CHESARA, Demina Ayunda (2026) Penanganan Class Imbalance dengan Pendekatan Distribusi Data dan Fungsi Loss untuk Klasifikasi Lesi Kulit Menggunakan EfficientNetB0. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Archive (FULL TEXT) File Skripsi Demina Ayunda Chesara 24060122140149.zip Restricted to Repository staff only Download (5MB) | Request a copy
	Text 1. COVER.pdf Download (114kB)
	Text 4. HALAMAN PENGESAHAN.pdf Download (411kB)
	Text 5. KATA PENGANTAR.pdf Download (445kB)
	Text 7. ABSTRAK.pdf Download (162kB)
	Text 8. ABSTRACT.pdf Download (106kB)
	Text 9. DAFTAR ISI.pdf Download (233kB)
	Text 12. BAB I PENDAHULUAN.pdf Download (207kB)
	Text 17. DAFTAR PUSTAKA.pdf Download (184kB)

Abstract

Klasifikasi multikelas lesi kulit berbasis citra dermoskopi masih menghadapi tantangan class
imbalance karena dapat membuat model lebih dominan mengenali kelas mayoritas dan
kurang optimal dalam mengenali kelas minoritas. Class imbalance merupakan kondisi ketika
jumlah data pada setiap kelas tidak terdistribusi secara seimbang. Penelitian ini bertujuan
untuk menganalisis pengaruh distribusi data dan fungsi loss dalam penanganan class
imbalance pada klasifikasi multikelas lesi kulit menggunakan EfficientNetB0. Dataset yang
digunakan pada penelitian ini adalah HAM10000 yang diperoleh dari Kaggle. HAM10000
terdiri atas 10.015 citra dermoskopi dari tujuh kelas diagnosis lesi kulit. Eksperimen
dirancang dalam 16 skenario eksperimen yang diperoleh dari kombinasi empat skenario
distribusi data, yaitu original, oversampling, undersampling, dan over-undersampling, serta
empat fungsi loss, yaitu categorical cross-entropy, weighted cross-entropy, focal loss, dan
focal loss dengan class weight. Evaluasi performa model dilakukan menggunakan balanced
accuracy sebagai metrik utama, serta G-mean, macro precision, macro-F1 dan overall
accuracy sebagai metrik pendukung. Hasil penelitian menunjukkan bahwa perubahan
distribusi data lebih berpengaruh terhadap performa model dibandingkan perubahan fungsi
loss. Hal ini terlihat dari rentang rata-rata balanced accuracy antar skenario distribusi data
sebesar 0,0590, lebih besar dibandingkan rentang antar fungsi loss sebesar 0,0196. Skenario
terbaik pada data validasi adalah over-undersampling dengan focal loss, yang memperoleh
balanced accuracy sebesar 0,7126. Dua skenario dengan performa validasi terdekat adalah
undersampling dengan weighted cross-entropy sebesar 0,7102 dan over-undersampling
dengan categorical cross-entropy sebesar 0,7082. Pada evaluasi akhir menggunakan data
uji, skenario over-undersampling dengan focal loss memperoleh balanced accuracy sebesar
0,7116, sehingga performanya relatif konsisten terhadap hasil validasi. Hasil ini
menunjukkan bahwa distribusi data berperan lebih besar dalam penanganan class imbalance,
sedangkan fungsi loss tetap memengaruhi performa ketika dikombinasikan dengan
komposisi data latih yang sesuai.
Kata kunci : class imbalance, distribusi data, EfficientNetB0, fungsi loss, HAM10000,
klasifikasi lesi kulit.

(NO. KETERSEDIAAN : 1703/F/2025)

Actions (login required)

View Item