OPTIMASI KLASIFIKASI PENYAKIT KULIT PADA KELAS MINORITAS MENGGUNAKAN AUGMENTASI DATA BERBASIS AUXILIARY CLASSIFIER WASSERSTEIN GAN WITH GRADIENT PENALTY (ACWGAN-GP)

Akbar Ariffianto, . (2026) OPTIMASI KLASIFIKASI PENYAKIT KULIT PADA KELAS MINORITAS MENGGUNAKAN AUGMENTASI DATA BERBASIS AUXILIARY CLASSIFIER WASSERSTEIN GAN WITH GRADIENT PENALTY (ACWGAN-GP). Skripsi thesis, Universitas Pembangunan Nasional Veteran Yogyakarta.

	Text Cover_123220004.pdf Download (205kB)
	Text Abstrak_123220004.pdf Download (183kB)
	Text Halaman Pengesahan_123220004.pdf Download (479kB)
	Text Daftar Isi_123220004.pdf Download (263kB)
	Text Daftar Pustaka_123220004.pdf Download (219kB)
	Text Fulltext_123220004.pdf Restricted to Repository staff only Download (4MB)

Abstract

Penerapan Deep Learning, khususnya Convolutional Neural Network (CNN), telah menjadi standar emas dalam pengembangan sistem Computer-Aided Diagnosis (CAD) dermatoskopi. Namun, tantangan fundamental yang menghambat kinerja diagnostik adalah ketidakseimbangan kelas (class imbalance) ekstrem pada dataset publik seperti HAM10000. Dominasi kelas mayoritas, khususnya Melanocytic Nevi (NV), menyebabkan model bias dan gagal mengenali kelas minoritas krusial seperti Dermatofibroma dan Vascular Lesions. Upaya konvensional menggunakan augmentasi geometris kurang efektif karena hanya memanipulasi posisi piksel tanpa menghasilkan variasi fitur semantik baru. Di sisi lain, pendekatan generatif Auxiliary Classifier GAN (ACGAN) rentan terhadap mode collapse, sedangkan Wasserstein GAN with Gradient Penalty (WGAN-GP) memiliki stabilitas tinggi namun bersifat unconditional sehingga tidak dapat menyeimbangkan kelas spesifik secara terarah. Oleh karena itu, penelitian ini berfokus pada peningkatan sensitivitas model terhadap penyakit kulit langka melalui sintesis data yang stabil dan terkontrol. Penelitian ini mengusulkan arsitektur hibrida Auxiliary Classifier Wasserstein GAN with Gradient Penalty (ACWGAN-GP). Metode ini mengintegrasikan mekanisme kontrol label ACGAN dengan stabilitas WGAN-GP untuk mensintesis citra lesi kulit realistis pada kelas minoritas. Proses diawali dengan akuisisi dataset HAM10000, pra-pemrosesan (resizing, normalisasi), dan pembagian data terstratifikasi. Selanjutnya, dilakukan optimasi hyperparameter menggunakan Optuna untuk mendapatkan konfigurasi terbaik model generatif. Kualitas citra sintetis dievaluasi menggunakan metrik Fréchet Inception Distance (FID), Inception Score (IS), dan Kernel Inception Distance (KID). Data sintetis berkualitas tinggi kemudian digunakan untuk oversampling dalam pelatihan ResNet50 yang dimodifikasi dengan mekanisme Soft Attention. Pengujian dilakukan secara komparatif antara augmentasi geometris konvensional, ACGAN, dan ACWGAN-GP. Hasil menunjukkan bahwa model ACGAN mengalami kegagalan pelatihan berupa mode collapse, sedangkan metode ACWGAN-GP terbukti optimal dengan stabilitas baik serta kualitas citra unggul (FID 178.12 dan IS 2.37). Dampak augmentasi ACWGAN-GP terbukti signifikan terhadap kinerja klasifikasi ResNet50 pada kelas minoritas. Hal ini ditandai dengan lonjakan Recall pada kelas Actinic Keratoses (akiec) dari 0.25 pada baseline menjadi 0.69, serta pencapaian Recall sempurna 1.0 pada kelas Vascular Lesions (vasc). Secara keseluruhan, metode usulan berhasil meningkatkan rata-rata Recall makro sebesar 12% dibandingkan metode konvensional. Peningkatan metrik ini krusial dalam domain medis untuk menurunkan tingkat False Negative. Disimpulkan bahwa penambahan fitur semantik melalui sintesis generatif terkontrol mampu memperbaiki batasan keputusan model pada data tidak seimbang, sehingga meminimalkan risiko kesalahan diagnosis.

Kata Kunci: Deep Learning, Imbalanced Data, ACWGAN-GP, ResNet50, Klasifikasi Penyakit Kulit

Item Type:	Tugas Akhir (Skripsi)
Additional Information:	Akbar Ariffianto (Penulis - 123220004) Ahmad Taufiq Akbar (Pembimbing)
Uncontrolled Keywords:	Deep Learning, Imbalanced Data, ACWGAN-GP, ResNet50, Klasifikasi Penyakit Kulit
Subjek:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science Q Science > QA Mathematics > QA76 Computer software
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	Indah Lestari
Date Deposited:	05 Mar 2026 00:42
Last Modified:	05 Mar 2026 00:42
URI:	http://eprints.upnyk.ac.id/id/eprint/47239

Actions (login required)

View Item