Segmentasi Dan Klasifikasi Citra Dermoscopy Kanker Kulit Menggunakan Metode SegNet Dan Convolutional Neural Network

Ramadhani, Muhammad Rafi' (2026) Segmentasi Dan Klasifikasi Citra Dermoscopy Kanker Kulit Menggunakan Metode SegNet Dan Convolutional Neural Network. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6025222004-Master_Thesis.pdf Restricted to Repository staff only Download (10MB) | Request a copy

Abstract

Kanker kulit adalah benjolan atau pertumbuhan tidak normal pada jaringan kulit yang mengenai sebagian atau keseluruhan lapisan kulit, Kanker kulit merupakan jenis kanker menempati urutan ketiga paling sering dialami oleh warga negara Indonesia setelah kanker leher rahim dan kanker payudara. Kanker kulit perlu dilakukan tindakan sedini mungkin agar dapat mengurangi dampak kerusakan sel-sel kulit pada pasien. Salah satu tindakan pertama yang dapat dilakukan adalah melakukan deteksi dini berbasis klasifikasi citra digital untuk upaya pencegahan dan meningkatkan kewaspadaan bagi pasien gejala kanker kulit. Klasifikasi citra kanker kulit yang sudah ada dinilai kurang cukup karena masih ada kekurangan, yaitu akurasi pada model klasifikasi masih bisa dimaksimalkan lagi sehingga optimasi pada model klasifikasi akan diperlukan. Oleh karena itu, penelitian ini mengusulkan integrasi segmentasi sebagai tahap praproses untuk memisahkan area lesi dari kulit normal, sehingga informasi yang dipelajari model klasifikasi lebih terfokus pada region of interest. Model segmentasi yang digunakan adalah VGG-SegNet, yaitu pengembangan dari SegNet dengan mengganti encoder standar menjadi encoder berbasis VGG-16 tanpa fully connected layer, sehingga ekstraksi fitur menjadi lebih kaya dan stabil, sementara bagian decoder tetap melakukan rekonstruksi peta segmentasi melalui upsampling berbasis indeks pooling, dibanding SegNet biasa, modifikasi ini memberikan representasi fitur yang lebih kuat untuk memodelkan pola batas dan tekstur lesi. Dataset yang digunakan dalam penelitian ini adalah dataset ISIC (The International Skin Imaging Collaboration) versi tahun 2017 dan 2018 untuk segmentasi dan ISIC tahun 2019 untuk model klasifikasi. ISIC dataset juga sudah menyediakan data ground truth untuk proses segmentasi dan tiap data sudah ada label per kelas untuk proses klasifikasinya. Evaluasi segmentasi dilakukan menggunakan Dice Coefficient dan Intersection over Union, serta didukung metrik spesifisitas, dengan strategi pelatihan tambahan dan Fine Tuning berupa SkipConBCE, Focal Tversky loss, pelatihan 3-fase, dan penambahan B2 block. Konfigurasi terbaik diperoleh pada VGG-SegNet (50 epoch, batch size 32) dengan Validation Loss 0,1524, Validation Dice Coefficient 0,89899, Validation IoU 0,8177, dan Validation Specificity 0,9819. Setelah segmentasi, tahap klasifikasi dilakukan menggunakan pendekatan Convolutional Neural Network (CNN) berbasis transfer learning dengan backbone modern seperti ResNet50, EfficientNet, dan InceptionV3, serta beberapa strategi fine-tuning (progressive_lr, shallow_finetune, medium conv4_5, dll) untuk menyesuaikan fitur pretrained terhadap karakteristik citra lesi kulit. Penelitian klasifikasi dilakukan dalam dua skenario, yaitu klasifikasi 8 kelas dan 3 kelas. Pada skenario 8 kelas, model terbaik adalah EfficientNet dengan fine-tuning medium conv4_5, skenario dataset imbalance, dan focal loss, dengan validation loss 0,127, validation accuracy 0,6866, validation precision 0,842, dan validation recall 0,4692. Sedangkan pada skenario 3 kelas, model terbaik adalah InceptionV3 dengan strategi progressive_lr, dataset balance, dan cross-entropy loss, dengan akurasi 0,9494, presisi 0,9497, recall 0,9494, dan F1-score 0,9495. Secara keseluruhan, penelitian ini menunjukkan bahwa penggabungan segmentasi berbasis VGG-SegNet dan klasifikasi berbasis transfer learning dapat menjadi kerangka kerja yang sistematis untuk meningkatkan fokus fitur pada area lesi dan mengevaluasi performa deteksi dini kanker kulit pada berbagai skenario jumlah kelas.
===========================================================================================================================
Skin cancer is an abnormal lump or uncontrolled growth in skin tissue that may affect part or all layers of the skin. In Indonesia, skin cancer is reported as the third most frequently experienced cancer after cervical cancer and breast cancer. Early intervention is essential to reduce the risk of progressive damage to patients’ skin cells. One of the initial actions that can be taken is early detection through digital image–based classification to support prevention efforts and increase public awareness of skin cancer symptoms. However, existing skin cancer image classification methods are still considered suboptimal because classification accuracy can be further improved, making additional optimization necessary. Therefore, this study proposes integrating segmentation as a preprocessing stage to separate lesion regions from normal skin, so that the information learned by the classifier is more focused on the region of interest. The segmentation model used is VGG-SegNet, which is an extension of SegNet that replaces the standard encoder with a VGG-16–based encoder without fully connected layers, resulting in richer and more stable feature extraction, while the decoder still reconstructs the segmentation map via pooling-index–based upsampling; compared with standard SegNet, this modification provides a stronger feature representation for modeling lesion boundaries and textures. The datasets used in this study are the ISIC (International Skin Imaging Collaboration) datasets from 2017 and 2018 for segmentation, and ISIC 2019 for classification. The ISIC datasets also provide ground-truth masks for segmentation and class labels for classification. Segmentation performance is evaluated using the Dice Coefficient and Intersection over Union, supported by specificity, with additional training strategies and finetuning including SkipConBCE, Focal Tversky loss, three-phase training, and the addition of a B2 block. The best configuration is achieved by VGG-SegNet (50 epochs, batch size 32), obtaining a validation loss of 0.1524, a validation Dice Coefficient of 0.89899, a validation
IoU of 0.8177, and a validation specificity of 0.9819. After segmentation, the classification stage uses a convolutional neural network (CNN) with transfer learning based on modern backbones such as ResNet50, EfficientNet, and InceptionV3, along with several fine-tuning strategies (e.g., progressive_lr, shallow_finetune, and medium conv4_5) to adapt pretrained features to the characteristics of skin lesion images. Classification is conducted in two scenarios: 8-class and 3-class classification. In the 8-class scenario, the best model is EfficientNetB3 with medium conv4_5 fine-tuning, an imbalanced dataset setting, and focal loss, achieving a validation loss of 0.127, validation accuracy of 0.6866, validation precision of 0.842, and validation recall of 0.4692. In the 3-class scenario, the best model is InceptionV3 with a progressive_lr strategy, a balanced dataset setting, and cross-entropy loss, achieving an accuracy of 0.9494, precision of 0.9497, recall of 0.9494, and an F1-score of 0.9495. Overall, this study shows that combining VGG-SegNet–based segmentation with transfer learning– based classification can provide a systematic framework to improve feature focus on lesion regions and to evaluate early skin cancer detection performance under different class-scheme scenarios

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Analisis Citra, Convolutional Neural Network, Deep Learning, Dermoscopy, Image Processing, Kanker, Kanker Kulit, Kecerdasan Buatan, Klasifikasi Citra, Lesi Kulit, Segmentasi Citra, SegNet, VGG-SegNet, Transfer Learning
Subjects:	Q Science > QA Mathematics > QA336 Artificial Intelligence Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User:	Muhammad Rafi' Ramadhani
Date Deposited:	02 Feb 2026 03:24
Last Modified:	02 Feb 2026 03:24
URI:	http://repository.its.ac.id/id/eprint/131512

Actions (login required)

View Item