Klasifikasi Kanker Kulit Jinak dan Ganas Menggunakan Metode Xception Berbasis Raspberry Pi

Duanti, Regina Kembar and Eko Setiawan, S.T., M.T. and Eko Setiawan, S.T., M.T., M.Eng., Ph.D. (2025) Klasifikasi Kanker Kulit Jinak dan Ganas Menggunakan Metode Xception Berbasis Raspberry Pi. Sarjana thesis, Universitas Brawijaya.

Abstract

Deteksi dini kanker kulit menjadi tantangan utama dalam bidang kesehatan, terutama di negara-negara berkembang seperti Indonesia, di mana keterbatasan akses terhadap alat diagnostik modern sering kali menjadi hambatan. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi tipe kanker kulit berbasis metode Xception pada perangkat Raspberry Pi 3 dan Webcam. Sistem ini dirancang untuk membedakan tiga kelas: jinak (benign), ganas (malignant), dan normal, dengan tujuan meningkatkan aksesibilitas terhadap alat diagnostik yang terjangkau. Penelitian ini menggunakan dataset gambar kanker kulit yang terdiri dari 3.000 sampel, dibagi untuk pelatihan (80%) dan validasi (20%). Data preprocessing dilakukan untuk meningkatkan kualitas gambar melalui normalisasi dan augmentasi. Model Xception dilatih menggunakan framework TensorFlow, lalu dioptimalkan ke dalam format TensorFlow Lite untuk mendukung implementasi pada perangkat Raspberry Pi. Pengujian sistem melibatkan uji kinerja model dari metode Xception berdasarkan epoch terbaik, evaluasi metrik performa, waktu pemrosesan, dan efisiensi penggunaan sumber daya. Hasil penelitian menunjukkan bahwa metode Xception mampu menunjukkan akurasi pelatihan terbaik pada epoch ke-13 dengan akurasi validasi sebesar 0.8967 dan 0.2381 untuk loss validasi, serta mencapai akurasi di atas 85% dalam mengklasifikasikan tipe kanker kulit jinak (benign), 85,1% untuk kanker kulit ganas (malignant) dan 99% untuk tipe kulit normal secara real-time dengan waktu pemrosesan rata-rata 3-7 detik per gambar. Sistem ini juga menunjukkan stabilitas tinggi pada Raspberry Pi 3 dengan konsumsi daya yang minimal. Sistem ini dapat menjadi alternatif solusi untuk deteksi dini kanker kulit yang lebih hemat biaya dan mudah diakses, khususnya untuk daerah dengan fasilitas kesehatan terbatas.

English Abstract

Early detection of skin cancer is a major challenge in healthcare, especially in developing countries like Indonesia, where limited access to modern diagnostic tools often becomes a barrier. This study aims to develop a skin cancer classification system based on the Xception method using a Raspberry Pi 3 and Webcam. The system is designed to differentiate three classes: benign, malignant, and normal, with the goal of improving accessibility to affordable diagnostic tools. The study utilizes a skin cancer image dataset consisting of 3,000 samples, divided into training (80%) and validation (20%) sets. Data preprocessing is performed to enhance image quality through normalization and augmentation. The Xception model is trained using the TensorFlow framework and then optimized into TensorFlow Lite format for implementation on the Raspberry Pi device. System testing involves evaluating the model's performance based on the best epoch, performance metrics, processing time, and resource usage efficiency. The results show that the Xception method achieves the best training accuracy at epoch 13 with a validation accuracy of 0.8967 and a validation loss of 0.2381, as well as over 85% accuracy in classifying benign skin cancer, 85.1% for malignant skin cancer, and 99% for normal skin type in realtime with an average processing time of 3-7 seconds per image. The system also demonstrates high stability on the Raspberry Pi 3 with minimal power consumption. This system can serve as an alternative solution for affordable and easily accessible early skin cancer detection, especially in regions with limited healthcare facilities.

Item Type:	Thesis (Sarjana)
Identification Number:	052515
Uncontrolled Keywords:	kanker kulit, Xception, Raspberry Pi, klasifikasi gambar, deteksi dini, akurasi
Divisions:	Fakultas Ilmu Komputer > Teknik Komputer
Depositing User:	S Sucipto
Date Deposited:	25 Feb 2025 07:27
Last Modified:	25 Feb 2025 07:27
URI:	http://repository.ub.ac.id/id/eprint/236495

Text (DALAM MASA EMBARGO) Regina Kembar Duanti.pdf Restricted to Registered users only Download (8MB)

Actions (login required)

View Item