Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penelitian ini bertujuan mengembangkan model prediksi kanker payudara dengan Convolutional Neural Networks (CNN) dan analisis citra medis untuk mendeteksi lesi yang bersifat jinak maupun ganas. Data yang digunakan mencakup citra mamogram dari CBIS-DDSM serta data primer dari rumah sakit. Tahap pertama melibatkan penggunaan algoritma YOLO untuk segmentasi breast tissue, guna menghapus noise latar belakang dan memastikan fokus pada area diagnostik yang relevan. Selanjutnya, diterapkan teknik Contrast Limited Adaptive Histogram Equalization (CLAHE) untuk meningkatkan kontras dan menonjolkan detail struktural. Ekstraksi fitur dari full mammogram dan Region of Interest (ROI) mask kemudian digabungkan dalam arsitektur CNN multi-input untuk klasifikasi biner kanker payudara. Hasil evaluasi menunjukkan bahwa meskipun model mencapai akurasi training yang tinggi (antara 95% hingga 98%), akurasi pada data validasi baru berkisar pada 56% hingga 63%, dengan nilai F1-score masing-masing 0,69 untuk kasus benign dan 0,55 untuk kasus malignant, serta AUC-ROC sebesar 0,57. Temuan ini mengindikasikan adanya tantangan overfitting dan kurang optimalnya pemisahan antara kelas benign dan malignant. Penelitian ini memberikan kontribusi penting sebagai langkah awal dalam pengembangan sistem diagnosis dini yang dapat mendukung proses pengambilan keputusan klinis.

---

This study aims to develop a breast cancer prediction model using Convolutional Neural Networks (CNN) and medical image analysis to detect both benign and malignant lesions. The data utilized includes mammogram images from CBIS-DDSM and primary data collected from a hospital. The initial stage employs the YOLO algorithm to segment breast tissue, removing background noise and ensuring focus on diagnostically relevant areas. Subsequently, Contrast Limited Adaptive Histogram Equalization (CLAHE) is applied to enhance image contrast and emphasize structural details. Feature extraction from full mammograms and Region of Interest (ROI) masks is then combined in a multi-input CNN architecture for binary breast cancer classification. Evaluation results indicate that although the model achieves high training accuracy (ranging from 95% to 98%), validation accuracy remains between 56% and 63%. The F1-scores are 0.69 for benign cases and 0.55 for malignant cases, with an AUC-ROC of 0.57. These findings highlight challenges related to overfitting and suboptimal class separability between benign and malignant categories. This research serves as an important initial step toward developing an early diagnostic support system to aid clinical decision-making. "

"Kanker payudara (KPD) merupakan salah satu penyakit yang masih banyak terjadi di negara berkembang seperti Indonesia. Di Indonesia sendiri, KPD menempati peringkat pertama terbanyak dari berbagai jenis kanker yang terjadi.  Pendeteksian kanker ini dapat dilakukan sejak dini dengan memeriksa manual apakah terdapat benjolan atau kelainan pada payudara. Jika terasa ada benjolan, maka disarankan untuk diperiksa ke dokter dengan berbagai metode, seperti mammogram, Magnetic Resonance Imaging (MRI), dan USG. Diagnosa citra ini sering terkendala karena tidak setiap rumah sakit memiliki tenaga spesialis radiologi. Maka dari itu, untuk mengatasinya diperlukan bantuan komputer untuk mendiagnosa citra tersebut yang sering disebut computer aided diagnostis (CAD). Algoritma Convolutional Neural Network didasari pada hasil pemeriksaan rutin citra x-ray payudara normal/abnormal yang cenderung menunjukkan perubahan, salah satunya tekstur (konten). Data yang digunakan pada penelitian ini diambil dari website Pilot European Image Processing Archive (PEIPA) yaitu dataset Mammographic Image Analysis Society (MIAS). Sistem dimulai dengan mengenal dan mempelajari data 3 jenis mamografi, yakni mamografi normal (sehat), mamografi benign, dan mamografi malignant. Setelah mempelajari data tersebut, sistem akan mencoba untuk mendeteksi jenis kanker payudara dari data baru yang dimasukkan. Nilai akurasi yang didapatkan adalah 100%, dengan rasio data pembelajaran sebanyak 1247 data (setelah diaugmentasi) dan data pengujian sebanyak 93 data, sehingga disimpulkan bahwa sistem ini baik. Namun nilai ini hanya untuk data MIAS, sehingga masih perlu pengembangan lebih lanjut supaya dapat diterapkan ke data-data yang lain juga.

---

Breast Cancer (BC) is one of the diseases that still occur a lot in developing countries like Indonesia. In Indonesia alone, BC is the number one most occurrence cancer. This cancer detection can be done early by manual, checking if there is any lump or abnormality in breast. If there are any lump, it is recommended to go check in hospital. There are a lot of methods like Magnetic Resonance Imaging (MRI), and Ultrasonography (USG). This image diagnostics sometimes got constrained by the lack of radiology specialist in some hospital. Therefore, to counter this problem, Computer Aided Diagnostics (CAD) help is needed to detect those images. Convolutional Neural Network algorithm is based on the result of the routine x-ray's check of breast, both normal and abnormal which tend to show some changes, which one of them is texture (content). Data used in this research came from Pilot European Image Processing Archive (PEIPA) website, Mammographic Image Analysis Society (MIAS) database. The system start by recognizing and learning 3 types of mammograph data, normal (healthy), benign and malignant. Then, system will try to detect and classify breast cancer type from the new input data. The accuracy score is 100%, with a ratio of 1247 datas for learning (after augmented) and 93 datas for testing, so it can be concluded that this system is good. But this score is achieved only for MIAS data, it still need further improvement  so it can be applied to another data."

"Uji kendali mutu pada citra mamografi dengan menggunakan fantom CDMAM merupakan langkah penting dalam memastikan kualitas proses diagnostik pada pesawat mamografi. Namun, untuk mengatasi masalah variabilitas manusia dan meningkatkan efisiensi waktu, penggunaan Convolutional Neural Network (CNN) dapat menjadi solusi yang akurat dalam menganalisis citra fantom CDMAM. Penelitian ini menerapkan arsitektur CNN Resnet50 pada total 1.392 citra fantom CDMAM dengan dan tanpa regularizer L2. Hasil prediksi CNN pada rentang diameter 0,10 hingga 0,20 mm menunjukkan tingkat prediksi dengan tingkat kesalahan relatif di bawah 32% pada prediksi satuan dan di bawah 16% pada rata-rata prediksi dari 16 citra. Dari hasil prediksi yang diperoleh, diperlukan optimasi lebih lanjut untuk mencapai akurasi prediksi yang lebih tinggi.

---

Quality control testing on mammography images using CDMAM phantoms is an important step in ensuring the quality of the diagnostic process in mammography devices. However, to overcome human variability issues and improve time efficiency, the use of Convolutional Neural Network (CNN) can be an accurate solution for analyzing CDMAM phantom images. This study applied the CNN architecture ResNet50 to a total of 1.392 CDMAM phantom images with and without L2 regularizer. The CNN prediction results for the diameter range of 0,10 to 0,20 mm showed prediction with relative error below 32% for individual predictions and below 16% for average predictions from 16 images. Based on the obtained prediction results, further optimization is needed to achieve higher prediction accuracy."

"Hadirnya beragam layanan penyintesis suara manusia di Internet memungkinkan siapa pun untuk melakukan sintesis suara manusia dengan memanfaatkan layanan ini. Di tangan yang salah, teknologi ini dapat merugikan masyarakat awam dan meningkatkan peluang keberhasilan penipuan. Maraknya layanan penyintesis suara manusia yang sudah hampir tidak dapat dibedakan oleh telinga manusia memberikan keluangan untuk menghadirkan sebuah sistem yang dapat membedakan suara manusia dengan suara manusia sintetis. Penelitian ini memanfaatkan teknologi pembelajaran mesin yang berupa Convolutional Neural Networks pada spektogram suara manusia dari himpunan data pelatihan dengan 16 suara manusia yang berisikan 4 suara pria asli, 4 suara pria sintetis, 4 suara wanita asli, dan 4 suara wanita sintetis dengan jumlah 1.008 berkas rekaman suara manusia berformat WAV yang telah dirancang dan dibuat khusus untuk penelitian ini dengan pembagian pelatihan dan validasi sebesar 80% dan 20% secara berurut. Hasil akhir dari penelitian ini memberikan sebuah model CNN dengan bobotnya yang memberikan nilai data loss sekecil 0,00022 dan sebuah sistem yang dapat melakukan deteksi keaslian suara manusia berdasarkan berkas rekaman suara manusia dan model CNN serta bobot yang diberikan.

---

The presence of human voice synthesis services on the Internet allows everyone to create synthetic human voices by leveraging these services. In the wrong hands, this technology could harm unsuspecting citizens and promote chances of scams. The abundance of human voice synthesis service that is almost indistinguishable by human ears gave presence to a system that could distinguish between real and synthetic human voices. This study leverages machine learning technology in the form of Convolutional Neural Networks on a spectrogram from a training dataset with 16 different human voices consisting 4 authentic men voices, 4 synthetic men voices, 4 authentic women voices, and 4 synthetic women voices with the total of 1,008 WAV formatted human voice recording files that was designed and made specifically for this study with the splitting ratio for training and validation set to 80% and 20% respectively. The end result of this study produces a CNN model and its weights with a data loss score of 0.00022, as well as a system that can perform authenticity detection on a human voice based on the given human voice recording file and the CNN model with its weights."

"Kopi telah menjadi komoditas ekspor non migas yang memberikan kontribusi terhadap devisa negara dalam jumlah yang tidak sedikit. Nilai ekspor kopi sendiri pada kancah internasional bergantung kepada 2 faktor utama, yaitu jenis atau varietas biji kopi dan tingkat kelayakan atau kualitas dari biji kopi. Upaya untuk mengklasifikasikan kedua faktor tersebut masih cenderung dilakukan secara manual oleh para petani kopi. Atas pertimbangan inilah, penulis hendak menggunakan metode lain, yakni penggunaan model CNN (Convolutional Neural Network) dengan basis masukan berupa citra normal (spektrum RGB) dan citra multispektral (spektrum OCN). Selain itu, penulis juga hendak membandingkan performa dari 2 arsitektur model CNN yang berbeda, yakni ResNet18 terhadap SqueezeNet. Input dari kedua arsitektur ini berupa kombinasi dari citra normal, citra multispektral, atau citra yang telah diregistrasikan (1 citra dengan 6 channel berbeda). Hasil akurasi tertinggi dicapai oleh arsitektur ResNet18 dengan input citra normal (RGB) yang memberikan akurasi sebesar 89% untuk klasifikasi varietas biji kopi hijau, serta 97% untuk klasifikasi tingkatan kualitas biji kopi. Meski demikian, arsitektur ini mampu untuk melakukan klasifikasi multi-output secara bersamaan walaupun terdapat sedikit pengurangan pada tingkat akurasi yang didapatkan.

---

Coffee has become one of the non-oil and gas export commodity, providing numerous amount of Indonesia’s foreign income. Within the international market, the export value of coffee beans rely on 2 aspects, its variety and its quality. The attempts to classify coffee beans are done manually by the farmers. Therefore, the writer attempts to design a new method, using convolutional neural networks with normal (RGB spectrum image) and multispectral images (OCN spectrum image) as its inputs. The writer also wishes to analyze and compare 2 different CNN architectures performance in this case; ResNet18 towards SqueezeNet. Considering the combination of the inputs; normal images, multispectral images, or the registered images (images with 6 different channels). The highest accuracy acquired from the ResNet18 CNN model architecture using normal images (RGB) is as following: 86% for green coffee beans varieties classification, and 96% for green coffee beans. These architectures are also capable of performing multi-class output classification despite the trade-off in accuracy gained."

"Turbiditas adalah salah satu ukuran yang sering digunakan untuk menilai kualitas air. Pengukuran turbiditas dapat dijadikan estimasi untuk mengetahui parameter fisis lain seperti zat padat tersuspensi total (TSS) atau parameter biologis seperti konsentrasi mikroorganisme. Beberapa penelitian telah mencoba menerapkan metode computer vision untuk memprediksi nilai turbiditas dari citra sebuah sampel air. Kebanyakan penelitian yang dilakukan masih menggunakan ekstraksi fitur secara manual sehingga diperlukan pengetahuan yang mencukupi terkait pengolahan citra dan pengukuran turbiditas. Pada penelitian ini dibuat sistem instrumentasi prediksi nilai turbiditas air berbasis pengolahan citra ponsel dengan ekstraksi fitur dan regresi oleh model deep convolutional neural network (DCNN). Penggunaan DCNN memungkinkan dilakukannya untuk melakukan ekstraksi fitur secara otomatis. Arsitektur DCNN yang digunakan yaitu ResNet-50 dan DenseNet-121. Efektivitas penerapan transfer learning berupa weight initialization pada DCNN juga ditinjau dalam kasus ini. Sampel yang digunakan pada penelitian ini berupa suspensi formazin dengan berbagai nilai turbiditas untuk pelatihan model dan beberapa sampel air untuk validasi model. Sampel disinari oleh LED di dalam kotak akuisisi yang dibuat untuk menampakkan fitur. Citra dari sampel diakuisisi menggunakan ponsel Samsung S20 FE dari dua sudut berbeda yaitu 0° (turbidimetry) dan 90° (nephelometry) terhadap sampel. Hasil terbaik pada penelitian ini diperoleh oleh Model ResNet-50 dengan transfer learning yang memperoleh MAE sebesar 2.44 untuk sampel formazin dan 7.31 untuk sampel air dengan citra turbidimetry. Hasil penelitian menunjukkan potensi menjanjikan penggunaan DCNN pada kasus regresi nilai turbiditas air untuk dikembangkan lebih lanjut.

---

Turbidity is a measure that is often used to assess water quality. Turbidity measurements can be used as estimates to determine other physical parameters such as total suspended solids (TSS) or biological parameters such as the concentration of microorganisms. Several studies have tried to apply computer vision methods to predict the turbidity value from images of water samples. Most of the research conducted still uses manual feature extraction, hence sufficient knowledge regarding image processing and turbidity measurements is needed. In this study, an instrumentation system for predicting water turbidity values based on mobile phone images is made. The feature extraction and regression process are done using a deep convolutional neural network (DCNN) model. The use of DCNN allows it to perform feature extraction automatically. The DCNN architecture used is ResNet-50 and DenseNet-121. The effectiveness of implementing transfer learning in the form of weight initialization on DCNN is also reviewed in this study. The samples used in this study were formazine suspensions with various turbidity values for model training and several water samples for model validation. The sample is illuminated by an LED inside an acquisition box to reveal its features. The images of the samples were acquired using a Samsung S20 FE mobile phone from two different angles, namely 0° (turbidimetry) and 90° (nephelometry) to the sample. The best results in this study were obtained by the ResNet-50 model with transfer learning applied which obtained MAE values of 2.44 for formazine samples and 7.31 for water samples using turbidimetry images. The results show the promising potential for further development of DCNN usage in the case of water turbidity values regression."

"Penyakit masih menjadi permasalahan yang serius di seluruh dunia, tidak terkecuali Indonesia. Salah satu jenis penyakit yang menjadi penyebab kematian manusia nomor satu di dunia adalah kanker, dengan kanker paru-paru yang menduduki peringkat pertama. Untuk mengetahui kondisi seseorang memiliki sel kanker atau tidak di dalam tubuhnya, diperlukan pemeriksaan seperti pemeriksaan fisik, CT-Scans dan MRI. Pemeriksaan ini digunakan oleh dokter dalam melakukan diagnosa pasien terhadap penyakit kanker. Walaupun telah dilakukan pemeriksaan secara detail, masih sering ditemukan kekeliruan atau kesalahan yang dilakukan oleh dokter dalam memberikan diagnosa. Oleh karena itu, semakin berkembangnya zaman banyak metode yang dapat digunakan dalam mengatasi permasalahan tersebut, salah satunya dengan metode Convolutional Neural Networks. Metode ini merupakan perkembangan dari metode Neural Networks dan akan digunakan dalam melakukan klasifikasi kanker paru-paru berdasarkan data citra MRI. Convolutional Neural Networks memiliki performa yang lebih baik daripada Neural Networks dalam mengklasifikasikan serta memprediksi data kanker paru-paru berdasarkan citra MRI. Hal ini dibuktikan dengan nilai akurasi yang diperoleh dari metode Convolutional Neural Networks lebih besar daripada nilai akurasi metode Neural Networks, yaitu 90% untuk Convolutional Neural Networks dan 66.7% untuk Neural Networks.

---

Disease still a serious problem throughout the world, include Indonesia. One types of diseases that is the number one cause of human death in the world is cancer, with lung cancer ranked first. To find out the condition of a person has cancer cells or not in the body, it requires examinations such as physical examination, CT-Scans and MRI. This examination is used by doctors in diagnosing patients for cancer. Although a detailed examination has been carried out, it is still often found errors was made by the doctor in provided a diagnosis. Therefore, the development of this era, many methods that can be used to overcome these problems, one of them is the Convolutional Neural Networks method. This method is a development of the Neural Networks method and will be used in classifying lung cancer based on MRI image data. Convolutional Neural Networks has better performance than Neural Networks in classifying and predicting lung cancer data based on MRI images. This is evidenced by the accuracy value obtained from the Convolutional Neural Networks method greater than the accuracy value of the Neural Networks method, which is 90% for Convolutional Neural Networks and 66.7% for Neural Networks."

"Coronavirus Disease 2019 (COVID-19) pertama kali diidentifikasi di Wuhan, Thiongkok pada akhir Desember 2019. COVID-19 disebabkan oleh coronavirus baru yaitu The Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2). Sejak 11 Maret 2020, WHO secara resmi menyatakan pandemi COVID-19. COVID-19 ini menginfeksi saluran pernapasan manusia yaitu sel epitel alveolus paru-paru yang menyebabkan pneumonia. Dengan bantuan metode dari Deep learning yaitu Convolutional Neural Network (CNN) dapat digunakan dalam mendeteksi kasus COVID-19 melalui tanda-tanda pneumonia pada data citra Chest X-ray. Deteksi dini kasus COVID-19 sangat diperlukan sebagai langkah meminimalkan penularan dan mengurangi resiko kematian pasien. Oleh karena itu, penelitian ini membangun metode CNN transfer learning model DenseNet121, MobileNet dan ResNet50 dengan pendekatan pseudo-colouring (RGB) dalam mengklasifikasi kasus COVID-19 ke dalam tiga kelas yaitu: COVID-19 pneumonia, sehat dan viral pneumonia. Pendekatan pseudo-colouring (RGB) dilakukan pada tahap praproses dengan memanipulasi warna pada data citra Chest X-ray sebagai sarana untuk membantu meningkatkan hasil akurasi, presisi dan sensitivitas. Hasil evaluasi pada terbaik terdapat pada model DenseNet121 menunjukkan peningkatan akurasi total 99%, presisi total 99% dan sensitivitas total 99%. Pada model MobileNet menunjukkan peningkatan pada akurasi total 97%, presisi total 97% dan sensitivitas total 95% dan pada model ResNet50 menunjukkan peningkatan pada akurasi total 97%, presisi total 98% dan sensitivitas total 94%.

---

Coronavirus Disease 2019 (COVID-19) was first identified in Wuhan, China at the end of December 2019. COVID-19 is caused by a new coronavirus, namely The Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2). Since March 11, 2020, WHO has officially declared a COVID-19 pandemic. This COVID-19 infects the human respiratory tract, namely the alveolar epithelial cells of the lungs which causes pneumonia. With the help of methods from Deep learning, the Convolutional Neural Network (CNN) can be used to detect cases of COVID-19 through signs of pneumonia in Chest X-ray image data. Early detection of COVID-19 cases is important to minimize transmission and reduce the risk of patient death. Therefore, this study builds the CNN transfer learning model DenseNet121, MobileNet and ResNet50 with a pseudo-coloring (RGB) approach in classifying COVID-19 cases into three classes, namely: COVID-19 pneumonia, healthy and viral pneumonia. The pseudo-coloring (RGB) approach at the preprocessing stage by manipulating the colors in the Chest X-ray image data as a means to help improve accuracy, precision and sensitivity results. The evaluation results on the DenseNet121 model showed an increase in total accuracy of 99%, total precision of 99% and total sensitivity of 99%. The MobileNet model showed an increase in total accuracy of 97% , total precision of 97% and total sensitivity of 95% and the ResNet50 model showed an increase in total accuracy of 97%, total precision of 98% and total sensitivity of 94%."

"Turbiditas merupakan salah satu indikator yang dapat digunakan untuk menilai kualitas air. Turbiditas dapat diukur menggunakan instrumen konvensional seperti turbidimeter, spektrofotometer, dan nefelometri visual. Namun, semua instrumen tersebut memiliki kekurangannya masing-masing, seperti biaya yang relatif tinggi dan kurang efisien. Pada penelitian ini diusulkan metode pengukuran yang lebih terjangkau dan efisien dengan memanfaatkan kamera ponsel, serta model regresi support vector regression dan EfficientNet-B0 berbasis convolutional neural network sebagai instrumen pengukuran. Akuisisi citra dilakukan di dua lingkungan. Lingkungan 1 didefinisikan sebagai lingkungan dengan cahaya langsung yang menyinari sampel, mengikuti prinsip turbidimetri, sedangkan lingkungan 2 didefinisikan sebagai lingkungan dengan pencahayaan yang bergantung hanya kepada cahaya sekitar dengan intensitas cahaya yang tak tentu. Citra yang telah diakuisisi oleh ponsel melalui berbagai proses prapengolahan data seperti segmentasi, augmentasi, penerapan filter Gaussian, dan ekstraksi fitur saturasi dan tekstur sebelum diteruskan ke model regresi. Dari hasil evaluasi didapatkan kesimpulan bahwa model EfficientNet-B0 lebih unggul dibandingkan dengan support vector regresssion dengan fitur saturasi, tekstur maupun gabungan. Model EfficientNet-B0 mendapatkan nilai R2 sebesar 0.992, MAE sebesar 2.474 dan MSE sebesar 10.669 untuk citra lingkungan 1, dan nilai R2 sebesar 0.97, MAE sebesar 3.333 dan MSE sebesar 29.137 untuk citra lingkungan 2.

---

Turbidity is an indicator that can be used to assess water quality. Turbidity can be measured using conventional instruments such as turbidimeter, spectrophotometer, and visual nephelometry. However, all of these instruments have their respective drawbacks, such as relatively high costs and inefficient. In this study, a more affordable and efficient measurement method is proposed by utilizing a cellphone camera, as well as a support vector regression and EfficientNet-B0 model based on convolutional neural network as a measurement instrument. Image acquisition will be carried out in two environments. Environment 1 is defined as an environment with direct light shining on the sample, following the principle of turbidimetry, while environment 2 is defined as an environment in which the illumination depends on the ambient light with an indeterminate light intensity. The image that has been acquired by the cellphone will go through various data preprocessing processes such as segmentation, augmentation, application of Gaussian filters, and extraction of saturation and texture features before being forwarded to the regression model. From the evaluation results, it can be concluded that the EfficientNet-B0 model is superior to the support vector regression with saturation, texture, or combined features. The EfficientNet-B0 model gets an R2 value of 0.992, an MAE of 2.474 and an MSE of 10,669 for environment 1 image, and an R2 value of 0.97, an MAE of 3.333 and an MSE of 29,137 for environment 2 image."

"Kanker kolorektal adalah kanker yang berkembang pada usus besar dan/atau rektum. Berdasarkan survei GLOBOCAN 2012, insidens kanker kolorektal di seluruh dunia menempati urutan ketiga dan menduduki peringkat keempat sebagai penyebab kematian. Dalam proses diagnosis kanker kolorektal, telah diterapkan pendekatan medis dengan digital rectal examination menggunakan colonoscopy untuk menilai keadaan tumor dan mobilitas tumor. Namun, seiring berkembangnya teknologi, para ilmuwan mencoba pendekatan lain untuk pendeteksian kanker kolorektal salah satunya menggunakan penggunaan artificial intelligence khususnya machine learning. Terdapat beberapa penelitian yang lalu mengenai pengaplikasian machine learning dalam kasus klasifikasi kanker kolorektal dengan berbagai model dan tingkat akurasi. Pada penelitian ini, penulis menggunakan pendekatan Convolutional Neural Network (CNN) dengan arsitektur You Only Look Once (YOLO) untuk mengklasifikasi kanker kolorektal tipe ganas dan jinak. Data yang digunakan pada penelitian ini adalah Lung and Colon Cancer Histopathological Image Dataset oleh Borkowski AA, dkk. dengan mengambil dataset kanker kolorektal yaitu 5000 kanker ganas dan 5000 kanker jinak. Model akan dibangun melalui data tersebut, yang dilatih menggunakan metode CNN dengan arsitektur YOLO. Data di split dengan perbandingan data latih dan data uji 70:30 dan 80:20. Kinerja model dievaluasi dengan nilai accuracy, recall, loss dan running time. Accuracy dan Recall yang didapatkan pada masing-masing split data sebesar 100% dengan running time 3 jam 7 menit 43 detik pada split data 70:30 dan 3 jam 30 menit 6 detik pada split data 80:20.

---

Colorectal cancer is cancer that develops in the colon and/or rectum. Based on the 2012 GLOBOCAN survey, the incidence of colorectal cancer worldwide ranks third and ranks fourth as a cause of death. In the process of diagnosing colorectal cancer, a medical approach has been applied with digital rectal examination using colonoscopy to assess the state and mobility of the tumor. However, as technology develops, scientists try other approaches to detect colorectal cancer, one of which is using artificial intelligence, especially machine learning. There have been several past studies regarding the application of machine learning in the case of colorectal cancer classification with various models and levels of accuracy. In this study, the authors used a Convolutional Neural Network (CNN) approach with You Only Look Once (YOLO) architecture to classify malignant and benign types of colorectal cancer. The data used in this study was the Lung and Colon Cancer Histopathological Image Dataset by Borkowski AA, et al. by taking the colorectal cancer dataset, namely 5000 malignant cancers and 5000 benign cancers. The model will be built using the data, which is trained using the CNN method with the YOLO architecture. The data is split with a comparison of training data and test data of 70:30 and 80:20. The performance of the model is evaluated with the values of accuracy, recall, loss and running time. Accuracy and Recall obtained in each data split is 100% with a running time of 3 hours 7 minutes 43 seconds on a 70:30 data split and 3 hours 30 minutes 6 seconds on an 80:20 data split."