Publisher

UNITOMOUNITOMO

Journal Inform: Jurnal Ilmiah Bidang Teknologi Informasi dan KomunikasiInform: Jurnal Ilmiah Bidang Teknologi Informasi dan Komunikasi Abstract

Kanker kulit merupakan masalah kesehatan global yang signifikan karena tingkat mortalitasnya yang tinggi. Deteksi dini dan akurat sangat penting, tetapi sering kali terhambat oleh keterbatasan metode diagnostik tradisional. Penelitian ini menerapkan algoritma YOLOv11 untuk klasifikasi lesi kulit langsung dari gambar dermoskopik menggunakan dataset HAM10000 (10.015 gambar, 7 kelas lesi kulit). Tujuan utama adalah mengevaluasi kinerja YOLOv11 dalam klasifikasi multi-kelas dan menilai dampak dari data augmentation (rotasi, flipping horizontal) dalam mengatasi ketidakseimbangan kelas. Metodologi melibatkan dua eksperimen: melatih YOLOv11 pada dataset asli dan dataset yang diperluas, serta membandingkan kinerjanya dengan arsitektur multi-tahap (VGG19 dan ResNet50). Lima model YOLOv11 yang telah dilatih diuji menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil menunjukkan bahwa model YOLOv11x-cls yang dilatih pada dataset yang diperluas mencapai kinerja terbaik di antara model YOLOv11 (akurasi 84,74%, presisi 83,94%, recall 84,74%, F1-score 84,06%). Namun, VGG19 mencatat akurasi tertinggi (89,68%). Data augmentation efektif meningkatkan kinerja model dengan mengurangi ketidakseimbangan kelas. Penelitian ini juga menunjukkan bahwa arsitektur multi-tahap lebih baik dalam tugas klasifikasi lesi kulit daripada arsitektur single-stage. Kontribusi utama penelitian ini adalah: (1) perbandingan kinerja komprehensif YOLOv11 dengan VGG19 dan ResNet50 untuk klasifikasi lesi kulit dan (2) validasi empiris efektivitas data augmentation dalam meningkatkan kinerja model.

Conclusion

Studi ini berfokus pada eksplorasi kinerja arsitektur single-stage YOLOv11 dalam klasifikasi lesi kulit menggunakan dataset HAM10000, dengan membandingkannya dengan arsitektur multi-tahap VGG19 dan ResNet50, serta menyelidiki dampak data augmentation terhadap kinerja model.Hasil menunjukkan bahwa data augmentation secara signifikan meningkatkan akurasi model YOLOv11x-cls, dari 68,51% menjadi 84,74%.Namun, VGG19 mencapai kinerja tertinggi di antara semua model, dengan akurasi 89,68%.Penelitian ini menunjukkan bahwa meskipun arsitektur single-stage menawarkan efisiensi komputasi, arsitektur multi-tahap dengan ekstraksi fitur hierarkis menghasilkan kinerja klasifikasi yang lebih baik.Kontribusi utama penelitian ini adalah memberikan validasi empiris kinerja YOLOv11 dalam konteks klasifikasi lesi kulit, serta mengonfirmasi signifikansi data augmentation dalam meningkatkan kinerja model.Temuan menunjukkan bahwa meskipun arsitektur single-stage efisien dalam pemrosesan, arsitektur multi-tahap mempertahankan keunggulan dalam kinerja klasifikasi.Model YOLOv11x-cls menunjukkan kinerja yang lebih baik daripada model YOLOv8 yang dilaporkan dalam studi sebelumnya.Selain itu, menggunakan metodologi saat ini, kesenjangan kinerja antara YOLOv11x-cls kami dan model multi-tahap relatif kecil.Penelitian lebih lanjut disarankan untuk mengeksplorasi model yang lebih maju dan mengembangkan teknik augmentasi yang lebih inovatif untuk mengatasi tantangan dalam dataset lesi kulit.

Future Research

Berdasarkan hasil penelitian ini, kami merekomendasikan beberapa saran penelitian lanjutan. Pertama, perlu dilakukan eksplorasi lebih lanjut terhadap model-model canggih yang lebih mutakhir untuk meningkatkan kinerja klasifikasi lesi kulit. Kedua, pengembangan teknik-teknik augmentasi yang lebih inovatif dapat membantu mengatasi tantangan dalam dataset lesi kulit, seperti ketidakseimbangan kelas dan variasi visual antar kelas. Ketiga, penelitian lebih lanjut dapat dilakukan untuk membandingkan kinerja YOLOv11 dengan arsitektur multi-tahap lainnya, seperti DenseNet atau EfficientNet, untuk menentukan arsitektur mana yang paling efektif dalam tugas klasifikasi lesi kulit. Dengan demikian, penelitian lanjutan ini dapat membantu meningkatkan akurasi dan kehandalan sistem klasifikasi lesi kulit, yang pada akhirnya dapat bermanfaat dalam membantu para ahli dermatologi dalam mendiagnosis dan mengklasifikasikan lesi kulit secara lebih akurat.

References

1. Application of the YOLO algorithm for Medical Purposes in the Detection of Skin Cancer – DOI UBKG.... doi.org/10.46793/TIE24.083CApplication of the YOLO algorithm for Medical Purposes in the Detection of Skin Cancer Ae DOI UBKG doi 10 46793 TIE24 083C
2. Inform: Jurnal Ilmiah Bidang Teknologi Informasi dan Komunikasi. skin lesion yolov11 ham10000 dataset... doi.org/10.25139/inform.v10i1.9310Inform Jurnal Ilmiah Bidang Teknologi Informasi dan Komunikasi skin lesion yolov11 ham10000 dataset doi 10 25139 inform v10i1 9310
3. Accurate Skin Lesion Classification Using Multimodal Learning on the HAM10000 and ISIC 2017 Datasets... medrxiv.org/content/10.1101/2024.05.30.24308213v5Accurate Skin Lesion Classification Using Multimodal Learning on the HAM10000 and ISIC 2017 Datasets medrxiv content 10 1101 2024 05 30 24308213v5

Metadata

File size	499.85 KB
Pages	8
DMCA	Report