Rancang Bangun Sistem Klasifikasi Stage Melanoma Berdasarkan Ketebalan Dengan Metode Haralic-Glcm Menggunakan Deep Learning.

Stendafity, Selfi (2022) Rancang Bangun Sistem Klasifikasi Stage Melanoma Berdasarkan Ketebalan Dengan Metode Haralic-Glcm Menggunakan Deep Learning. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 02311840000046-Undergraduate_Thesis.pdf Restricted to Repository staff only Download (2MB)

Abstract

Melanoma adalah salah satu jenis dari kanker kulit yang paling mematikan dan bisa menyebar dengan sangat cepat. Dalam penanganannya, setelah seseorang dikonfirmasi melanoma, akan ditentukan stage dari melanoma tersebut dengan menentukan indeks Breslow yang merupakan metode pengukuran kedalaman dari melanoma. Namun, penentuan indeks Breslow ini dapat terjadi kesalahan jika bagian yang dipotong bukan merupakan bagian paling tebal dari melanoma tersebut. Sehingga, perlu dibuat sebuah sistem yang bisa mengklasifikasikan melanoma ke dalam beberapa stage secara non-invasif. Penelitian ini membuat sebuah sistem yang bisa mengklasifikasikan stage melanoma berdasarkan ketebalannya melalui citra dermoskopi dengan menggunakan deep neural network (DNN). Penelitian ini menggunakan fitur warna, yang meliputi mean, standar deviasi, skewness, dan kurtosis dari ruang warna RGB, dan CIE Lab. Selain itu, juga digunakan fitur bentuk, meliputi eccentricity, luas, perimeter, dan panjang sumbu mayor. Kemudian, juga digunakan metode Haralic-GLCM untuk ekstraksi fitur tekstur. Guna mengetahui tingkat keterkenalan dari masing-masing fitur, dilakukan pelatihan model dengan masing-masing fitur dan juga gabungannya. Hasil yang diperoleh dari penelitian ini adalah bahwa model terbaik untuk mengklasifikasikan stage melanoma adalah model dengan input gabungan fitur warna, bentuk, dan tekstur Haralick-GLCM, dengan nilai akurasi diagnosis sebesar 89,47%, sensitivitas sebesar 95%, dan spesivisitas sebesar 96%. Serta fitur yang paling berpengaruh dalam kinerja model secara keseluruhan berdasarkan nilai SHAP adalah fitur skewness channel blue pada ruang warna RGB.
===================================================================================================================================
Melanoma is one of the deadliest types of skin cancer and can spread very quickly. In the treatment, after someone has confirmed melanoma, the stage of the melanoma will be determined by determining the Breslow index which is a method of measuring the depth of melanoma. However, this determination of the Breslow index can be incorrect if the section that is cut is not the thickest part of the melanoma. So, it is necessary to create a system that can classify melanoma into several stages non-invasively. This research creates a system that can classify melanoma stages based on their thickness through dermoscopy images using a deep neural network (DNN). This study uses color features, which include the mean, standard deviation, skewness, and kurtosis of the RGB color space, and CIE Lab. In addition, shape features are also used, including eccentricity, area, perimeter, and length of the major axis. Then, the Haralic-GLCM method is also used for texture feature extraction. To determine the level of familiarity of each feature, model training is carried out with each feature and its combination. The results obtained from this study are that the best model for classifying stage melanoma is a model with a combined input of color, shape, and texture features of Haralick-GLCM, with a diagnostic accuracy value of 89.47%, a sensitivity of 95%, and a specificity of 96%. And the most influential feature in the overall model performance based on the SHAP value is the blue channel skewness feature in the RGB color space.

Item Type:	Thesis (Other)
Additional Information:	RSF 006.4 Ste r-1 2022
Uncontrolled Keywords:	Stage Melanoma, Warna, Bentuk, Tekstur Haralic-GLCM, Deep Neural Network. Melanoma Stage, Color, Shape, Texture Haralic-GLCM, Deep Neural Network.
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK7882.P3 Pattern recognition systems
Depositing User:	Mr. Marsudiyana -
Date Deposited:	11 May 2026 04:12
Last Modified:	11 May 2026 04:12
URI:	http://repository.its.ac.id/id/eprint/133116

Actions (login required)

View Item