Electronic Theses and Dissertation

Kanker kulit adalah salah satu tipe kanker yang memiliki persentase total kasus yang tinggi dan menjadi isu kesehatan global yang terus bertambah. Di antara berbagai tipe kanker kulit, melanoma adalah jenis yang paling agresif dan menyebabkan sebagian besar kematian akibat kanker kulit, meskipun jumlah kasusnya lebih sedikit dibandingkan kanker kulit non-melanoma. Studi ini bertujuan untuk menganalisis efektivitas pendekatan hybrid dalam pengklasifikasian citra melanoma dengan memadukan model deep learning sebagai ekstraktor fitur dan algoritma machine learning sebagai pengklasifikasi. Pendekatan yang diterapkan menggabungkan EfficientNet dan VGG16 sebagai ekstraktor fitur dengan Support Vector Machine (SVM) dan Random Forest (RF) sebagai pengklasifikasi, serta menilai dampak dari metode augmentasi data seperti MixUp, flip, rotation, dan kombinasi flip + rotation. Temuan dari eksperimen menunjukkan bahwa model hybrid yang menggunakan EfficientNet sebagai pengambil fitur dan SVM kernel RBF sebagai pengklasifikasi menghasilkan kinerja terbaik dengan akurasi mencapai 0,958 dan F1-score sebesar 0,963. Selain itu, metode augmentasi MixUp terbukti menghasilkan peningkatan kinerja yang paling signifikan dibandingkan dengan metode lainnya. Sebagai hasil dari penelitian ini, dikembangkan prototipe aplikasi mobile berbasis Android yang dapat secara langsung mengklasifikasikan citra kanker kulit menggunakan model yang sudah dilatih. Temuan penelitian ini mengindikasikan bahwa metode hybrid yang diterapkan menunjukkan kapasitas sebagai alat bantu untuk deteksi awal melanoma melalui perangkat mobile.

Skin cancer is a type of cancer with a high percentage of total cases and represents a growing global health issue. Among various types of skin cancer, melanoma is the most aggressive and accounts for the majority of skin cancer deaths, despite having fewer cases compared to non-melanoma skin cancer. This study aims to analyze the effectiveness of a hybrid approach in classifying melanoma images by combining deep learning models as feature extractors and machine learning algorithms as classifiers. The applied approach integrates EfficientNet and VGG16 as feature extractors with Support Vector Machine (SVM) and Random Forest (RF) as classifiers, while also assessing the impact of data augmentation methods such as MixUp, flip, rotation, and a flip + rotation combination. Experimental findings show that the hybrid model using EfficientNet as the feature extractor and an RBF kernel SVM as the classifier achieved the best performance, with an accuracy of 0.958 and an F1-score of 0.963. Furthermore, the MixUp augmentation method proved to deliver the most significant performance improvement compared to other methods. As a result of this research, an Android-based mobile application prototype was developed to directly classify skin cancer images using the trained model. The findings of this study indicate that the implemented hybrid method demonstrates potential as a tool for the early detection of melanoma via mobile devices.