PENGARUH PENGHILANGAN CITRA RAMBUT DIGITAL TERHADAP AKURASI KLASIFIKASI KANKER KULIT DENGAN RESNET-50

ADIPRATAMA, SATYA GHIFARI (2023) PENGARUH PENGHILANGAN CITRA RAMBUT DIGITAL TERHADAP AKURASI KLASIFIKASI KANKER KULIT DENGAN RESNET-50. Other thesis, UPN "Veteran" Yogyakarta.

	Text Abstrak.pdf Download (12kB)
	Text Cover.pdf Download (107kB)
	Text Daftar isi.pdf Download (119kB)
	Text Daftar Pustaka.pdf Download (154kB)
	Text Halaman Pengesahan pembimbing.pdf Download (536kB)
	Text Skripsi Full_Satya Ghifari A_123180051.pdf Restricted to Repository staff only Download (4MB)

Abstract

Kanker kulit merupakan kanker yang paling tersebar secara global dan kasus
kemunculannya terus naik. Salah satu jenis kanker kulit, melanoma, adalah yang paling
berbahaya karena menyumbang angka kematian akibat kanker kulit paling tinggi. Namun,
melanoma ini akan mudah disembuhkan dan tidak berujung fatal apabila berhasil
terdiagnosis dan ditangani pada tahap awal. Oleh karena itu, pendeteksi dan pengklasifikasi
kanker kulit secara otomatis yang harapannya membantu akurasi dan efisiensi deteksi sedini
mungkin, sangat dibutuhkan. Berbagai studi menunjukkan pendeteksi dan pengklasifikasi
kanker kulit secara otomatis dapat dicapai menggunakan convolutional neural network
(CNN) yang dilatih dengan data citra kanker kulit. Namun, sebagian besar dataset citra
kanker kulit yang tersedia secara publik tertutup atau terhalangi oleh rambut. Beberapa studi
berpendapat bahwa rambut yang ada pada citra ini dapat mempersulit dan mengganggu
proses klasifikasi kanker kulit.
Oleh sebab itu, pada penelitian ini dilakukan percobaan untuk melihat pengaruh
penghilangan citra rambut secara digital yang dilakukan dengan black-hat morphology dan
fast marching method terhadap akurasi klasifikasi kanker kulit melanoma dan non
melanoma menggunakan convolutional neural network (CNN) arsitektur RESNET-50.
Untuk melihat pengaruhnya terhadap akurasi, penelitian ini menjalankan dua skenario yaitu
klasifikasi kanker kulit dengan data yang tidak dihilangkan citra rambut dan dengan data
yang sudah melalui penghilangan citra rambut. Akurasi dari kedua skenario lalu
dibandingkan untuk mendapatkan hasil penelitian
Setelah 35 iterasi pelatihan terhadap CNN, penelitian ini mendapati bahwa pada
skenario dengan data yang sudah dilakukan penghilangan citra rambut memiliki akurasi
yang lebih buruk sekitar 0.02 daripada skenario dengan data tanpa dilakukan penghilangan
citra rambut. Akurasi yang lebih buruk ini disebabkan oleh proses penghilangan citra rambut
ini tidak hanya menghilangkan rambut tetapi juga menghilangkan detail penting dari lesi
yang dibuktikan dengan nilai Mean square error (MSE) yang sangat bervariatif serta jauh
dari nol dan juga nilai structural similarity index metric (SSIM) dari cukup banyak data yang
menjadi outlier atau anomali dengan jauh dibawah nilai kuartil pertama persebaran data yang
berada disekitar angka 0.9. Selain itu, penelitian ini juga mendapati bahwa terjadi overfitting,
model CNN terlalu terpaku dan berpatokan pada data training sehingga akurasi pada data
training sangat baik sekali dan gagal melakukan generalisasi pada data baru yang belum
diketahui, yang dibuktikan dengan akurasi terhadap data training mencapai 0.9 sedangkan
akurasi data validasi kesulitan menembus angka 0.7. Overfitting yang terjadi disebabkan
oleh oleh kurangnya data yang digunakan dalam penelitian ini dan juga tidak dilakukannya
pembagian data secara random antara data training dan data validasi.
Kata kunci: kanker kulit, melanoma, non-melanoma, klasifikasi, RESNET-50,
penghilangan citra rambut secara digital, black-hat morphology, fast marching method

Item Type:	Thesis (Other)
Uncontrolled Keywords:	kanker kulit, melanoma, non-melanoma, klasifikasi, RESNET-50, penghilangan citra rambut secara digital, black-hat morphology, fast marching method
Subjects:	T Technology > T Technology (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	A.Md Apriliani Kusuma Wardhani
Date Deposited:	14 Jun 2023 06:38
Last Modified:	14 Jun 2023 06:39
URI:	http://eprints.upnyk.ac.id/id/eprint/35933

Actions (login required)

View Item