Electronic Theses and Dissertation

Abstrak- Diagnosis kanker kulit merupakan salah satu fokus utama dalam bidang medis, karena sifat keganasannya pertumbuhan sel melanosit yang tidak normal sehingga dapat menyebabkan kanker kulit. Salah satu jenis kanker kulit yaitu acral lentiginous melanoma yang muncul dibagian kuku sehingga tidak mudah dikenali, hal ini yang menjadi penyebab keterlambatan diagnosis serta pemeriksaan dini. Melanoma muncul di kulit akibat paparan sinar radiasi ultraviolet dan juga faktor genetik, biopsi adalah salah satu metode tradisional yang digunakan untuk mendeteksi kanker kulit yang mana bersifat invasif. Tujuan penelitian ini untuk mengembangkan model deteksi dini kanker kulit melanoma dengan data kuku menggunakan penerapan citra unsharp masking dan image enhancement. Dengan demikian data akan dibagi menjadi 2 kelas yaitu kelas sehat dan kelas kuku melanoma yang mana telah dilakukan pemrosesan gambar dengan menginput citra
tersebut pada kedua kelas menggunakan pretained model ConvNeXt Tiny dan Swin T agar dapat membandingkan efektivitas dan efisiensi serta performa antar arsitektur saraf dalam deteksi kanker kulit melanoma dengan data kuku. Pada
evaluasi pretrained model ConvNeXt Tiny pada dataset original diperoleh hasil performa training dengan accuracy 0.99, precision 1.0, recall 0.98, dan F1 score 0.99 hanya membutuhkan waktu 53 menit 42 detik dengan epoch 500 menggunakan
nilai learning rate sebesar 10-4 dengan nilai loss mencapai 0.06. Sedangkan pada model Swin T untuk dataset unsharp diperoleh hasil performa training dengan accuracy 0.99, precision 1.0, recall 0.98, dan F1 score 0.99 hanya membutuhkan
waktu 53 menit 32 detik dengan nilai loss mencapai 0.06. Maka didapat model terbaik dari perbandingan kedua arsitektur tersebut adalah Swin T dengan menggunakan dataset unsharp dari beberapa variasi saat proses training model
unggul dengan perolehan nilai accuracy sebesar 4 persen yang mana pada penelitian sebelumnya memperoleh accuracy sebesar 0.95.
Kata kunci: Kanker Kulit, Melanoma, Unsharp Masking, Image Enhancement, Swin T dan ConvNeXt Tiny

Abstract- Diagnosis of skin cancer is one of the main focuses in the medical field because of its malignancy, abnormal melanocyte cell growth can cause skin cancer. One type of skin cancer is acral lentiginous melanoma which appears on the nail so it is not easily recognized, this is the cause of delayed diagnosis and early examination. Melanoma appears on the skin due to exposure to ultraviolet radiation and also genetic factors, biopsy is one of the traditional methods used to detect skin cancer which is invasive. The purpose of this research is to develop an early detection model of melanoma skin cancer with nail data using the application of image unsharp masking and image enhancement. Thus the data will be divided into 2 classes, namely the healthy class and the melanoma nail class, which has been done image processing by inputting the image in both classes using the ConvNeXt Tiny and Swin T pretrained models in order to compare the effectiveness and efficiency and performance between neural architectures in melanoma skin cancer detection with nail data. In the valuation of the ConvNeXt Tiny pretrained model on the original dataset, the training performance results with accuracy 0.99, precision 1.0, recall 0.98, and F1 score 0.99 only took 53 minutes 42 seconds with 500 epochs using a learning rate value of 10-4 with a loss value of 0.06. While the Swin T model for unsharp datasets obtained training performance results with accuracy 0.99, precision 1.0, recall 0.98, and F1 score 0.99 only takes 53 minutes 32 seconds with a loss value of 0.06. So the best model obtained from the comparison of the two architectures is Swin T using unsharp datasets from several variations during the training process superior model with the acquisition of an accuracy value of 4 percent which in previous studies obtained an accuracy of 0.95. Keywords: Skin Cancer, Melanoma, Unsharp Masking, Image Enhancement, Swin T and ConvNeXt Tiny.