FATTHONAH, Zenit Laena (2025) Klasifikasi Multikelas Lesi Kulit Menggunakan Transfer Learning Dengan Arsitektur EfficientNetV2B0. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 1. COVER.pdf Download (33kB)
	Text 2. HALAMAN PERNYATAAN KEASLIAN SKRIPSI.pdf Download (238kB)
	Text 3. HALAMAN PENGESAHAN.pdf Download (272kB)
	Text 4. KATA PENGANTAR.pdf Download (373kB)
	Text 6. ABSTRAK.pdf Download (7kB)
	Text 7. ABSTRACT.pdf Download (25kB)
	Text 8. DAFTAR ISI.pdf Download (34kB)
	Text 11. BAB I PENDAHULUAN.pdf Download (53kB)

Abstract

ABSTRAK
Klasifikasi lesi kulit menjadi sangat penting dalam praktik klinis mengingat tingginya angka
kejadian kanker kulit di seluruh dunia, dengan lebih dari 1,5 juta kasus baru pada tahun 2022.
Karakteristik ambigu pada beberapa lesi sering kali membuat masyarakat ragu untuk
memeriksakan diri ke dokter. Di sisi lain, keterbatasan sumber daya dan tenaga medis terlatih
di berbagai fasilitas kesehatan menyebabkan keterlambatan dalam proses diagnosis dan
pengobatan. Oleh karena itu, diperlukan metode klasifikasi otomatis berbasis komputer yang
dapat membantu mengkategorikan jenis-jenis lesi kulit sebagai analisis awal. Penelitian ini
mengimplementasikan transfer learning dengan memodifikasi lapisan teratas arsitektur
EfficientNetV2B0 melalui penambahan dense layer, dropout layer, dan dense output layer
yang disesuaikan dengan tujuan penelitian ini. Model ini menunjukkan performa optimal
pada dataset pelatihan seimbang, dengan test accuracy 88,66%, macro average recall
86,54%, dan macro average precision 86,70%. Hasil ini dicapai melalui konfigurasi optimal
berupa learning rate 0,0001, dropout 0,25, batch size 20, serta implementasi teknik
ReduceLROnPlateau. Penelitian ini diharapkan dapat memberikan kontribusi dalam
pengembangan metode klasifikasi lesi kulit otomatis yang efisien dan akurat.
Kata kunci : klasifikasi lesi kulit, transfer learning, EfficientNetV2B0

Actions (login required)

View Item