KLASIFIKASI JENIS PENYAKIT KANKER KULIT BERDASARKAN FOTO KULIT MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK

Andriansyah, Febi Dwi (2024) KLASIFIKASI JENIS PENYAKIT KANKER KULIT BERDASARKAN FOTO KULIT MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK. Other thesis, UPN Veteran Yogyajarta.

	Text ABSTRAK_FEBI DWI ANDRIANSYAH_123180069.pdf Download (89kB)
	Text COVER_FEBI DWI ANDRIANSYAH_123180069.pdf Download (202kB)
	Text DAFTAR ISI_FEBI DWI ANDRIANSYAH_123180069.pdf Download (48kB)
	Text DAFTAR PUSTAKA_FEBI DWI ANDRIANSYAH_123180069.pdf Download (112kB)
	Text PENGESAHAN PEMBIMBING_FEBI DWI ANDRIANSYAH_123180069.pdf Download (520kB)
	Text PENGESAHAN PENGUJI_FEBI DWI ANDRIANSYAH_123180069.pdf Download (495kB)
	Text SKRIPSI FULLTEXT_FEBI DWI ANDRIANSYAH_123180069.pdf Restricted to Repository staff only Download (4MB)

Abstract

vii
ABSTRAK
Kanker kulit merupakan penyakit yang ditimbulkan oleh perubahan karakteristik sel
penyusun kulit dari normal menjadi ganas, yang menyebabkan sel tersebut membelah secara
tidak terkendali dan merusak DNA. Meskipun dapat terjadi pada kulit bagian manapun,
pertumbuhan sel abnormal biasanya terjadi pada area kulit yang sering terpapar sinar
matahari. Dalam tipe terbanyak, kanker kulit tergolong menjadi enam jenis yaitu actinic
keratosis, basal cell carcinoma, dermatofibroma, melanoma, seborrheic keratosis dan
vascular lesion. Karena deteksi dini manual sangat bergantung pada keterampilan pengamat,
kesalahan manusia bisa saja terjadi. Memanfaatkan kemajuan teknologi terutama dalam
bidang machine learning, permasalahan pada citra seperti pengklasifikasian terus dilakukan
pengembangan menjadi lebih dinamis untuk berbagai permasalahan, dimana untuk
membedakan suatu objek pada citra dapat dilakukan dengan bantuan komputasi mesin.
Sehingga prediksi yang dihasilkan oleh model machine learning dapat membantu seorang
ahli dalam awal mendiagnosis kemungkinan penyakit yang diderita oleh pasien.
CNN diklaim sebagai metode terbaik untuk mengatasi dalam permasalahan object
detection. Metode ini memiliki jumlah parameter yang independent sehingga dapat
dikurangi dan dapat menangani perubahan bentuk papda gambar input seperti rotasi,
translasi dan skala serta metode ini memiliki tingkat akurasi yang tinggi dibandingkan
dengan metode yang lainnya. Untuk mendapatkan model CNN yang optimal dibutuhkan
pengujian kombinasi hyperparameter dan pemilihan algoritma optimasi yang tepat sehingga
menghasilkan model yang optimal dan tingkat akurasi yang tinggi. Maka dari itu, dilakukan
16 skenario kombinasi hyperparameter dan algoritma optimasi untuk mendapatkan akurasi
yang tinggi.
Pada penelitian ini dilakukan pengujian dengan confusion matrix dengan jumlah
data sebanyak 1.410 data training, 470 data validation dan 470 data testing. Dari hasil
pengujian tersebut didapatkan kombinasi hyperparameter parameter yang paling baik yaitu
algorima optimasi jenis ADAM, jumlah convolution layer sebanyak 3, batch size sebesar 64
dan jumlah epoch sebanyak 100 epochs yang menghasilkan tingkat akurasi sebesar 93,40%.
Hal ini menunjukan bahwa penerapan hyperparameter dapat menghasilkan akurasi yang
baik.
Kata kunci : Kanker, Kulit, CNN, Hyperparameter, Klasifikasi
viii
ABSTRACT
Skin cancer is a disease caused by a change in the characteristics of the cells that
make up the skin from normal to malignant, which causes the cells to divide uncontrollably
and damage DNA. Although it can occur on any part of the skin, abnormal cell growth
usually occurs in areas of the skin that are often exposed to sunlight. In terms of the most
common types, skin cancer is classified into six types, namely actinic keratosis, basal cell
carcinoma, dermatofibroma, melanoma, seborrheic keratosis and vascular lesions. Because
manual early detection relies heavily on the skill of the observer, human error may occur.
Taking advantage of technological advances, especially in the field of machine learning,
image problems such as classification continue to be developed to become more dynamic
for various problems, where distinguishing an object in an image can be done with the help
of machine computing. So the predictions produced by the machine learning model can help
an expert in initially diagnosing possible diseases suffered by the patient.
CNN is claimed to be the best method to solve object detection problems. This method
has a number of independent parameters so that it can be reduced and can handle changes
in the shape of the input image such as rotation, translation and scale and this method has
a high level of accuracy compared to other methods. To obtain an optimal CNN model,
testing a combination of hyperparameters and selecting the right optimization algorithm is
required to produce an optimal model and a high level of accuracy. Therefore, 16 scenarios
combining hyperparameters and optimization algorithms were carried out to obtain high
accuracy.
In this research, testing was carried out using a confusion matrix with a total of 1,410
training data, 470 validation data and 470 testing data. From the test results, the best
combination of hyperparameters was obtained, namely the ADAM type optimization
algorithm, the number of convolution layers was 3, the batch size was 64 and the number of
epochs was 100 epochs which resulted in an accuracy level of 93.40%. This shows that the
application of hyperparameters can produce good accuracy.
Keywords : Cancer, Lesion, CNN, Hyperparameter, Classification

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Cancer, Lesion, CNN, Hyperparameter, Classification
Subjects:	Z Bibliography. Library Science. Information Resources > ZA Information resources
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eko Yuli
Date Deposited:	26 Jan 2024 02:13
Last Modified:	26 Jan 2024 02:13
URI:	http://eprints.upnyk.ac.id/id/eprint/38760

Actions (login required)

View Item