Peningkatan Efisiensi Waktu Pembelajaran Mendalam Mesin Dalam Deteksi Penyakit Melanoma Melalui Kompresi dan Konversi Gambar

Mumtaz, Muhammad Rafly and Aryo Pinandito, S.T., M.MT., Ph.D and Agung Setia Budi, S.T., M.T., Ph.D (2025) Peningkatan Efisiensi Waktu Pembelajaran Mendalam Mesin Dalam Deteksi Penyakit Melanoma Melalui Kompresi dan Konversi Gambar. Magister thesis, Universitas Brawijaya.

Abstract

Di era teknologi saat ini, kecerdasan buatan (AI) telah berkembang pesat, khususnya dalam bidang pembelajaran mendalam atau deep learning (DL) yang mampu menghasilkan akurasi tinggi dalam klasifikasi gambar. Namun, seiring dengan bertambahnya ukuran dataset, terutama dataset medis, muncul tantangan dalam penyimpanan dan pemrosesan data, terutama pada perangkat dengan kapasitas terbatas seperti ponsel pintar. Oleh karena itu, penelitian ini bertujuan untuk mengurangi ukuran dataset medis melalui kompresi gambar menggunakan algoritme Huffman Encoding dan format WebP, baik secara individual maupun dikombinasikan, untuk meminimalisir penggunaan sumber daya dan waktu komputasi tanpa mengurangi kualitas yang diperlukan dalam diagnosis medis. Penelitian ini berfokus pada pengaruh kompresi dataset medis terhadap performa model DL yaitu MobileNetV2, khususnya dalam hal akurasi, presisi, recall, dan f1-score, serta waktu pemrosesan termasuk waktu kompresi dan konversi dataset serta waktu pelatihan dan klasifikasi model. Hasil penelitian menunjukkan bahwa penggunaan kompresi Huffman Encoding dan format WebP dapat mengurangi ukuran data secara signifikan dengan dampak minimal terhadap kualitas performa saat diklasifikasikan. Model MobileNetV2 yang dilatih menggunakan dataset terkompresi menunjukkan performa yang mendekati atau bahkan sebanding dengan dataset asli, dengan waktu komputasi yang lebih efisien. Temuan ini menunjukkan bahwa kombinasi Huffman Encoding dan WebP memiliki potensi sebagai solusi efektif dalam pengolahan data gambar medis di perangkat dengan sumber daya terbatas, seperti ponsel pintar.

English Abstract

In the current era of technology, artificial intelligence (AI) has rapidly advanced, particularly in the field of deep learning (DL), achieving high accuracy in image classification tasks. However, as dataset sizes grow, especially in medical datasets, challenges arise in data storage and processing, particularly on devices with limited resources such as smartphones. This study aims to reduce the size of medical datasets through image compression using Huffman Encoding and the WebP format, both individually and in combination, to minimize resource usage and computational time without compromising the quality required for medical diagnosis. The research focuses on the impact of medical dataset compression on the performance of the DL model MobileNetV2, specifically in terms of accuracy, precision, recall, and F1-score, as well as processing time, including dataset compression and conversion time, training time, and model classification time. The results indicate that utilizing Huffman Encoding and WebP compression significantly reduces data size with minimal impact on performance quality during classification. The MobileNetV2 model trained on compressed datasets demonstrated performance close to or even comparable to that of the original dataset, with improved computational efficiency. These findings suggest that the combination of Huffman Encoding and WebP offers a promising solution for medical image data processing on resource-constrained devices such as smartphones.

Item Type:	Thesis (Magister)
Identification Number:	042515
Uncontrolled Keywords:	Kecerdasan Buatan, Deep Learning, Kompresi Gambar, Huffman Encoding, WebP, MobileNet
Divisions:	S2/S3 > Magister Ilmu Komputer, Fakultas Ilmu Komputer
Depositing User:	S Sucipto
Date Deposited:	13 Feb 2025 02:24
Last Modified:	13 Feb 2025 02:24
URI:	http://repository.ub.ac.id/id/eprint/236581

Text (DALAM MASA EMBARGO) Muhammad Rafly Mumtaz.pdf Restricted to Registered users only Download (4MB)

Actions (login required)

View Item