Identifikasi Jenis Lesi Kulit Menggunakan Kombinasi Unet++ dan Convnextv2 Berdasarkan Citra Dermoskopi

Gino, Shearani (2026) Identifikasi Jenis Lesi Kulit Menggunakan Kombinasi Unet++ dan Convnextv2 Berdasarkan Citra Dermoskopi. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5002221035-Undergraduate_Thesis.pdf Restricted to Repository staff only Download (1MB) | Request a copy

Abstract

Lesi kulit merupakan perubahan pada permukaan kulit yang dapat bersifat jinak maupun ganas. Lesi jinak umumnya tidak membahayakan dan tidak memerlukan penanganan khusus, sedangkan lesi ganas dapat berkembang menjadi kanker kulit yang terus meningkat kejadiannya dan menjadi salah satu penyebab kematian tertinggi. Diagnosis dini menjadi faktor penting dalam keberhasilan penanganan, namun pemeriksaan visual untuk kanker kulit sering sulit dilakukan karena kemiripan tampilan berbagai jenis lesi sehingga rawan salah diagnosis, dan meskipun kombinasi dermoskopi dengan pemeriksaan klinis telah terbukti membantu, kurangnya pelatihan pada tenaga kesehatan primer masih menjadi hambatan dalam penerapannya secara luas. Penelitian ini mengembangkan sistem identifikasi lesi kulit berbasis deep learning yang mencakup dua sub-proses, yaitu segmentasi menggunakan U-Net++ untuk menentukan lokasi lesi dan klasifikasi menggunakan ConvNeXtV2 untuk menentukan jenis lesi, sehingga kombinasi keduanya membentuk proses identifikasi. Pembentukan model segmentasi menggunakan arsitektur U-Net++ dengan encoder ResNet50 dan optimizer AdamW dengan learning rate 1 × 10−4, menghasilkan nilai Dice Similarity Coefficient (DSC) sebesar 0,9263, Intersection over Union (IoU) sebesar 0,8679, dan Pixel Accuracy (PA) sebesar 0,9536. Pembentukan model klasifikasi menggunakan arsitektur ConvNeXtV2- Base yang diuji pada citra dermoskopi asli maupun citra hasil segmentasi. Hasil pengujian menunjukkan bahwa kombinasi segmentasi U-Net++ dan klasifikasi ConvNeXtV2 secara konsisten meningkatkan Macro F1 pada seluruh varian arsitektur dibandingkan penggunaan citra tanpa segmentasi, dengan peningkatan tertinggi pada ConvNeXtV2- Tiny (∆Macro F1 = +0,056). Berdasarkan model terbaik segmentasi dan model terbaik klasifikasi, ConvNeXtV2-Base pada citra hasil segmentasi mencapai Accuracy sebesar 0,9262, Precision sebesar 0,9092, Macro F1 sebesar 0,8760, dan ROC-AUC sebesar 0,9826. Hasil ini membuktikan bahwa segmentasi lesi berperan penting dalam meningkatkan performa klasifikasi, dan bahwa kombinasi segmentasi dan klasifikasi berbasis deep learning efektif dalam mengidentifikasi lesi kulit secara akurat.
================================================================================================================================
Skin lesions are changes on the skin surface that can be either benign or malignant. Benign lesions are generally harmless and require no special treatment, whereas malignant lesions can develop into skin cancer, which continues to rise in incidence and ranks among the leading causes of death. Early diagnosis is a critical factor in successful treatment; however, visual examination of skin cancer is often difficult due to the similar appearance of various lesion types, making misdiagnosis a common risk. Although the combination of dermoscopy and clinical examination has proven beneficial, insufficient training among primary care practitioners remains a barrier to its widespread adoption. This study develops a deep learning-based skin lesion identification system that combines segmentation and classification on dermoscopic images. The segmentation model was built using the U-Net++ architecture with a ResNet50 encoder and AdamW optimizer at a learning rate of 1 × 10−4, achieving a Dice Similarity Coefficient (DSC) of 0.9263, Intersection over Union (IoU) of 0.8679, and Pixel Accuracy (PA) of 0.9536. The classification model was built using the ConvNeXtV2-Base architecture, evaluated on both original dermoscopic images and segmented images. The results show that the combination of U-Net++ segmentation and ConvNeXtV2 classification consistently improves Macro F1 across all architectural variants compared to using non-segmented images, with the highest improvement observed in ConvNeXtV2-Tiny (∆Macro F1 = +0.056). Based on the best segmentation and classification models, ConvNeXtV2-Base on segmented images achieves an Accuracy of 0.9262, Precision of 0.9092, Macro F1 of 0.8760, and ROC-AUC of 0.9826. These results demonstrate that lesion segmentation plays a crucial role in enhancing classification performance, and that the combination of segmentation and deep learning-based classification is effective in accurately identifying skin lesions.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	ConvNeXtV2, Klasifikasi Citra, Lesi Kulit, Segmentasi Citra, U-Net++, ConvNeXtV2, Image Classification, Skin Lesion, Image Segmentation, U- Net++
Subjects:	Q Science > QA Mathematics
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Mathematics
Depositing User:	Shearani Gino
Date Deposited:	31 Jul 2026 01:58
Last Modified:	31 Jul 2026 01:58
URI:	http://repository.its.ac.id/id/eprint/138251

Actions (login required)

View Item