Klasifikasi Kanker Kulit dari Citra Dermoskopi menggunakan Fitur Gray Level Co-occurence Matrix (GLCM) dengan Algoritma Machine Learning
Abstrak
Penelitian ini bertujuan untuk mengklasifikasikan kanker kulit berdasarkan citra dermoskopi dengan menerapkan metode Gray Level Co-occurrence Matrix (GLCM) sebagai teknik ekstraksi fitur tekstur, serta membandingkan kinerja empat algoritma machine learning, yaitu Support Vector Machine (SVM), K-Nearest Neighbor (K-NN), Decision Tree, dan Random Forest. Dataset diperoleh dari platform Kaggle milik International Skin Imaging Collaboration (ISIC) yang dibagi menjadi 2.637 citra untuk pelatihan dan 660 citra untuk pengujian. Tahapan metodologi meliputi pre-processing (konversi citra ke grayscale, normalisasi, dan resizing), segmentasi, post-processing, serta ekstraksi fitur GLCM menggunakan parameter kontras, energi, entropi, dan homogenitas. Hasil evaluasi dari keempat algoritma yang diuji menunjukkan bahwa algoritma Random Forest memberikan performa terbaik dengan akurasi 94,69%, presisi 97,49%, recall 90,66%, dan F1-score 93,95%. Sebaliknya, K-NN menghasilkan performa terendah dengan akurasi 72,57%, presisi 86,5%, recall 47,0%, dan F1-score 60,9%. Berdasarkan hasil tersebut, Random Forest direkomendasikan sebagai salah satu algoritma yang paling optimal untuk mendeteksi kanker kulit berdasarkan citra dermoskopi sebagai berpotensi mendukung akurasi pengambilan keputusan medis dalam perawatan pasien lebih lanjut.
Identifier
- OpenAlex: https://openalex.org/W4412475764
- DOI: https://doi.org/10.24252/jft.v12i1.56651

