IDENTIFIKASI KEGANASAN TUMOR KULIT PADA CITRA DERMOSKOPI DENGAN METODE SUPPORT VECTOR MACHINE

• Main Author: Ikram Yunizar, (Author)
• Format: Book
• Published: 2020-06-20.
• Subjects: Thesis; NonPeerReviewed
• Online Access: Link Metadata
• Notes: http://repository.upnvj.ac.id/7149/1/ABSTRAK.pdf; http://repository.upnvj.ac.id/7149/2/AWAL.pdf; http://repository.upnvj.ac.id/7149/3/BAB%201.pdf; http://repository.upnvj.ac.id/7149/4/BAB%202.pdf; http://repository.upnvj.ac.id/7149/5/BAB%203.pdf; http://repository.upnvj.ac.id/7149/6/BAB%204.pdf; http://repository.upnvj.ac.id/7149/7/BAB%205%20.pdf; http://repository.upnvj.ac.id/7149/8/DAFTAR%20PUSTAKA.pdf; http://repository.upnvj.ac.id/7149/9/RIWAYAT%20HIDUP.pdf; http://repository.upnvj.ac.id/7149/10/LAMPIRAN.pdf; http://repository.upnvj.ac.id/7149/11/ARTIKEL%20KI.pdf
• Keywords: T Technology (General)

Kanker kulit adalah salah satu kanker yang paling umum ditemukan. Saat ini, diagnosa kanker kulit dilakukan dengan dua cara yaitu biopsi dan pemeriksaan secara visual. Proses biopsi menghabiskan waktu dan sumber daya, sedangkan pemeriksaan secara visual rentan terhadap subjektifitas dan human error. Oleh karena itu, perlu adanya sistem yang dapat meningkatkan akurasi dan meminimalisir human error dari pemeriksaan secara langsung. Penelitian ini bertujuan untuk membuat prototipe sistem yang dapat membantu dokter dalam mengklasifikasikan keganasan tumor kulit dari citra dermoskopi dan mengevaluasi kinerja Support Vector Machine dalam mengklasifikasikan citra tersebut. Citra akan diolah melalui praproses, segmentasi, ekstraksi ciri, dan klasifikasi. Praproses pada citra antara lain mengubah resolusi citra, mengubah citra dari channel warna RGB menjadi grayscale dan HSV. Segmentasi dilakukan dengan metode thresholding, dan penyempurnaan segmentasi dilakukan oleh operasi morfologi dan cropping yang menghasilkan 1383 citra segmentasi baik dari total 1472 citra. Dataset dibagi menjadi 130 data testing dan 1253 data training. Adapun penyeimbangan data pada masing-masing kelas dengan random undersampling yang menghasilkan 1218 dengan jumlah data masing-masing kelas sama. Metode ekstraksi ciri yang digunakan dari masing-masing adalah GLCM untuk ciri tekstur dan Color Moments untuk ciri warna. Hasil akurasi terbaik yang didapat pada tahap klasifikasi dan evaluasi dengan K-Fold Cross Validation adalah sebesar 84,8% yang didapatkan dengan model SVM kernel Radial Basis Function dengan parameter cost sebesar 1 dan gamma sebesar 0.125. Nilai akurasi yang didapatkan model dalam mengklasifikasikan citra data testing adalah 76,9%.