ALHADIID, Zabiba Adha (2026) Komparasi Kemampuan ResNet50, MobileNetV2, dan CNN Scratch sebagai Ekstraktor Fitur dalam Klasifikasi Kanker Kulit. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 1. COVER JUDUL.pdf Download (139kB)
	Text 3. PERNYATAAN ORISINALITAS.pdf Download (152kB)
	Text 4. HALAMAN PENGESAHAN SKRIPSI.pdf Download (226kB)
	Text 6. KATA PENGANTAR.pdf Download (136kB)
	Text 7. DAFTAR ISI.pdf Download (168kB)
	Text 12. ABSTRAK.pdf Download (149kB)
	Text 13. ABSTRACT.pdf Download (150kB)
	Text 14. BAB I PENDAHULUAN.pdf Download (217kB)
	Text 19. DAFTAR PUSTAKA.pdf Download (204kB)

Abstract

Kanker kulit merupakan salah satu jenis kanker dengan insidensi tinggi secara
global. Diagnosis konvensional melalui biopsi memiliki keterbatasan dari segi
biaya, waktu, dan subjektivitas interpretasi citra dermoskopi. Penelitian ini
bertujuan membandingkan performa klasifikasi kanker kulit menggunakan
ekstraksi fitur ResNet50 dan MobileNetV2 yang dikombinasikan dengan algoritma
machine learning (Support Vector Machine, Random Forest, Logistic Regression,
Gradient Boosting), serta CNN Scratch sebagai pembanding, menggunakan 3.297
citra dermoskopi dari International Skin Imaging Collaboration (ISIC). Hasil
menunjukkan ResNet50 + SVM mencapai performa terbaik dengan akurasi 89,09%
dan Area Under Curve (AUC) 0,954, MobileNetV2 + SVM lebih efisien secara
komputasi dengan akurasi 86,97%, sedangkan CNN Scratch menunjukkan
stabilitas generalisasi terbaik dengan gap 1,73%. Pendekatan hybrid transfer
learning terbukti memberikan keseimbangan optimal antara akurasi dan efisiensi
untuk sistem deteksi kanker kulit.
Kata kunci: kanker kulit, ResNet50, MobileNetV2, transfer learning, klasifikasi
citra

Actions (login required)

View Item