Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKAnalisis citra pap smear merupakan salah satu cara yang cukup aman, efektif, dan banyak digunakan untuk deteksi dini kanker leher rahim. Namun, analisis citra pap smear secara manual berdasarkan pengamatan mikroskopis dapat menghasilkan diagnosis yang tidak konsisten karena sebagian besar kriteria yang digunakan dalam pengamatan manual untuk membedakan sebuah sel normal atau tidak normal bersifat deskriptif dan relatif subyektif. Selain itu, pengamatan manual juga memerlukan waktu yang cukup lama dan rawan terjadi kesalahan. Beberapa penelitian terkait analisis citra pap smear secara otomatis telah dilakukan untuk menghemat waktu dan menghindari subyektifitas, diantaranya adalah segmentasi dan klasifikasi otomatis citra pap smear. Namun demikian, analisis pada citra pap smear berkualitas rendah dan citra pap smear multi-cell masih menjadi tantangan tersendiri. Untuk itu diperlukan sebuah metode yang mampu menghasilkan high level features karena high level features cenderung lebih konsisten dan tahan terhadap ganggguan yang terjadi pada citra. Pada penelitian ini, penulis mengusulkan metode Stacked Sparse Autoencoder SSAE sebagai salah satu pendekatan deep learning DL untuk memperoleh high level features dari low level features pada citra pap smear. High level fetaures yang dihasilkan oleh SSAE inilah yang nantinya menjadi fitur pembeda antar kelas. Sedangkan untuk citra multi-cell, penulis menerapkan teknik segmentasi yang menggabungkan teknik Maximally Stable Extremal Region MSER dengan Discrete Wavelet Transform DWT dan morphological operations untuk melakukan ekstraksi nukleus. Berdasarkan berbagai eksperimen yang dilakukan, hasil segmentasi pada kanal intensity dengan dimensi citra 72 72 mampu memperoleh hasil klasifikasi terbaik pada arsitektur SSAE 5184-324-162-2 yang dilatih menggunakan 10 epoch dengan nilai parameter sparsity 0.25. Dimana rata-rata nilai akurasi yang didapatkan sebesar 65,13 .

---

ABSTRACTAnalysis of pap smear image is a safe, effective and widely used method for early detection of cervical cancer. However, pap smear image analysis manually based on microscopic observation can produce an inconsistent diagnosis because most of the criteria used in the manual observation to distinguish a normal or abnormal cells are descriptive and relatively subjective. In addition, manual observation also require considerable time and error prone. Several studies concerning automatically pap smear image analysis has been done in order to save time and avoid subjectivity, such as automatic segmentation and classification of pap smear image. However, analysis of the low quality image and the multi cell image remains a challenge. Therefore, a capable method for generating high levels features is required because high level features tend to be more consistent and resistant to the disruption that occurs in the image. In this research, the authors propose Sparse Stacked Autoencoder SSAE method as an approach of deep learning DL to obtain a high level features from low level features of cytology image. High level fetaures generated by SSAE is will be the distinguishing feature between classes. As for the multi cell images, the author apply segmentation techniques that incorporate Maximally Stable Extremal Region MSER techniques with Discrete Wavelet Transform DWT and morphological operations to extract nuclei. Based on various experiment, the results of segmentation on the intensity channel with dimensions 72 72 able to obtain the best classification results on SSAE architecture 5184 324 162 2 trained using 10 epoch with sparsity parameter value 0.25. The best accuracy achieves 65.13 . "

"Kanker servik yang juga dikenal dengan istilah kanker leher rahim merupakan salah satu dari jenis kanker yang paling umum diderita oleh wanita. Kanker ini dapat disembuhkan apabila kanker ini terdeteksi pada stadium awal dan diberikan perawatan yang sesuai. Salah satu cara untuk mencegah kanker servik agar tidak memasuki stadium lebih lanjut adalah dengan melakukan Pap Smear Test. Namun untuk melakukan Pap Smear Test diperlukan tingkat akurasi yang sangat tinggi, sehingga diperlukan tenaga ahli patologi untuk melakukannya.Penelitian ini dilakukan dengan harapan dan tujuan untuk mengembangkan metode segmentasi secara otomatis yang memberikan hasil segmentasi dengan cukup baik. Metode segmentasi yang digunakan dalam penelitian ini adalah fuzzy c-means clustering. Proses pengenalan sel kanker yang dilakukan melalui beberapa tahapan proses yakni, penyeragaman intensitas keabuan, ekstraksi ciri, segmentasi daerah sel, deteksi sel tunggal, dan diakhiri dengan pengenalan kategori normal atau abnormal dari sel tersebut.Penelitian demi penelitian telah dilakukan untuk mendapatkan metode segmentasi yang optimal untuk melakukan pendeteksian sel kanker. Penelitian Titin Farida merupakan salah satu penelitian yang menerapkan metode segmentasi fuzzy cmeans clustering. Namun pada penelitian Titin Farida metode segmentasi yang digunakan masih bersifat semi-otomatis. Hal ini menyulitkan pengguna, karena pengguna harus menentukan parameter yang sesuai dengan karakteristik sel. Penelitian ini hendak melakukan modifikasi terhadap metode segmentasi ini agar dapat bekerja secara otomatis dan relatif lebih optimal."

"Indonesia menempati posisi kedua sebagai negara penghasil karet alami di dunia. Karet alami memiliki nama lain yaitu lateks. Belakangan ini produksi lateks di Indonesia menurun. Salah satu faktor penyebab menurunnya produksi lateks Indonesia adalah penyakit gugur daun. Jamur Pestalotiopsis sp. adalah salah satu jamur yang dapat menyebabkan penyakit gugur daun. Penyakit gugur daun yang disebabkan oleh jamur ini pertama kali terjadi di Indonesia pada tahun 2016 di Sumatera Utara. Penyakit tersebut menyebabkan tanaman karet menggugurkan daun sebelum waktunya sehingga menyebabkan produksi lateks berkurang. Cadangan makanan pohon karet lebih banyak dialokasikan untuk menumbuhkan kembali daun yang telah gugur dibanding untuk memproduksi lateks. Luas lahan pohon karet di Indonesia yang terinfeksi penyakit gugur daun Pestalotiopsis sp. sudah mencapai 30.328,84 hektar pada tahun 2021 menyebabkan penurunan produksi lateks hingga 30%. Pendeteksian penyakit gugur daun dapat dilakukan secara morfologi yaitu dengan pegamatan pada daun. Gejala penyakit gugur daun yang disebabkan oleh Pestalotiopsis sp. adalah munculnya bintik cokelat pada tulang daun yang lama kelamaan berkembang menjadi bintik cokelat gelap. Bintik tersebut kemudian membesar, menyebabkan daerah di sekitar daun mengalami nekrosis kemudian gugur. Kekurangan dari pendeteksian secara morfologi adalah memerlukan waktu dan tenaga yang cukup besar, serta keahlian khusus di bidang tanaman karet. Dalam penelitian ini, akan dilakukan pendeteksian penyakit gugur daun yang disebabkan oleh jamur Pestalotiopsis sp. dengan bantuan machine learning untuk mengurangi tenaga dan waktu yang diperlukan dalam mendeteksi penyakit gugur daun. Model machine learning akan menerima input data citra daun tanaman karet. Model yang digunakan dalam pendeteksian adalah k-means clustering untuk mensegmentasi data citra daun karet, convolutional autoencoder untuk melakukan fitur ekstraksi pada data citra hasil segmentasi dan suppport vector machine sebagai classifier. Dari hasil eksperimen dengan 5 kali percobaan didapat accuracy testing sebesar 62,91%, accuracy training sebesar 78,50%. Accuracy testing dan accuracy training memiliki perbedaan yang cukup signifikan menandakan model mengalami overfitting. Overfitting terjadi ketika dataset yang tersedia hanya sedikit, pada penelitian ini yaitu 257 data citra namun, model yang dilatih kompleks. Sehingga diperlukan penambahan data citra untuk menghindari overfitting dan meningkatkan accuracy dari model.

---

Indonesia occupy the second position as a natural rubber producing country in the world. Natural rubber has another name, namely latex. Recently, latex production in Indonesia has declined. One of the factors causing the decline in Indonesian latex production is leaf fall disease. The fungus Pestalotiopsis sp. is one of the fungi that can cause leaf fall disease. Leaf fall disease caused by this fungus first occurred in Indonesia in 2016 in North Sumatra. The disease causes rubber plants to drop their leaves prematurely, causing reduced latex production. Rubber tree food reserves are allocated more to regrow fallen leaves than to produce latex. The area of rubber trees in Indonesia infected with the Pestalotiopsis sp. leaf fall disease. has reached 30,328.84 hectares in 2021 causing a decline in latex production by up to 30%. Disease detection can be done morphologically by observing the leaves. Symptoms of leaf fall disease caused by Pestalotiopsis sp. is the appearance of brown spots on the veins of the leaves which over time develop into dark brown spots. These spots then enlarge, causing the area around the leaves to experience necrosis and then fall. The drawback of morphological detection is that it requires a lot of time and effort, as well as special expertise in the field of rubber plantations. In this research, we will detect leaf fall disease caused by the fungus Pestalotiopsis sp. with the help of machine learning to reduce the effort and time needed to detect leaf fall disease. The machine learning model will be using image of rubber plant leaves as input data. The model used in the detection is k-means clustering to segment rubber leaf image data, convolutional autoencoder to perform feature extraction on segmented image data and support vector machine as a classifier. From the experimental results with 5 trials obtained testing accuracy of 62.91%, training accuracy of 78.50%. Accuracy testing and accuracy training have significant differences indicating that the model is overfitting. Overfitting occurs when the available dataset is only a few, namely 257 image data but the model being trained is complex. So it is necessary to add image data to avoid overfitting and increase the accuracy of the model."

"Skripsi ini membahas mengenai pengembangan Sistem Penilaian Esai Otomatis (SIMPLE-O) untuk ujian esai berbahasa Indonesia. Sistem ini dirancang dengan menggunakan Stacked Bidirectional LSTM dan menggunakan dua jenis similarity measurement, yaitu Manhattan Distance dan Cosine Similarity, untuk mencari model dengan performa paling optimal dan selisih terbaik dari tiap jenis similarity measurement. Sistem ini menggunakan bahasa pemrograman Python, dan terdiri atas tahap preprocessing, word embedding, training menggunakan deep learning, testing, dan similarity measure untuk menghitung kemiripan antar kata pada input. Input yang digunakan pada sistem ini adalah jawaban dosen sebagai kunci jawaban dan jawaban mahasiswa. Fase training menggunakan data augmentasi dan fase testing menggunakan jawaban mahasiswa asli. Pengujian sistem ini dilakukan dengan menggunakan 7 jenis skenario. Dengan hasil selisih akhir dari model untuk fase training dan testing pada Manhattan Distance sebesar 1.871 dan 7.808, dan Cosine Similarity sebesar 2.31 dan 7.635.

---

This thesis discusses the development of an Automated Essay Scoring System (SIMPLE-O) for Indonesian-language essay exams. This system is designed using Stacked Bidirectional LSTM and uses two types of similarity measurement, which are Manhattan Distance and Cosine Similarity, to find the model with the most optimal performance and the best difference from each type of similarity measurement. The system uses Python programming language, and the system's stages consist of preprocessing, word embedding, training using deep learning, testing, and similarity measuring to calculate the similarity between words on the input. The inputs used in this system are lecturers' answers as answer keys and students' answers. The training phase uses augmented data, and the testing phase uses original student answers. To test this system uses 7 types of scenarios. The final difference results of the model for the training and testing phases are 1.871 and 7.808 on Manhattan Distance and 2.31 and 7.635 on Cosine Similarity."

"Salah satu metode pemeriksaan sitologi yang dapat mendeteksi adanya perubahan pada serviks adalah pemeriksaan pap smear. Perawat sebagai tenaga kesehatan yang memiliki pengetahuan tentang pap smear dan sebagai pemberi pelayanan kesehatan terkadang kurang menyadari pentingnya pemeriksaan pap smear. Penelitian ini benujuan untuk mengemhui hubungan antara tingkat pengetahuan perawat terhadap pap smear dengan perilaku untuk melaksanakan pap smear pada mahasiswi ekstensi dan pasca saljana FLK UI- Desain penelitian yang digunakan adalah dekskriptif korelasi dengan pendekatan cross seczional. Teknik pengambilan sampei adalah purposive sampling dengan jumlah sampel 66 orang. Instmmen yang digunakan adalah Iembar kuesioner. Pada penelitian ini Ho gagal ditolak (p value=l, a=0,05) yaitu tidak ada hubungan antara tingkat pengelahuan pemwat terhadap penlingnya pap smear dengan perilaku untuk melakukan pemeriksaan pap smear. Penelitian ini direkomendasikan terutama kepada pemwat perempuan untuk lebih menjaga dan memperhatikan kesehatan diri."

"This dissertation describes the synergy use of remote sensing data from multi-temporal and multi sensor (optical and radar) for improving our understanding of the land-cover structural phenomena. A tropical country like Indonesia has a high cloud coverage throughout the year with a maximum during the rainy season, and hence the availability of cloud-free optical images is minimal. To solve this problem, radar images have been intensively introduced. The radar images are cloud-free but their use is hampered due to their speckle noise and topographic distortions, and the lack of a suitable radar image classification system. In many cases, the use of optical or radar image alone is not sufficient. Therefore, the main objectives of this research are: (i) to develop a framework for multi date and multi sensor (optical and radar) image classification; (ii) to solve the cloud cover problem in optical images; and (iii) to obtain a more consistent image classification using multi date and multi sensor images. We have proposed a framework for multi date and multi sensor image classification based on a uniform image classification scheme. The term uniform means that the same procedure can be used to classify optical or radar images, low-level mosaic or fused images, single or multiple feature images. To be able to conduct a multi temporal and multi sensor analysis, we have unified the optical and radar image classification procedure after finding that both optical and radar images consist of homogeneous and textured regions. A region is considered as homogeneous if the local variance of gray level distribution is relatively low, and a region is considered as textured if the local variance is high. We used a multivariate Gaussian distribution to model the homogeneous part and a multinomial distribution to model the gray level co-occurrences of the textured part, and applied a multiple classifier system to improve the classification accuracy. The main advantages of the uniform classification scheme are as follow. First, we can tune the homogeneous-textured threshold value parameter in order to obtain an optimal result by allowing the classifier working as a single (conventional) or multiple classifier system. The classifier can have a better or at least the same classification accuracy as the conventional one. Second, we can use either single-band or multi-band input images. This will make it possible to classify a. radar image based on multi-model texture feature images or to classify multi spectral optical images. Third, we can use the same procedure to classify any input images. Compared to the conventional classifiers, the multiple classifier system can improve the classification result from 0% to 20% for radar images and from 0% to 2% for optical images. The proposed framework incorporates the image mosaicking and data fusion at the low-level stage (before the classification process) as well as at the high-level stage (after the classification process). For cloud cover removal, the image mosaicking at the low-level stage is usually done using multi temporal optical images, whereas mosaicking at the high-level stage is applied to the classified optical and radar images. To be able to obtain a cloud-free image, we have modified the existing Soofi and Smith algorithm which is using multi temporal optical images to an algorithm using multi sensor images. In the high-level data fusion, we have also been able to incorporate a mechanism for cloud cover removal by omitting the information from the optical sensor and using only the information from the radar sensor. According to a case study in our experiment, the cloud cover removal and image classification using the low-level image mosaicking, the high-level image mosaicking, and the high-level data fusion gave 80.2%, 76.2%, and 80.5% classification accuracy, respectively. The high-level data fusion combines the decisions from several input images to obtain a consensus of classified image. We have applied both the maximum joint posterior probability and the highest rank method for the decision combination functions. We have utilized two existing data fusion methods and have proposed an alternative data fusion method based on the compound conditional risk. According to the experimental results, the decision combination function based on the maximum joint posterior probability favors the optical feature image, while the highest rank method favors the radar feature image. The preference of using the maximum joint posterior probability results in the domination of optical features in the fusion result, and the classification accuracy of the fused image can be better 8.5% in average than the individual radar classified image."

"Perkembangan teknologi pemrosesan citra digital berjalan dengan pesat seiring dengan banyaknya pemanfaatan teknologi tersebut di berbagai bidang kehidupan manusia. Bidang kehidupan manusia yang memanfaatkan teknologi pemrosesan citra digital antara lain adalah: interasi kumputer-manusia, kesehatan, keamanan dan keselamatan, transportasi, robotika. Salah satu penerapan teknologi pemrosesan citra digital adalah pengenalan ekspresi wajah atau Facial Expression Recognition (FER). Wajah manusia dapat menampilkan berbagai macam ekspresi yang berbeda seperti ekspresi senang, sedih, marah, takut, terkejut, jijik dan sebagainya. Perbedaan ekspresi wajah ini menjadi tantangan bagi komputer untuk dapat mengenali dan membedakannya secara akurat. Salah satu teknologi yang digunakan pada aplikasi FER adalah CNN (Convolutional Neural Networks). Penelitian ini menggunakan model CNN AlexNet yang telah dilakukan perbaikan parameter (fine-tuning) untuk diaplikasikan pada pengenalan ekspresi wajah pada citra digital. Fine-Tuning yang dilakukan adalah dengan mengubah beberapa parameter dari model AlexNet. Parameter yang diubah antara lain: normalisasi input (dari normalisasi cross channel menjadi normalisasi batch), fungsi aktivasi dari ReLU (Rectified Linear Unit) menjadi Leaky ReLU, nilai dua buah dropout yang masing-masing bernilai 50% diubah menjadi 30% dan 20%. Program pengenalan ekspresi wajah yang dibuat kemudian diaplikasikan tearhadap dua buah dataset FER yaitu dataset CK+ (Extended Cohn-Kanade) dan KDEF (The Karolinska Directed Emotional Faces). Tahapan pre-processing yang dilakukan adalah mengubah tingkat kekontrasan citra dataset menggunakan metode CLAHE (Contrast Limited Adaptive Histogram Equalization). Hasil pengujian menunjukkan bahwa metode yang menggunaan prosedur CLAHE serta model fine-tuning AlexNet miliki kinerja yang lebih baik dari pada model AlexNet standard. Penggunaan metode ini pada dataset CK+ meningkatkan akurasi rata-rata sebesar 19,01% dan ketika metode ini digunakan pada dataset KDEF mampu meningkatkan akurasi rata-rata sebesar 14,82% dibandingkan pada saat menggunakan model konvensional AlexNet serta tidak melakukan prosedur CLAHE pada citra dataset. Dari hasil pengujian juga diketahui prosedur CLAHE dan fine-tuning AlexNet mampu melakukan klasifikasi ekspresi wajah secara akurat pada citra yang diuji. Sedangkan model konvensional AlexNet dalam beberapa percobaan gagal mengklasifikasikan ekspresi wajah secara tepat pada citra yang diuji.

---

The development of digital image processing technology is progressing rapidly along with the many uses of this technology in various fields of human life. Fields of human life that utilize digital image processing technology include robotics, human-computer interaction, healthcare, security and safety, and transportation. One application of digital image processing technology is facial expression recognition (FER). The human face can display a variety of different expressions such as expressions of happiness, sadness, anger, fear, surprise, disgust, and so on. There is a challenge for the computer to recognize the difference in facial expressions. One of the technologies used in facial expression recognition applications in digital images is artificial intelligence technology especially CNN (Convolutional Neural Networks). In this study, AlexNet, a CNN model was fine-tuned and combined with CLAHE (Contrast Limited Adaptive Histogram Equalization) procedure toward images dataset for facial expression recognition applications. Fine-Tuning AlexNet model were made by changing some of AlexNet's standard parameters. These parameters include: input initialization (from local normalization to batch normalization), activation function (from ReLU to Leaky ReLU), and dropout value changed from 50%; 50% to 30% and 20%. The facial expression recognition program created was then implemented in two FER (Facial Expression Recognition) datasets, namely CK+ and KDEF. After testing, the results showed that the CLAHE and Fine-Tuning AlexNet model had better performance than the basic AlexNet model. When applying the CK+ dataset that had CLAHE procedure with the Fine-Tuning AlexNet model increases the average of accuracy up to 19,01%, when applying to the KDEF dataset, this method increases accuracy up to 14,82%. From the test results it is known that the CLAHE and the Fine-Tuning AlexNet model model gives better results than the original AlexNet model. Fine-Tuning of the AlexNet model is able to give accurate classification of facial expressions in the tested images. While the original AlexNet model in several experiments failed to accurately clasify facial expressions in the tested images."

"Dalam konteks estimasi usia gigisebagai metode non-invasif untuk determinasi usia kronologis pasien, teknik orthopantomography (OPG) telah luas diaplikasikan meski menghadapi kendala seperti biaya tinggi dan eksposur radiasi. Merespons limitasi pendekatan konvensional, paradigma machine learning dan deep learning kini dioptimalkan untuk mengidentifikasi pola intrinsik pada data pencitraan medis kompleks. Penelitian ini bertujuan mengembangkan algoritma YOLOv8 untuk meningkatkan akurasi estimasi usia gigi, menggunakan dataset dari RSGMP Universitas Airlangga dengan subjek pediatrik 5—15 tahun. Dataset dimodifikasi menjadi tiga variasi: tanpa augmentasi, augmentasi tiga kali per sampel, dan augmentasi lima kali per sampel. Hasil optimal dicapai oleh variasi ketiga dengan augmentasi lima kali per sampel, mendemonstrasikan akurasi 60% dan F1-Score 61,05%, mengindikasikan potensi signifikan teknik augmentasi data dalam meningkatkan kinerja algoritma deep learning untuk estimasi usia gigi.

---

In the context of dental age estimation as a non-invasive method for determining patients' chronological age, orthopantomography (OPG) techniques have been widely applied despite facing challenges such as high costs and radiation exposure. Responding to the limitations of conventional approaches, machine learning and deep learning paradigms are now being optimized to identify intrinsic patterns in complex medical imaging data. This research aims to develop the YOLOv8 algorithm to improve the accuracy of dental age estimation, using a dataset from the Dental and Oral Hospital of Airlangga University with pediatric subjects aged 5-15 years. The dataset was modified into three variations: without augmentation, triplet augmentation, and quintuplet augmentation per sample. Optimal results were achieved by the third variation with quintuplet augmentation, demonstrating 60% accuracy and 61.05% F1-Score, indicating significant potential for data augmentation techniques in enhancing the performance of deep learning algorithms for dental age estimation."

"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."