ANALISIS PENGARUH GAMMA CORRECTION DAN ALGORITMA SHADES OF GRAY PADA CITRA KULIT UNTUK DETEKSI MELANOMA MENGGUNAKAN METODE CNN

Putra, Hafizh Dzakwan (2026) ANALISIS PENGARUH GAMMA CORRECTION DAN ALGORITMA SHADES OF GRAY PADA CITRA KULIT UNTUK DETEKSI MELANOMA MENGGUNAKAN METODE CNN. S1 thesis, Universitas Andalas.

	Text (01. Cover & Abstrak) 01. Cover & Abstrak.pdf - Published Version Download (299kB)
	Text (02. BAB I) 02. BAB I.pdf - Published Version Download (274kB)
	Text (03. BAB V) 03. BAB V.pdf - Published Version Download (543kB)
	Text (04. Daftar Pustaka) 04. Daftar Pustaka.pdf - Published Version Download (251kB)
	Text (05. Skripsi Fulltext) 05. Skripsi Fulltext.pdf - Published Version Restricted to Repository staff only Download (10MB) | Request a copy

Abstract

Abstrak Melanoma merupakan jenis kanker kulit yang paling mematikan, dengan tingkat kelangsungan hidup yang menurun secara signifikan apabila deteksi dilakukan secara terlambat. Oleh karena itu, deteksi dini melalui citra dermoskopi menjadi hal yang sangat penting. Namun, variasi warna antar kamera dan kondisi pencahayaan pada citra dermoskopi dari berbagai sumber dapat menimbulkan color bias yang berperan sebagai noise dan berpotensi menurunkan kinerja model klasifikasi berbasis Convolutional Neural Network (CNN). Penelitian ini bertujuan untuk membangun sistem klasifikasi melanoma berbasis CNN dengan menerapkan tahapan preprocessing citra secara terstruktur, yang meliputi Gamma Correction, normalisasi warna Shades of Gray (SoG), Median Filtering, segmentasi Otsu Thresholding, dan Canny Edge Detection, serta menganalisis pengaruh Gamma Correction dan SoG terhadap kinerja model. Model klasifikasi menggunakan arsitektur ResNet50 berbasis transfer learning dan dievaluasi melalui dua skema, yaitu pembagian data 90:10 dan 5-Fold Cross Validation, menggunakan dataset citra dermoskopi dari Kaggle sebanyak 2.000 citra dengan distribusi seimbang antara kelas melanoma dan benign. Hasil pengujian menunjukkan bahwa penerapan Gamma Correction dan SoG mampu meningkatkan kualitas citra dengan nilai PSNR sebesar 42–45 dB dan SSIM di atas 0,997 tanpa merusak struktur asli citra. Skenario Gamma-SoG with Segmentation menghasilkan kinerja terbaik secara konsisten. Model ensemble hasil 5-Fold Cross Validation mencapai akurasi 99%, sensitivitas 100%, spesifisitas 98%, presisi 98,04%, dan F1-Score 99,01%, lebih tinggi dibandingkan skema pembagian data 90:10 yang menghasilkan akurasi 97%. Hasil penelitian menunjukkan bahwa penerapan preprocessing citra secara terstruktur dapat meningkatkan kinerja dan kemampuan generalisasi model dalam klasifikasi melanoma.

Actions (login required)

View Item