Klasifikasi Lesi Pra-Kanker Serviks Berbasis Ekstraksi Fitur Tepi

Abstract

Kanker serviks merupakan salah satu penyebab utama kematian pada wanita di seluruh dunia, dan deteksi dini lesi pra-kanker melalui citra colposcopy berperan penting dalam mencegah perkembangannya ke tahap yang lebih parah. Namun, variasi pencahayaan dan kompleksitas tekstur jaringan sering menyebabkan kesulitan dalam mengidentifikasi batas dan tingkat keparahan lesi. Penelitian ini mengusulkan penerapan ekstraksi fitur berbasis dalam mengklasifikasikan tingkat keparahan lesi pra-kanker serviks. Proses dimulai dengan penggunaan model YOLOv11 hasil penelitian sebelumnya untuk menghasilkan citra segmentasi lesi serviks, yang kemudian diolah menggunakan algoritma Canny Edge Detection untuk menonjolkan struktur tepi morfologis. Citra hasil ekstraksi tepi selanjutnya diklasifikasikan menggunakan arsitektur DenseNet121 menjadi tiga kelas, yaitukelas 0, 1, dan 2. Model terbaik diperoleh pada konfigurasi learning rate 0.0001 dan 200 epoch, dengan akurasi sebesar 60.46% dan macro F1-score 0.53. Hasil ini menunjukkan bahwa fitur berbasis tepi mampu membantu model mengenali pola morfologis pada area lesi, meskipun performa masih dipengaruhi oleh ketidakseimbangan jumlah data antar kelas dan kompleksitas pola tepi. Penelitian ini memberikan kontribusi awal terhadap pengembangan sistem Computer-Aided Diagnosis (CAD) berbasis tepi untuk mendukung klasifikasi lesi pra-kanker serviks secara lebih fokus dan interpretatif.