Klasifikasi Penyakit Kulit Psoriasis, Eksim, dan Penyakit Lyme Berbasis Fitur Bentuk dan Tekstur Menggunakan support vector machine

Muhammad abubakar, abyan (2025) Klasifikasi Penyakit Kulit Psoriasis, Eksim, dan Penyakit Lyme Berbasis Fitur Bentuk dan Tekstur Menggunakan support vector machine. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 502311047-Undergraduate_thesis.pdf Restricted to Repository staff only Download (2MB)

Abstract

Deteksi dan klasifikasi penyakit kulit seperti psoriasis, eksim, dan Lyme merupakan tantangan signifikan di bidang dermatologi. Kompleksitas fitur visual, seperti batas lesi yang kabur, kontras rendah, pola tekstur yang tidak konsisten, dan variasi dalam presentasi klinis, membuat diagnosis manual tidak hanya memakan waktu tetapi juga rawan kesalahan. Di Indonesia, keterbatasan jumlah dokter spesialis kulit, rendahnya kesadaran masyarakat untuk mencari perawatan medis, dan jarak ke fasilitas kesehatan yang jauh, terutama di daerah pedesaan, memperburuk akses terhadap diagnosis dini dan pengobatan yang efektif. Penelitian ini bertujuan untuk mengembangkan sistem deteksi otomatis berbasis Support Vector Machine (SVM) sebagai alat klasifikasi utama, yang dirancang untuk mengenali pola visual kompleks dari gambar lesi kulit. Proses Pemrosesan awal meliputi pengubahan ukuran gambar, normalisasi, dan augmentasi data guna meningkatkan kualitas input model. Model ini memanfaatkan teknik ekstraksi fitur yang mendalam, seperti filter berbasis tekstur dan warna, untuk menghasilkan representasi visual yang lebih bermakna. SVM digunakan sebagai pengklasifikasi akhir yang membedakan antara psoriasis, eksim, dan penyakit Lyme. Evaluasi terhadap beberapa dataset menunjukkan performa yang menjanjikan, dengan akurasi, sensitivitas, dan spesifisitas yang tinggi. Pendekatan ini diharapkan mampu menawarkan solusi hemat biaya dan mudah diakses, terutama untuk daerah dengan keterbatasan sumber daya, sekaligus mengurangi beban pada sistem pelayanan kesehatan. ===============================================================================================================================
The detection and classification of skin diseases such as psoriasis, eczema, and Lyme disease pose significant challenges in dermatology. The complexity of visual features, including indistinct lesion boundaries, low contrast, inconsistent texture patterns, and variability in clinical presentation, makes manual diagnosis not only time-consuming but also prone to errors. In Indonesia, limited access to dermatologists, low public awareness about seeking medical care, and the distance to healthcare facilities, particularly in rural areas, further exacerbate the lack of early diagnosis and effective treatment. This research aims to develop an automated detection system based on Support Vector Machine (SVM) as the primary classification tool, designed to recognize complex visual patterns from skin lesion images. The preprocessing steps include image resizing, normalization, and data augmentation to enhance input quality. The model employs deep extraction techniques, such as texture- and color-based filters, to generate more meaningful visual representations. SVM is then utilized as the final classifier to differentiate between psoriasis, eczema, and Lyme Disease. Evaluations on multiple datasets demonstrate promising performance, achieving high accuracy, sensitivity, and specificity. This approach is expected to provide a cost-effective and accessible solution, particularly in resource-limited areas, while reducing the burden on healthcare systems and improving patient outcomes.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Psoriasis, Eczema, Lyme Disease, SVM, Automated Diagnosis, Skin Lesion Detection
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines. R Medicine > RL Dermatology
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Biomedical Engineering > 11410-(S1) Undergraduate Thesis
Depositing User:	Muhammad Abubakar Abyan
Date Deposited:	08 Apr 2026 06:51
Last Modified:	08 Apr 2026 06:51
URI:	http://repository.its.ac.id/id/eprint/132761

Actions (login required)

View Item