Klasifikasi Lesi Kulit dengan Bantuan Segmentasi Menggunakan Grad-Cam dalam Dua Tahap Convolutional Neural Network

Azhari, Anggasta Aji and Dr. Eng. Novanto Yudistira, S.Kom., M.Sc. and Ir. Agus Wahyu Widodo, S.T., M.Cs. (2024) Klasifikasi Lesi Kulit dengan Bantuan Segmentasi Menggunakan Grad-Cam dalam Dua Tahap Convolutional Neural Network. Sarjana thesis, Universitas Brawijaya.

Abstract

Klasifikasi lesi kulit memainkan peran krusial dalam deteksi dini dan diagnosis kondisi kulit yang berpotensi berbahaya. Penelitian ini berfokus pada pendekatan baru yang menggabungkan metodologi Convolutional Neural Networks (CNN) dua tahap untuk mengembangkan sistem klasifikasi lesi kulit. Pada tahap awal, proses pelatihan model CNN digabungkan dengan segmentasi lemah berbantuan Grad-Cam (Gradient-weighted Class Activation Mapping) untuk mengekstrak fitur penting dari gambar lesi kulit. Selanjutnya, pada tahap kedua, CNN diterapkan untuk mengklasifikasikan lesi berdasarkan fitur-fitur penting ini. Pendekatan CNN dua tahap ini dirancang untuk meningkatkan akurasi klasifikasi lesi kulit sambil memberikan wawasan tentang bagaimana model CNN mengidentifikasi fitur-fitur penting dalam gambar. Strategi dua tahap ini juga memperkuat interpretabilitas dan keyakinan yang terkait dengan pengambilan keputusan. Hasilnya dibandingkan dengan metode klasifikasi tradisional. Selain itu, berbagai dataset lesi kulit komprehensif digunakan dalam eksperimen untuk mengevaluasi kinerja metode ini. Hasil uji menunjukkan bahwa pendekatan ini menghasilkan peningkatan dalam akurasi klasifikasi, tingkat sensitivitas, dan spesifisitas. Tujuan dari penelitian ini adalah membuka jalan bagi pengembangan sistem klasifikasi lesi kulit yang lebih canggih, yang berpotensi membantu praktisi kesehatan dalam diagnosis dermatologi yang cepat dan efektif. Namun, masih ada potensi yang belum dimanfaatkan untuk peningkatan lebih lanjut dalam sistem klasifikasi lesi kulit.

English Abstract

The classification of skin lesions plays a crucial role in the early detection and diagnosis of potentially hazardous skin conditions. This research is centered on a novel approach that incorporates a two-stage Convolutional Neural Networks (CNN) methodology for developing a skin lesion classification system. In the initial stage, the CNN model training process is combined with weakly supervised segmentation enhanced by Grad-Cam (Gradient-weighted Class Activation Mapping) to extract vital features from skin lesion images. Subsequently, in the second stage, the CNN is applied to classify lesions based on these essential features. This two-stage CNN approach is devised to enhance the accuracy of skin lesion classification while providing insights into how the CNN model identifies critical features within the images. This dual-stage strategy also bolsters the interpretability and confidence associated with decision-making. The results are compared with traditional classification methods. Moreover, various comprehensive skin lesion datasets were used in the experiments to evaluate the method's performance. Test results demonstrate that this approach yields improvements in classification accuracy, sensitivity, and specificity levels. The objective of this study is to pave the way for the development of more advanced systems for skin lesion classification, which have the potential to aid healthcare practitioners in prompt and effective dermatological diagnosis. Nevertheless, there is still untapped potential for further enhancements in skin lesion classification systems.

Item Type:	Thesis (Sarjana)
Identification Number:	0524150027
Uncontrolled Keywords:	Lesi Kulit, Convolutional Neural Networks (CNN), Grad-Cam, Deep Learning, Segmentasi Lesi Kulit
Divisions:	Fakultas Ilmu Komputer > Teknik Informatika
Depositing User:	soegeng sugeng
Date Deposited:	16 Feb 2024 02:43
Last Modified:	16 Feb 2024 02:43
URI:	http://repository.ub.ac.id/id/eprint/215283

Text (DALAM MASA EMBARGO) Anggasta Aji Azhari.pdf Restricted to Registered users only Download (3MB)

Actions (login required)

View Item