KLASIFIKASI KANKER PARU-PARU MENGGUNAKAN DEEP LEARNING DENGAN ARSITEKTUR DENSENET PADA DATASET IQ-QTH/NCCD

Nindi , Restu Pembayun (2025) KLASIFIKASI KANKER PARU-PARU MENGGUNAKAN DEEP LEARNING DENGAN ARSITEKTUR DENSENET PADA DATASET IQ-QTH/NCCD. FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM, UNIVERSITAS LAMPUNG.

[img]
Preview
 Text
1. ABSTRAK - ABSTRACT -Nindi Restu Pembayun.pdf
Download (217kB) | Preview
[img] Text
2. SKRIPSI FULL - Nindi Restu Pembayun.pdf
Restricted to Repository staff only
Download (3MB) | Request a copy
[img]
Preview
 Text
3. SKRIPSI TANPA BAB PEMBAHASAN - Nindi Restu Pembayun.pdf
Download (2MB) | Preview

Abstract

Kanker paru-paru merupakan salah satu jenis kanker dengan tingkat kematian tinggi dan sering terdeteksi pada stadium lanjut. Penelitian ini bertujuan untuk mengklasifikasikan citra CT scan paru-paru dari dataset IQ-QTH/NCCD ke dalam tiga kelas yaitu normal, benign, dan malignant menggunakan arsitektur Deep Learning DenseNet (121, 169, dan 201). Proses klasifikasi citra dilakukan dengan tahapan preprocessing seperti normalisasi piksel, perubahan ukuran citra, one-hot encoding, serta augmentasi pada data training untuk meningkatkan kemampuan generalisasi model. Model dilatih menggunakan pendekatan transfer learning dengan optimizer SGD, fungsi loss Categorical Crossentropy, dan Early Stopping untuk mencegah overfitting. Hasil evaluasi menunjukkan bahwa ketiga varian DenseNet mampu mencapai akurasi di atas 90%, dengan DenseNet-201 menghasilkan performa terbaik berdasarkan nilai macro F1-score sebesar 0,81 dan AUC hingga 1,00. Meskipun demikian, kesalahan klasifikasi masih sering terjadi pada kelas benign akibat kemiripan visual dengan kelas normal. Kata Kunci : Kanker Paru-Paru, Deep Learning, DenseNet, Klasifikasi Citra, IQ- QTH/NCCD. Lung cancer is one of the deadliest types of cancer and is often diagnosed at an advanced stage. This study aims to classify lung CT scan images from the IQ-QTH/NCCD dataset into three categories normal, benign, and malignant using the DenseNet deep learning architecture (121, 169, and 201). The image classification process involves several preprocessing steps, including pixel normalization, image resizing, one-hot encoding, and data augmentation on the training set to improve model generalization. The models were trained using a transfer learning approach with the SGD optimizer, Categorical Crossentropy loss function, and Early Stopping to prevent overfitting. Evaluation results show that all DenseNet variants achieved over 90% accuracy, with DenseNet-201 delivering the best performance based on a macro F1-score of 0.81 and AUC up to 1.00. However, misclassification still frequently occurred in the benign class due to visual similarity with the normal class. Keyword: Lung Cancer, Deep Learning, DenseNet, Image Classification, IQ- QTH/NCCD.

Item Type: Other
Subjects: UNSPECIFIED
?? 500 ??
Divisions: Fakultas MIPA > Prodi Ilmu Komputer
Depositing User: . . Yulianti
Date Deposited: 11 Nov 2025 07:50
Last Modified: 11 Nov 2025 07:50
URI: http://digilib.unila.ac.id/id/eprint/92995

Actions (login required)

View Item View Item