class weight untuk menangani ketidakseimbangan data kelas.
Selama pelatihan, performa model dipantau menggunakan data validasi dan hasil terbaik disimpan melalui mekanisme model checkpoint.
Tahap selanjutnya adalah evaluasi dan prediksi model, di mana model yang telah dilatih digunakan untuk melakukan prediksi terhadap data validasi dengan menghasilkan label kelas berdasarkan probabilitas tertinggi.
Hasil prediksi kemudian dievaluasi menggunakan confusion matrix dan metrik klasifikasi seperti akurasi dan F1-score.
Selain itu, waktu pelatihan dicatat untuk membandingkan efisiensi komputasi masing-masing arsitektur CNN, sehingga dapat ditentukan model yang paling optimal dan efisien dalam melakukan klasifikasi kanker payudara berbasis citra Proses pelatihan menggunakan arsitektur MobileNet dilakukan selama 50 epoch.
Model mencapai nilai loss terendah pada epoch ke-50 dengan akurasi pelatihan sebesar 84%, serta waktu pelatihan rata-rata sekitar 42 detik pada setiap epoch.
Pelatihan model MobileNetV2 juga dilakukan selama 50 epoch dan menghasilkan loss terendah pada epoch ke-50 dengan akurasi pelatihan sebesar 78%.
Rata-rata waktu pelatihan untuk setiap epoch pada arsitektur ini adalah 33 Arsitektur Xception dilatih selama 50 epoch dan memperoleh nilai loss terendah pada epoch ke-50 dengan akurasi pelatihan sebesar 73%.
Namun, model ini membutuhkan waktu komputasi yang lebih besar, dengan rata-rata durasi pelatihan mencapai 261 detik per epoch.
Sementara itu, pelatihan model InceptionV3 berlangsung selama 50 epoch dan mencapai loss terendah pada epoch ke-50 dengan akurasi pelatihan sebesar 76%.
Waktu pelatihan rata-rata yang dibutuhkan oleh model ini adalah sekitar 98 detik per epoch.
Grafik akurasi pelatihan untuk arsitektur MobileNet ditunjukkan pada Gambar 4.
Gambar 4.
Grafik akurasi saat training Gambar 5 menunjukkan grafik training loss dan validation loss dari model MobileNet selama proses pelatihan.
Terlihat bahwa nilai training loss mengalami penurunan yang signifikan pada epoch awal dan kemudian menurun secara bertahap hingga akhir pelatihan.
Hal ini menunjukkan bahwa model mampu mempelajari pola dan fitur penting dari data latih dengan baik.
Sementara itu, validation loss juga menunjukkan tren penurunan yang relatif stabil, meskipun terdapat beberapa fluktuasi pada beberapa epoch.
Fluktuasi tersebut mengindikasikan adanya variasi https://doi.
org/10.
32528/justindo.
JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesi.
Vol.
No.
Februari 2026 dalam proses generalisasi model terhadap data yang belum pernah dilihat sebelumnya.
Namun demikian, tidak terlihat peningkatan validation loss yang tajam di akhir pelatihan, sehingga dapat disimpulkan bahwa model tidak mengalami overfitting secara signifikan.
Secara keseluruhan, kesesuaian tren antara training loss dan validation loss menunjukkan bahwa arsitektur MobileNet memiliki kemampuan generalisasi yang baik dan proses pelatihan berlangsung secara stabil pada dataset citra USG yang digunakan.
Gambar 5.
Grafik loss saat training Analisa dan Pembahasan Setelah proses pelatihan selesai, hasil evaluasi dari seluruh model yang telah dilatih dibandingkan secara komprehensif.
Selanjutnya, model-model tersebut digunakan untuk melakukan klasifikasi pada data uji yang berjumlah 157 citra.
Berdasarkan hasil evaluasi, model MobileNet menunjukkan kinerja terbaik dibandingkan model lainnya, dengan nilai akurasi rata-rata sebesar 0,89, presisi sebesar 0,90, recall sebesar 0,89, serta skor F1 sebesar 0,89.
Rangkuman hasil pengujian setiap model disajikan pada Tabel 3.
Secara umum, arsitektur MobileNet dan MobileNetV2 menunjukkan kinerja yang lebih unggul dibandingkan Xception dan InceptionV3 dalam tugas klasifikasi citra Keunggulan tersebut terutama disebabkan oleh penggunaan depthwise separable convolution pada MobileNet, yang lebih efisien dalam mengekstraksi fitur spasial penting pada citra USG yang memiliki pola tekstur kompleks dan banyak noise.
Pendekatan ini memungkinkan model untuk menangkap korelasi antar fitur secara lebih efektif, sehingga berkontribusi terhadap peningkatan akurasi klasifikasi.
Tabel 3.
Hasil Akurasi Model InceptionV3 MobileNetV2 MobileNet Xception Class Rec.
Prec Acc.
Sebaliknya.
Xception dan InceptionV3 mengadopsi struktur blok yang lebih dalam dan kompleks, yang pada kasus ini kurang optimal untuk karakteristik citra USG.
Kompleksitas arsitektur tersebut https://doi.
org/10.
32528/justindo.
JUSTINDO (Jurnal Sistem dan Teknologi Informasi Indonesi.
Vol.
No.
Februari 2026 berpotensi menyebabkan kesulitan dalam memodelkan hubungan antar piksel yang bersifat nonlinier dan tidak teratur, sehingga performa klasifikasi menjadi kurang maksimal.
Gambar 6 menampilkan matriks konfusi hasil pengujian model MobileNet terhadap 157 data uji pada dataset citra USG yang digunakan dalam penelitian ini.
Gambar 6.
Confusion Matrix: MobileNet Sementara itu.
MobileNetV2 menempati peringkat kedua dalam kinerja klasifikasi.
Hal ini diduga disebabkan oleh struktur blok pada MobileNetV2 yang lebih kompleks, sehingga kurang optimal dalam proses pembelajaran pada karakteristik dataset yang digunakan dalam penelitian ini dan berpotensi menghambat kinerja pelatihan model.
Kesimpulan Penelitian ini mengembangkan sistem klasifikasi citra ultrasonografi (USG) menggunakan metode Convolutional Neural Network (CNN) berbasis transfer learning dengan arsitektur MobileNet.
MobileNetV2.
Xception, dan InceptionV3.
Dataset yang digunakan diklasifikasikan ke dalam tiga kelas, yaitu kanker jinak, kanker ganas, dan jaringan normal.
Proses ekstraksi fitur dilakukan melalui operasi konvolusi yang mampu menangkap keterkaitan antar piksel pada citra USG.
Hasil pengujian menunjukkan bahwa model transfer learning MobileNet.
MobileNetV2.
Xception, dan InceptionV3 masing-masing menghasilkan skor F1 sebesar 89%, 82%, 79%, dan 74%.
Di antara seluruh arsitektur yang diuji.
MobileNet menunjukkan kinerja terbaik dengan rata-rata akurasi sebesar 89%, presisi sebesar 90%, recall sebesar 89%, serta skor F1 sebesar 89%.
Berdasarkan hasil penelitian ini, disarankan untuk menambah jumlah dataset citra USG agar kemampuan generalisasi model dapat ditingkatkan dan performa klasifikasi menjadi lebih optimal.
Selain itu, eksplorasi penggunaan arsitektur CNN terlatih lainnya maupun pengembangan strategi optimasi
lanjutan juga perlu dilakukan untuk meningkatkan akurasi klasifikasi citra USG payudara di masa Daftar Pustaka