Kombinasi Max Pooling dan Global Average Pooling pada Convolutional Neural Networks untuk Prediksi Kanker Kulit

Salam Fitra, Nagalay and Chairani, Fauzi (2025) Kombinasi Max Pooling dan Global Average Pooling pada Convolutional Neural Networks untuk Prediksi Kanker Kulit. Masters thesis, Institute Informatics and Business Darmajaya.

	Text cover.pdf Download (96kB)
	Text Halaman Persetujuan Dan pengesahan.pdf Download (1MB)
	Text abstrak.pdf Download (36kB)
	Text Daftar-isi.pdf Download (67kB)
	Text bab1.pdf Download (65kB)
	Text bab2.pdf Download (304kB)
	Text bab3.pdf Download (339kB)
	Text bab4.pdf Download (736kB)
	Text bab5.pdf Download (39kB)
	Text daftar-pustaka.pdf Download (126kB)
	Text lampiran.pdf Download (230kB)

Abstract

Kanker kulit merupakan salah satu penyakit yang mengancam kesehatan manusia, dengan kasus baru yang terus meningkat setiap tahunnya. Deteksi dini sangat penting untuk meningkatkan tingkat kesembuhan, namun metode diagnosis konvensional seperti biopsi seringkali invasif, lambat, dan mahal. Oleh karena itu, pengembangan sistem diagnosis berbasis kecerdasan buatan, khususnya Convolutional Neural Networks (CNN), menjadi solusi potensial untuk meningkatkan akurasi dan efisiensi diagnosis. Penelitian ini bertujuan untuk mengevaluasi kinerja model CNN dengan kombinasi Max Pooling dan Global Average Pooling (GAP) dalam mendeteksi kanker kulit berdasarkan citra digital. Dataset ISIC (International Skin Imaging Collaboration) digunakan dengan fokus pada dua kategori kanker kulit, yaitu malignant (ganas) dan benign (jinak). Kombinasi Max Pooling dan GAP diharapkan dapat meningkatkan presisi dan mengurangi risiko overfitting. Hasil penelitian menunjukkan bahwa model kombinasi Max Pooling dan GAP mencapai presisi sebesar 96,35%, yang menunjukkan kemampuan model dalam meminimalkan false positive. Namun, recall model kombinasi relatif rendah, yaitu 85,99%, menunjukkan kurangnya sensitivitas dalam mendeteksi kasus malignant. Akurasi model kombinasi mencapai 91,68%, sedikit lebih rendah dibandingkan model yang hanya menggunakan Max Pooling (91,79%). Meskipun kombinasi Max Pooling dan GAP tidak meningkatkan akurasi secara signifikan, model ini mampu mengoptimalkan presisi, yang sangat penting dalam aplikasi medis untuk menghindari kesalahan diagnosis.

Item Type:	Thesis (Masters)
Subjects:	Ilmu Komputer eTheses
Divisions:	Pasca Sarjana > Magister Teknik Informatika
Depositing User:	Fitra Salam
Date Deposited:	17 Sep 2025 06:37
Last Modified:	17 Sep 2025 06:37
URI:	http://repo.darmajaya.ac.id/id/eprint/22805

Actions (login required)

View Item