Klasifikasi Kanker Paru-Paru Menggunakan Histogram Equalization dan Arsitektur MobileNetV2
Keywords:
Kanker paru-paru, MobileNetV2, Histogram Equalization, Citra MedisAbstract
Kanker paru-paru merupakan salah satu penyakit dengan tingkat mortalitas tertinggi di dunia, dan deteksi dini menjadi faktor penting dalam meningkatkan peluang keberhasilan terapi. Seiring dengan perkembangan teknologi, pemanfaatan citra medis seperti CT-Scan paru-paru semakin luas digunakan sebagai alat bantu diagnosis untuk mengidentifikasi adanya kelainan atau indikasi kanker pada jaringan paru. Penelitian ini bertujuan untuk melakukan tuning terhadap model pretrained MobileNetV2 dan menerapkan proses enhancement citra untuk meningkatkan performa model dalam klasifikasi kanker paru-paru. Proses enhancement dilakukan menggunakan metode Histogram Equalization yang berfungsi memperbaiki kualitas citra melalui peningkatan kontras, sehingga fitur-fitur penting pada citra CT-Scan dapat lebih mudah dikenali oleh model. Hasil eksperimen menunjukkan bahwa model yang telah dituning mampu mencapai tingkat akurasi sebesar 96.58% dengan nilai loss yang relatif kecil, yakni 1.2368. Temuan ini membuktikan bahwa kombinasi antara model pretrained MobileNetV2 dan teknik enhancement citra memberikan performa yang efektif dalam tugas klasifikasi kanker paru-paru berbasis CT-Scan. Pendekatan ini diharapkan dapat menjadi dasar bagi pengembangan sistem deteksi otomatis yang lebih akurat pada penelitian selanjutnya.
Downloads
References
Abdullah, H. S., Mustafa, F. M., & Elci, A. (n.d.). Image enhancement in wavelet domain based on histogram equalization and median filter. 1–15.
Belciug, S. (2022). Learning deep neural networks ’ architectures using differential evolution . Case study : Medical imaging processing. Computers in Biology and Medicine, 146(December 2021), 105623. https://doi.org/10.1016/j.compbiomed.2022.105623
Erenson, C. (2021). The Settlement Behavior of Granular Soils Under Vertical Loading Using the Histogram Equalization Method. Journal of Engineering Research, 11(1), 111–124. https://doi.org/10.36909/jer.13147
Gulzar, Y. (2023). Fruit Image Classification Model Based on MobileNetV2 with Deep Transfer Learning Technique.
Kim, H. E., Linan, A. C., Santhanam, N., Jannesari, M., Maros, M. E., & Ganslandt, T. (2022). Transfer learning for medical image classification : a literature review. BMC Medical Imaging, 1–13. https://doi.org/10.1186/s12880-022-00793-7
Lamba, R. (2025). ScienceDirect Advances in AI for Medical Imaging : A Review of Machine and Deep Learning in Disease Detection. Procedia Computer Science, 260, 262–273. https://doi.org/10.1016/j.procs.2025.03.201
Listyalina, L., Sains, F., Elektro, P. T., Yogyakarta, U. R., Utari, E. L., Sains, F., Elektro, P. T., Yogyakarta, U. R., Puspaningtyas, D. E., Kesehatan, F. I., Gizi, P., & Yogyakarta, U. R. (2020). Penentuan penyakit paru dengan menggunakan jaringan saraf tiruan. 11(1), 233–240.
Muiz, A., Jadid, S., Ul, S., Al-selwi, S. M., Hamid, E., & Fatima, L. (2025). Results in Engineering The role of advanced machine learning in COVID-19 medical imaging : A technical review. Results in Engineering, 26(April), 105154. https://doi.org/10.1016/j.rineng.2025.105154
Pahlevi, O., Handrianto, Y., Wulandari, D. A. N., Leidiyana, H., & Rahayu, L. K. (2025). Klasifikasi Kanker Paru pada Citra CT Scan menggunakan Extreme Learning Machine dan Histogram Equalization. Jurnal Informatika Dan Rekayasa Perangkat Lunak, 7(1), 118–127.
Pinto, G., Wang, Z., Roy, A., Hong, T., & Capozzoli, A. (2022). Advances in Applied Energy Transfer learning for smart buildings : A critical review of algorithms , applications , and future perspectives. Advances in Applied Energy, 5(January), 100084. https://doi.org/10.1016/j.adapen.2022.100084
Riaz, Z., Khan, B., Abdullah, S., Khan, S., & Islam, S. (2023). Lung Tumor Image Segmentation from Computer Tomography Images Using MobileNetV2 and Transfer Learning. 1–13.
Salehi, A. W., Khan, S., Gupta, G., Alabduallah, B. I., & Almjally, A. (2023). A Study of CNN and Transfer Learning in Medical Imaging : Advantages , Challenges , Future Scope.
Sandler, M., Howard, A., Zhu, M., & Zhmoginov, A. (n.d.). MobileNetV2 : Inverted Residuals and Linear Bottlenecks. 4510–4520.
Systems, C., Rahmaniar, W., Imam, H., Fathurrahman, K., Zatu, A., & Frisky, K. (2022). Understanding of Convolutional Neural Network (CNN): A Review. 2(4), 739–748.
Wu, M., & Zhong, Q. (2024). Image enhancement algorithm combining histogram equalization and bilateral filtering. Systems and Soft Computing, 6(November), 200169. https://doi.org/10.1016/j.sasc.2024.200169
