Perbandingan Kinerja Kernel SVM dalam Klasifikasi Kategori Kanker Kulit Menggunakan Transfer Learning

Abstract

Penelitian ini mengkaji efektivitas kombinasi transfer learning dengan Support Vector Machines (SVM) untuk klasifikasi kanker kulit. Tujuan utama dari penelitian ini adalah untuk mengklasifikasikan gambar kulit secara akurat ke dalam kelas "jinak" dan "ganas". Model VGG-19 yang telah dilatih sebelumnya digunakan untuk mengekstraksi fitur-fitur mendalam dari gambar kulit, menangkap pola visual yang rumit. Fitur-fitur ini kemudian dimasukkan ke dalam classifier SVM, dengan eksplorasi dilakukan pada kernel Radial Basis Function (RBF) dan Polynomial. Kinerja model-model yang diusulkan dievaluasi menggunakan dataset gambar kulit. Hasil eksperimen menunjukkan bahwa SVM dengan kernel Polynomial mengungguli SVM dengan kernel RBF dalam hal akurasi dan recall, khususnya untuk kelas "ganas". Hal ini menunjukkan bahwa kernel Polynomial lebih baik dalam menangkap hubungan kompleks dalam data. Pendekatan transfer learning, yang memanfaatkan model VGG-19 yang telah dilatih sebelumnya, secara signifikan meningkatkan kemampuan model untuk mengekstraksi fitur yang bermakna dari gambar, berkontribusi pada peningkatan akurasi klasifikasi. Temuan ini menunjukkan bahwa kombinasi transfer learning dan SVM, terutama dengan kernel Polynomial, menawarkan pendekatan yang menjanjikan untuk klasifikasi kanker kulit. Metode yang diusulkan dapat membantu dalam deteksi dini penyakit dan meningkatkan akurasi diagnosis, yang berpotensi mengarah pada hasil pasien yang lebih baik. Penelitian di masa depan dapat mengeksplorasi penggunaan dataset yang lebih besar dan lebih beragam, serta integrasi fitur atau teknik tambahan untuk lebih meningkatkan kinerja klasifikasi.