Klasifikasi Citra Lesi Kulit Menggunakan Convolutional Neural Network
Abstract
Kanker kulit merupakan salah satu penyakit dengan insidensi tinggi yang memerlukan deteksi dini untuk meningkatkan keberhasilan pengobatan. Penelitian ini bertujuan mengembangkan sistem klasifikasi otomatis lesi kulit menjadi jinak (benign) atau ganas (malignant) menggunakan arsitektur Convolutional Neural Network (CNN) pada citra dermatoskopi serta membandingkan performanya dengan Artificial Neural Network (ANN) dan EfficientNetB0 sebagai arsitektur CNN berbasis transfer learning. Evaluasi model menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil eksperimen menunjukkan superioritas arsitektur berbasis CNN, dengan EfficientNetB0 sebagai model pretrained mencapai performa terbaik yaitu akurasi 0.98, presisi 0,97, recall 0,91, dan F1-score 0,94, dengan waktu pelatihan selama 22 menit 34 detik sebagai konsekuensi dari kompleksitas arsitektur yang lebih tinggi. Keunggulan EfficientNetB0 terletak pada penerapan transfer learning yang memungkinkan ekstraksi fitur visual kompleks secara optimal.
References
L. Zhou, Y. Zhong, L. Han, Y. Xie, and M. Wan, “Global, regional, and national trends in the burden of melanoma and non-melanoma skin cancer: insights from the global burden of disease study 1990–2021,” Sci. Rep., vol. 15, no. 1, pp. 1–14, 2025, doi: 10.1038/s41598-025-90485-3.
N. T. Meibodi, Y. Nahidi, Z. Javidi, A. R. Taheri, M. Afzalaghaee, and S. Jahanfakhr, “A clinicopathologic study of precancerous skin lesions,” Iran. J. Dermatology, vol. 15, no. 61, pp. 89–94, 2012.
P. Karp, K. Karp, M. Kądziela, R. Zajdel, and A. Żebrowska, “The Importance of Early Detection and Prevention of Atypical Skin Lesions and Other Melanoma Risk Factors in a Younger Population,” Cancers (Basel)., vol. 16, no. 24, pp. 1–12, 2024, doi: 10.3390/cancers16244264.
B. Sugandi, “Teknologi Citra untuk Peningkatan Kualitas Hidup yang Lebih Baik,” J. Integr., vol. 10, no. 1, pp. 21–27, 2018.
J. J. Fenton et al., “Effectiveness of computer-aided detection in community mammography practice,” J. Natl. Cancer Inst., vol. 103, no. 15, pp. 1152–1161, 2011, doi: 10.1093/jnci/djr206.
G. Litjens et al., “A survey on deep learning in medical image analysis,” Med. Image Anal., vol. 42, pp. 60–88, Dec. 2017, doi: 10.1016/j.media.2017.07.005.
N. Nadour, T. Duguet, S. Zahedi, H. Figoni, and R. Liard, “Diagnostic accuracy of artificial intelligence compared to family physicians and dermatologists for skin conditions: a systematic review and meta-analysis,” BMC Prim. Care, vol. 26, no. 1, 2025, doi: 10.1186/s12875-025-03073-9.
A. Esteva et al., “Dermatologist-level classification of skin cancer with deep neural networks,” Nature, vol. 542, no. 7639, pp. 115–118, 2017, doi: 10.1038/nature21056.
A. K. Jain, J. Mao, and K. M. Mohiuddin, “Artificial neural networks: a tutorial,” Computer (Long. Beach. Calif)., vol. 29, no. 3, pp. 31–44, 1996, doi: 10.1109/2.485891.
D. E. Rumelhart, G. E. Hinton, and R. J. Williams, “Learning representations by back-propagating errors,” Nature, vol. 323, no. 6088, pp. 533–536, 1986, doi: 10.1038/323533a0.
M. Ardifa Rizqi Ramadhan, Titan Apriliyan Nadine Ananta, Afigo Azus Zakkyfriza, In’am Vaviansyah H, and Yahya Nour Fauzan, “Perbandingan Jumlah Layer Pada Convolutional Neural Network Untuk Meningkatkan Akurasi Dalam Klasifikasi Gambar,” Merkurius J. Ris. Sist. Inf. dan Tek. Inform., vol. 2, no. 5, pp. 211–217, 2024, doi: 10.61132/merkurius.v2i5.301.
A. Farahani, B. Pourshojae, K. Rasheed, and H. R. Arabnia, “A Concise Review of Transfer Learning,” Proc. - 2020 Int. Conf. Comput. Sci. Comput. Intell. CSCI 2020, pp. 344–351, 2020, doi: 10.1109/CSCI51800.2020.00065.
A. Yilmaz, S. P. Yasar, G. Gencoglan, and B. Temelkuran, “DERM12345: A Large, Multisource Dermatoscopic Skin Lesion Dataset with 40 Subclasses,” Sci. Data , vol. 11, no. 1, pp. 1–12, 2024, doi: 10.1038/s41597-024-04104-3.
F. Yuceyalcin, A. Yilmaz, and B. Temelkuran, “A Hierarchical Benchmark of Foundation,” pp. 1–16.
