Klasifikasi Penyakit Kanker Kulit pada Citra Dermoskopi Berdasarkan Ekstraksi Fitur Gray Level Co-occurrence Matrix Menggunakan Perbandingan Algoritma Machine Learning

Purba, Chrisman Imanuel (2025) Klasifikasi Penyakit Kanker Kulit pada Citra Dermoskopi Berdasarkan Ekstraksi Fitur Gray Level Co-occurrence Matrix Menggunakan Perbandingan Algoritma Machine Learning. S1 thesis, Universitas Jambi.

	Text Cover.pdf Download (123kB)
	Text Abstrak.pdf Download (95kB)
	Text Halaman Pengesahan.pdf Download (121kB)
	Text BAB I.pdf Download (114kB)
	Text BAB V.pdf Download (93kB)
	Text Daftar Pustaka.pdf Download (161kB)
	Text Full Text Skripsi.pdf Restricted to Repository staff only Download (2MB)

Abstract

Telah dilakukan penelitian mengenai klasifikasi penyakit kanker kulit berdasarkan citra dermoskopi dengan menerapkan metode Gray Level Co-occurrence Matrix (GLCM) sebagai teknik ekstraksi fitur tekstur, serta membandingkan kinerja empat algoritma machine learning, yaitu Support Vector Machine (SVM), K-Nearest Neighbor (K-NN), Decision Tree, dan Random Forest. Tujuan penelitian ini adalah untuk mengidentifikasi jenis kanker kulit, yaitu benign dan malignant melalui ciri tekstur pada citra. Dataset diperoleh dari platform Kaggle yang dikelola oleh International Skin Imaging Collaboration (ISIC), yang dibagi menjadi 2.637 citra untuk data latih dan 660 citra untuk data uji. Tahapan metodologi meliputi pre-processing (konversi citra ke grayscale, normalisasi, dan resizing), segmentasi, post-processing, serta ekstraksi fitur GLCM menggunakan parameter kontras, energi, entropi, dan homogenitas. Hasil evaluasi dari keempat algoritma yang diuji menunjukkan bahwa algoritma Random Forest memiliki performa terbaik dengan akurasi 92,72%, precision 94,44%, recall 92,39%, dan F1-Score 93,40%, karena kemampuannya dalam menangani variasi data secara stabil dan mengurangi overfitting. Sebaliknya, Support Vector Machine (SVM) menunjukkan performa terendah dengan akurasi 66,06%, precision 84,44%, recall 64,40%, dan F1-Score 73,07%, akibat kurang optimal dalam menangani data dengan distribusi kompleks dan kelas yang saling tumpang tindih. Berdasarkan hasil tersebut, Random Forest direkomendasikan sebagai salah satu algoritma yang paling optimal untuk mendeteksi kanker kulit berdasarkan citra dermoskopi sebagai berpotensi mendukung akurasi pengambilan keputusan medis dalam perawatan pasien lebih lanjut.

Type:	Thesis (S1)
Uncontrolled Keywords:	Dermoskopi, Ekstraksi Fitur, GLCM, Kanker Kulit, Machine Learning
Subjects:	L Education > L Education (General)
Divisions:	Fakultas Sains dan Teknologi > Fisika
Depositing User:	Purba
Date Deposited:	03 Jun 2025 01:19
Last Modified:	03 Jun 2025 01:19
URI:	https://repository.unja.ac.id/id/eprint/78983

Actions (login required)

View Item