Electronic Theses and Dissertation

Melanoma adalah jenis kanker yang berasal dari melanosit, dimulai ketika pertumbuhan melanosit yang tidak terkendali membentuk tumor ganas. meskipun jarang, melanoma sangat mematikan, menyebabkan 75% kematian akibat kanker kulit, meskipun hanya menyumbang 4% dari kasus kanker kulit. melihat fenomena tersebut, dibutuhkan pendekatan otomatis untuk mengklasifikasikan penyakit ini. dalam klasifikasi melanoma, rambut dapat mengganggu analisis gambar karena dapat menghalangi detail dan bentuk area kulit yang perlu diidentifikasi. oleh karena itu, dibutuhkan suatu skema pre-processing untuk menghilangkan rambut ini dengan metode skin hair removal. metode ini menggunakan fitur morfologi untuk mengenali kontur rambut, menghilangkan detail rambut, lalu memulihkan detail yang hilang dengan teknik inpainting. hasil akhir proses skin hair removal biasanya mengurangi kualitas citra dan membuatnya sedikit lebih buram. oleh karena itu, penelitian ini juga mengusulkan pre-processing clahe (contrast limited adaptive histogram equalization) untuk meningkatkan ketajaman detail citra. setelah penelitian dilakukan, hasil pengujian menunjukkan bahwa model yang dikembangkan mampu membedakan kelas kulit normal dan melanoma dengan baik, di mana akurasi citra setelah pre-processing lebih unggul dibandingkan dengan citra asli. pengujian dilihat dari nilai akurasi, precision, recall, specificity, dan f-score. pada citra asli, akurasi untuk arsitektur resnet-34 sebesar 94% dan efficientnet-b0 sebesar 98,6% sementara itu, pada citra clahe, akurasi yang diperoleh lebih tinggi, yaitu untuk arsitektur resnet-34 sebesar 100% dan efficientnet-b0 sebesar 100%.

Melanoma is a type of cancer that originates from melanocytes, which begins when melanocytes grow uncontrollably and form malignant tumors. Although rare, melanoma is highly lethal, causing 75% of deaths from skin cancer, despite accounting for only 4% of skin cancer cases. Therefore, an automated approach is needed to classify this disease. In melanoma classification, hair on the skin can interfere with image analysis by obstructing the details and shapes of the skin areas that need to be identified. To address this issue, a preprocessing scheme using the skin hair removal method is employed, which utilizes morphological features to recognize and remove hair contours, then restore the lost details with inpainting techniques. However, this process typically reduces the image quality and makes it slightly blurry. Therefore, this study also proposes the use of CLAHE (Contrast Limited Adaptive Histogram Equalization) preprocessing to enhance the sharpness of image details. The test results show that the developed model can effectively distinguish between normal skin and melanoma. The accuracy of the images after preprocessing is higher compared to the original images. The testing was evaluated based on accuracy, precision, recall, specificity, and F-score. For the original images, the accuracy for the ResNet-34 architecture is 94% and for EfficientNet-B0 it is 98.6%. Meanwhile, for the images with CLAHE preprocessing, the accuracy for both ResNet-34 and EfficientNet-B0 architectures reached 100%.