EVALUASI KINERJA BERBAGAI METODE MACHINE LEARNING PADA KLASIFIKASI KANKER KULIT

Safiira Rahmah, Linisa (2024) EVALUASI KINERJA BERBAGAI METODE MACHINE LEARNING PADA KLASIFIKASI KANKER KULIT. FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM, UNIVERSITAS LAMPUNG.

Preview	Text Abstrak_Skripsi_Safiira Rahmah Linisa_2017051015.pdf Download (326kB) | Preview
	Text Skripsi_Full_Safiira Rahmah Linisa_2017051015.pdf Restricted to Repository staff only Download (3MB) | Request a copy
Preview	Text Skripsi_Tanpa Pembahasan_Safiira Rahmah Linisa_2017051015.pdf Download (2MB) | Preview

Abstract

Kanker kulit telah menjadi perhatian yang signifikan dan terus meningkat dalam beberapa tahun terakhir, terutama karena menipisnya lapisan ozon dan meningkatnya paparan radiasi ultraviolet yang berbahaya. Deteksi dini kanker sangat penting untuk pengobatan yang tepat waktu dan efektif, yang secara signifikan meningkatkan peluang kesembuhan. Di tengah perkembangan teknologi, penelitian ini memperkenalkan pendekatan machine learning untuk klasifikasi kanker kulit ganas dan jinak. Penelitian ini menggunakan beberapa arsitektur Convolutional Neural Network diantaranya Custom Arsitekture, Resnet50, DenseNet121 dan DenseNet169. Selain itu, menggunakan model Support Vector Machine (SVM) dengan beberapa kernel, yang menggunakan teknik ekstraksi fitur bentuk, tekstur, dan warna. Di antara model CNN, DenseNet-169, dengan optimizer SGD, mencapai akurasi rata rata tertinggi sebesar 0,8908, secara signifikan mengungguli arsitektur lainnya. Dalam SVM, kernel linear menghasilkan kinerja terbaik, dengan akurasi 0,8300. Penggunaan dataset yang seimbang dan k-vold cross validation pada model DenseNet-169 menunjukkan efektivitas yang baik dalam klasifikasi kanker kulit. Kata kunci : Machine Learning, CNN, SVM, Kanker Kulit

Item Type:	Other
Subjects:	?? 000 ?? ?? 004 ?? ?? 500 ??
Divisions:	?? Komputer ??
Depositing User:	2308186121 . Digilib
Date Deposited:	07 Jan 2025 05:42
Last Modified:	07 Jan 2025 05:42
URI:	http://digilib.unila.ac.id/id/eprint/81076

Actions (login required)

View Item