ANALISIS PENGARUH AUGMENTASI DATA BERBASIS DEEP CONVOLUTIONAL GENERATIVE ADVERSARIAL NETWORK TERHADAP PERFORMA DETEKSI MELANOMA MENGGUNAKAN CNN

Satyagraha Halim Widiatmojo, . and Ahmad Taufiq Akbar S.Si., M.Cs, . (2026) ANALISIS PENGARUH AUGMENTASI DATA BERBASIS DEEP CONVOLUTIONAL GENERATIVE ADVERSARIAL NETWORK TERHADAP PERFORMA DETEKSI MELANOMA MENGGUNAKAN CNN. Tugas Akhir thesis, Universitas Pembangunan Nasional Veteran Yogyakarta.

	Text Cover_123220135.pdf Download (149kB)
	Text Abstrak_123220135.pdf Download (180kB)
	Text Halaman Pengesahan_123220135.pdf Download (259kB)
	Text Daftar Isi_123220135.pdf Download (238kB)
	Text Daftar Pustaka_123220135.pdf Download (201kB)
	Text Fulltext_123220135.pdf Restricted to Repository staff only Download (3MB)

Abstract

Melanoma merupakan salah satu jenis kanker kulit yang paling mematikan, sehingga
deteksi dini melalui analisis citra medis menjadi sangat krusial. Namun, pengembangan
sistem deteksi menggunakan Convolutional Neural Network (CNN) seringkali terkendala
oleh masalah ketimpangan data (imbalanced dataset), di mana jumlah sampel melanoma
jauh lebih sedikit dibandingkan non-melanoma, yang memicu munculnya fenomena false
accuracy. Penelitian ini bertujuan untuk menganalisis pengaruh penggunaan augmentasi
data berbasis Deep Convolutional Generative Adversarial Network (DCGAN) terhadap
performa klasifikasi melanoma. Metodologi penelitian melibatkan perbandingan dua
arsitektur CNN, yaitu ResNet50 dan VGG16, yang diuji melalui tiga skenario: baseline (data
asli), augmentasi konvensional, dan augmentasi sintetis DCGAN. Hasil pengujian
menunjukkan bahwa pada skenario baseline, model mengalami bias pada kelas mayoritas
dengan nilai recall melanoma yang sangat rendah. Implementasi DCGAN terbukti mampu
meningkatkan stabilitas pelatihan dan memperkaya variasi fitur klinis melalui citra sintetis
yang dihasilkan. Arsitektur VGG16 dengan augmentasi DCGAN merupakan model paling
optimal dalam penelitian ini, dengan pencapaian akurasi sebesar 91,2% dan tingkat presisi
melanoma mencapai 94,7%. Penelitian ini menegaskan bahwa penggunaan DCGAN sebagai
teknik augmentasi sintetis efektif dalam meningkatkan kemampuan generalisasi model CNN
dibandingkan dengan metode augmentasi tradisional.

Item Type:	Tugas Akhir (Tugas Akhir)
Additional Information:	SATYAGRAHA HALIM WIDIATMOJO (Penulis - 123220135); Ahmad Taufiq Akbar (Pembimbing)
Uncontrolled Keywords:	Melanoma, Convolutional Neural Network, Augmentasi Data, Generative Adversarial Network, Class Imbalance
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:	30 Apr 2026 07:08
Last Modified:	30 Apr 2026 07:08
URI:	http://eprints.upnyk.ac.id/id/eprint/48056

Actions (login required)

View Item