PENGARUH PROSES AUGMENTASI TERHADAP MODEL TRANSFER LEARNING RESNET50 PADA KLASIFIKASI KANKER MELANOMA

Diansyah, Ahmad Febri (2024) PENGARUH PROSES AUGMENTASI TERHADAP MODEL TRANSFER LEARNING RESNET50 PADA KLASIFIKASI KANKER MELANOMA. S2 - Magister thesis, Universitas AMIKOM Yogyakarta.

Text (THESIS) 22.51.1188 Ahmad Febri Diansyah.pdf Download (4MB)

Abstract

Kanker melanoma merupakan salah satu jenis kanker kulit yang paling mematikan dan memerlukan diagnosis dini untuk meningkatkan peluang kesembuhan. Dalam konteks ini, penelitian ini bertujuan untuk mengevaluasi dampak proses augmentasi data terhadap kinerja model ResNet50 dalam mengklasifikasikan kanker melanoma. Penelitian ini membatasi variabelnya pada penggunaan dataset Melanoma Detection dari Kaggle yang terdiri dari gambar benign dan malignant. Metode analisis yang digunakan adalah analisis performansi dengan metrik akurasi, presisi, recall, dan F1-score, serta analisis visualisasi menggunakan confusion matrix. Hasil penelitian menunjukkan bahwa kemampuan model ResNet50 untuk mengklasifikasikan kanker melanoma lebih baik dengan menambahkan data. Analisis visualisasi menunjukkan bahwa kombinasi augmentasi dengan rotasi, zoom, dan flip menghasilkan hasil yang lebih akurat dibandingkan dengan tanpa augmentasi. Selain itu, analisis skenario augmentasi yang diuji menunjukkan perbedaan yang signifikan dalam performa model setelah dilakukan augmentasi, dengan heatmap dan confusion matrix menunjukkan distribusi prediksi yang lebih baik. Penelitian ini menemukan bahwa peningkatan data dapat meningkatkan kinerja model ResNet50 dalam tugas klasifikasi kanker melanoma. Peningkatan data membantu model mengenali pola-pola pada gambar melanoma, meningkatkan akurasi, presisi, recall, dan skor F1-model. Penelitian ini membuat kemajuan signifikan dalam penggunaan teknik augmentasi untuk meningkatkan kinerja model deep learning dalam tugas klasifikasi gambar.

Actions (login required)

View Item