KLASIFIKASI PENYAKIT KANKER KULIT MELANOMA DENGAN PENINGKATAN KUALITAS CITRA MENGGUNAKAN CLAHE DAN DEEP LEARNING | ELECTRONIC THESES AND DISSERTATION

Electronic Theses and Dissertation

Universitas Syiah Kuala

    SKRIPSI

KLASIFIKASI PENYAKIT KANKER KULIT MELANOMA DENGAN PENINGKATAN KUALITAS CITRA MENGGUNAKAN CLAHE DAN DEEP LEARNING


Pengarang

Yulia Sufani - Personal Name;

Dosen Pembimbing

Kahlil - 198512022019031006 - Dosen Pembimbing I
Al Bahri - 199109102019031014 - Dosen Pembimbing II
Ardiansyah - 197212261992011001 - Penguji
Safrizal - 198212132018031001 - Penguji
Maya Fitria - 199005012019032020 - Penguji



Nomor Pokok Mahasiswa

1904111010076

Fakultas & Prodi

Fakultas Teknik / Teknik Komputer (S1) / PDDIKTI : 56202

Subject
-
Kata Kunci
-
Penerbit

Banda Aceh : Fakultas Teknik., 2024

Bahasa

No Classification

-

Literature Searching Service

Hard copy atau foto copy dari buku ini dapat diberikan dengan syarat ketentuan berlaku, jika berminat, silahkan hubungi via telegram (Chat Services LSS)

Kanker kulit melanoma merupakan salah satu variasi dari kanker kulit yang serius. Kanker kulit melanoma merupakan sebuah permasalahan yang genting sebab kanker tersebut memiliki kapabilitas meluas ke berbagai bagian tubuh. Melihat masih sedikitnya penggunaan peningkatan kualitas citra dalam klasifikasi kanker kulit melanoma, penelitian ini mengusulkan untuk menggunakan kombinasi CLAHE dan CNN dalam mendeteksi kanker kulit. CLAHE dapat digunakan dalam meningkatkan kontras dan memperjelas detail dalam citra kulit, termasuk citra dermatoskopi yang digunakan dalam diagnosis kanker kulit. Kemudian menggunakan CNN untuk mengidentifikasi pola, struktur, dan fitur-fitur penting dalam citra dermatoskopi yang mungkin sulit untuk diinterpretasikan oleh mata manusia. Setelah dilakukan penelitian, hasil pengujian menunjukkan bahwa model yang dibangun mampu membedakan kelas kulit normal dan kelas kanker kulit melanoma dengan baik. Pada penelitian dapat dilihat bahwa hasil pengujian dengan menggunakan CLAHE sebagai pre-processing mendapatkan akurasi yang lebih unggul. Pengujian yang dilakukan dilihat dari nilai akurasi, presisi, recall, specificity, dan F-Score. Hasil didapatkan pada penelitian ini untuk citra asli dengan arsitektur VGG-16 sebesar 99.2%, ResNet-34 sebesar 98.3%, EfficientNet-B0 sebesar 98.2%, dan InceptionV3 sebesar 98.3%. Kemudian diperoleh hasil pada penelitian untuk citra CLAHE lebih tinggi yaitu VGG-16 sebesar 100%, ResNet-34 sebesar 99.5%, EfficienNet-B0 sebesar 100%, dan InceptionV3 sebesar 100%.

Kata kunci : Melanoma, CLAHE, Deep Learning, CNN, VGG-16, ResNet-34, EfficientNet-B0, InceptionV3

Melanoma skin cancer is one of the serious variations of skin cancer. It poses a significant threat due to its capability to spread to various parts of the body. Considering the limited application of image quality improvement in melanoma skin cancer classification, this research proposes using a combination of CLAHE (Contrast Limited Adaptive Histogram Equalization) and CNN (Convolutional Neural Network) for detecting skin cancer. CLAHE can enhance contrast and clarify details in skin images, including dermatoscopy images used in skin cancer diagnosis. CNN is then employed to identify patterns, structures, and important features in dermatoscopy images that may be challenging for the human eye to interpret. After conducting the research, the test results indicate that the built model can effectively distinguish between normal skin and melanoma skin cancer classes. The testing results, including accuracy, precision, recall, specificity, and F-Score, demonstrate that using CLAHE as pre-processing achieves superior accuracy. Testing results for original images with VGG-16 architecture are 99.2%, ResNet-34 is 98.3%, EfficientNet-B0 is 98.2%, and InceptionV3 is 98.3%. Furthermore, results for CLAHE images are higher, with VGG-16 at 100%, ResNet-34 at 99.5%, EfficientNet-B0 at 100%, and InceptionV3 at 100%. Keywords: Melanoma, CLAHE, Deep Learning, CNN, VGG-26, ResNet-34, EfficientNet-B0, InceptionV3.

Citation



    SERVICES DESK