Peningkatan Akurasi DeepMelaNet Melalui Penghapusan Garis Rambut dan Peningkatan Kontras Citra

Abstrak

Melanoma adalah salah satu jenis kanker kulit yang paling berbahaya, berasal dari sel melanosit yang memproduksi melanin sebagai pigmen warna kulit. Penyakit ini dapat berkembang secara agresif dan berisiko tinggi menyebar ke organ tubuh lain jika tidak dideteksi sejak dini. Dengan diagnosis yang akurat menjadikan penyakit ini dapat dicegah agar tidak terjadi kematian akibat melanoma. Penelitian ini bertujuan untuk mengoptimalkan hasil klasifikasi melanoma berbasis citra dengan memanfaatkan model DeepMelaNet melalui integrasi dua teknik preprocessing utama, yaitu penghapusan garis rambut dan peningkatan kontras dengan metode CLAHE. Permasalahan kualitas citra dermoskopi yang kerap tidak konsisten menjadi hambatan dalam identifikasi detail klinis yang relevan, sehingga teknik preprocessing diperlukan untuk meningkatkan generalisasi dan reliabilitas model. Penelitian ini juga menerapkan beberapa augmentasi kemudian diproses lebih lanjut dengan eksperimen klasifikasi berbasis DeepMelaNet. Evaluasi dilakukan pada berbagai skenario kombinasi preprocessing untuk menilai dampak terhadap akurasi klasifikasi. Temuan utama menunjukkan bahwa urutan penerapan peningkatan kontras diikuti penghapusan garis rambut serta pengaturan learning rate secara optimal mampu meningkatkan akurasi validasi hingga 96,5 persen, melampaui pendekatan mandiri DeepMelaNet dan kombinasi lainnya sekaligus menghasilkan performa pelatihan yang paling stabil. Penelitian ini menegaskan bahwa pemilihan dan penyesuaian strategi preprocessing berperan krusial dalam meningkatkan akurasi dan generalisasi model deep learning untuk tugas klasifikasi melanoma, sehingga metode ini dapat direkomendasikan sebagai standar dalam analisis citra medis dermoskopi berbasis Deep Learning.