Electronic Theses and Dissertation

Basal cell carcinoma (BCC) atau biasa dikenal sebagai karsinoma sel basal merupakan penyakit kulit non-melanoma paling umum terjadi di dunia terutama di negara dengan fenotipe kulit putih. BCC merupakan hasil interaksi antara gabungan faktor genetik dan lingkungan sekitar yang berhubungan langsung dengan paparan sinar ultraviolet (UV) dalam waktu yang lama, seperti daerah leher dan kepala. Melihat masih minimnya dampak penggunaan dari peningkatan kualitas citra (image enhancement) terhadap akurasi klasifikasi citra, penelitian ini mengusulkan untuk menggunakan metode CLAHE (Contrast Limited Adaptive Histogram Equalization) pada citra kulit untuk meningkatkan kualitas citra. Setelah dilakukan penelitian, hasil pengujian menunjukkan bahwa model yang dibangun mampu membedakan kelas kulit normal dan BCC dengan baik, dimana hasil akurasi citra CLAHE lebih unggul daripada menggunakan citra aslinya. Pengujian yang dilakukan dilihat dari nilai akurasi, presisi, recall, specificity dan F-score. Hasil pada citra asli untuk arsitektur VGG-16 sebesar 98.3%, ResNet-34 sebesar 97.5%, EfficientNet-B0 sebesar 98.2% dan EfficientNet-B7 sebesar 99.7%. Sedangkan, pada citra CLAHE nilai akurasi yang didapatkan lebih tinggi yaitu untuk arsitektur VGG-16 sebesar 100%, ResNet-34 sebesar 99.5%, EfficientNet-B0 sebesar 100% dan EfficientNet-B7 sebesar 100%.

Kata kunci : Basal Cell Carcinoma (BCC), image enhancement, CLAHE, deep learning, CNN, VGG-16, ResNet-34, EfficientNet-B0, EfficientNet-B7

Basal cell carcinoma (BCC) or commonly known as basal cell carcinoma is the most common non-melanoma skin disease in the world, especially in countries with a white skin phenotype. BCC is the result of an interaction between a combination of genetic and environmental factors that are directly related to prolonged exposure to ultraviolet (UV) rays, such as the neck and head area. Seeing the minimal impact of using image enhancement on image classification accuracy, this study proposes to use the CLAHE (Contrast Limited Adaptive Histogram Equalization) method on skin images to improve image quality. After conducting the research, the test results show that the model built is able to distinguish between normal and BCC skin classes well, where the results of the CLAHE image accuracy are superior to using the original image. The tests carried out were seen from the value of accuracy, precision, recall, specificity and F-score. The yield on the original image for the VGG-16 architecture is 98.3%, ResNet-34 is 97.5%, EfficientNet-B0 is 98.2% and EfficientNet-B7 is 99.7%. Meanwhile, in the CLAHE imagery, the accuracy values obtained are higher, namely for the VGG-16 architecture of 100%, ResNet-34 of 99.5%, EfficientNet-B0 of 100% and EfficientNet-B7 of 100%. Keyword: Basal Cell Carcinoma (BCC), image enhancement, CLAHE, deep learning, CNN, VGG-16, ResNet-34, EfficientNet-B0, EfficientNet-B7