Jurnal Kecerdasan Buatan dan Teknologi Informasi Vol.
No.
January 2025, hlm.
e-ISSN: 2964-2922, p-ISSN: 2963-6191 DOI: https://doi.
org/10.
69916/jkbti.
STUDI PERBANDINGAN METODE SUPPORT VECTOR MACHINE.
RANDOM
FOREST.
DAN CONVOLUTIONAL NEURAL NETWORK UNTUK KLASIFIKASI
PENYAKIT KULIT
Putri Armilia Prayesy Teknologi Rekayasa Perangkat Lunak.
Informatika dan Bisnis.
Politeknik Manufaktur Negeri Bangka Belitung.
Bangka.
Indonesia Email: putri@polman-babel.
(Diterima : 10 Desember 2024.
Direvisi : 20 Januari 2025.
Disetujui : 20 Januari 2.
Abstrak Penyakit kulit merupakan salah satu masalah kesehatan yang sering terjadi dan membutuhkan diagnosis yang cepat dan akurat untuk menghindari komplikasi atau mempercepat penanganan.
Namun, proses diagnosis manual seringkali memakan waktu dan bergantung pada keahlian dokter.
Keterlambatan dalam diagnosis dapat menyebabkan perburukan kondisi pasien, memperpanjang waktu pemulihan, dan memperpanjang durasi perawatan atau menyebabkan komplikasi yang lebih serius.
Untuk mengatasi permasalahan ini, teknologi pembelajaran mesin dapat dimanfaatkan untuk mengotomatisasi proses klasifikasi penyakit kulit.
Penelitian ini membahas perbandingan tiga metode klasifikasi utama Support Vector Machine (SVM).
Random Forest, dan Convolutional Neural Network (CNN), untuk menganalisis Dataset citra kulit normal dan penyakit kulit.
Dataset terdiri dari berbagai jenis kulit yang telah melalui preprocessing data, seperti normalisasi, augmentasi data, dan ekstraksi fitur, guna meningkatkan kualitas data sebelum pelatihan model.
Dataset yang digunakan dalam penelitian ini di menggunakan data science yang bersumber dari kaggle.
Hasil penelitian menunjukkan bahwa CNN memberikan performa terbaik dengan akurasi mencapai 92%, berkat kemampuannya menangkap pola non-linear dalam citra.
Random Forest menunjukkan performa yang stabil dengan akurasi 85%, terutama pada Dataset yang lebih terstruktur.
Sementara itu.
SVM mencatat akurasi 78%, tetapi memiliki keterbatasan pada data berdimensi tinggi.
Kesimpulannya.
CNN lebih unggul untuk klasifikasi citra kulit kompleks, sementara Random Forest dan SVM dapat menjadi alternatif untuk Dataset sederhana.
Penelitian ini memberikan kontribusi dalam pengembangan teknologi AI untuk mendukung diagnosis penyakit kulit yang lebih cepat dan akurat.
Kata kunci: klasifikasi, machine learning, support vector machine, random forest, convolutional neural network.
A COMPARATIVE STUDY OF SUPPORT VECTOR MACHINE.
RANDOM FOREST,
AND CONVOLUTIONAL NEURAL NETWORK METHODS FOR SKIN DISEASE
DATASET CLASSIFICATION
Abstract Skin diseases are one of the most common health problems that require quick and accurate diagnosis to prevent complications or expedite treatment.
However, manual diagnostic processes are often time-consuming and reliant on the expertise of doctors.
Delays in diagnosis can worsen the patientAos condition, extend recovery times, and prolong treatment duration or lead to more serious complications.
To address these issues, machine learning technology can be utilized to automate the classification process of skin diseases.
This study compares three main classification methodsAiSupport Vector Machine (SVM).
Random Forest, and Convolutional Neural Network (CNN)Aito analyze a Dataset of normal and diseased skin images.
The Dataset includes various types of skin that have undergone preprocessing data steps such as normalization, data augmentation, and feature extraction to enhance data quality before model training.
The Dataset used in this study was sourced from Kaggle.
The results show that CNN provides the best performance with an accuracy of 92%, thanks to its ability to capture non-linear patterns in images.
Random Forest demonstrates stable performance with an accuracy of 85%, particularly on more structured Datasets.
Meanwhile.
SVM records an accuracy of 78%, but it has limitations when dealing with high-dimensional data.
In conclusion.
CNN is superior for classifying complex skin images, while Random Forest and SVM can serve as alternatives for simpler Datasets.
This research contributes to the development of AI technology to support faster and more accurate skin disease diagnosis.
Putri Armilia Prayesy.
Studi Perbandingan Metode Support Vector Machine.
Random Forest.
Dan Convolutional Neural Network Untuk Klasifikasi Penyakit Kulit.
Keywords: classification, machine learning, support vector machine, random forest, convolutional neural network.
PENDAHULUAN
Penyakit kulit merupakan salah satu masalah kesehatan yang sering terjadi dan dapat memengaruhi kualitas hidup penderitanya.
Proses diagnosis penyakit kulit sering kali memerlukan keahlian dari tenaga medis dengan mengamati gejala fisik pada kulit, seperti perubahan warna, tekstur, atau adanya bercak, tentunya proses ini seringkali membutuhkan waktu yang lama dan hasilnya sangat bergantung pada tingkat keahlian dokter.
Oleh karena itu, dibutuhkan solusi berbasis teknologi yang dapat membantu mendiagnosis penyakit kulit secara cepat dan akurat.
Perkembangan teknologi kecerdasan buatan (Artificial Intelligenc.
dan pembelajaran mesin (Machine Learnin.
telah membuka peluang baru dalam bidang kesehatan, khususnya untuk mendeteksi dan mengklasifikasikan penyakit melalui analisis citra medis .
Berbagai algoritma, seperti Support Vector Machine (SVM).
Random Forest, dan Convolutional Neural Network (CNN), telah banyak digunakan untuk tugas-tugas klasifikasi data, termasuk citra medis.
Ketiga algoritma ini menawarkan berbagai keunggulan, seperti kemampuan untuk mengolah data berdimensi tinggi dan mengidentifikasi pola-pola kompleks yang sulit dikenali oleh manusia.
Pada penelitian sebelumnya yang dilakukan oleh Nurul Khasanah, dkk melakukan penelitan Klasifikasi Kanker Kulit Menggunakan Algoritma Random Forest, penelitian ini menggunakan ekstraksi fitur histogram menghasilkan akurasi 0,834, sedangkan menggunakan ekstraksi fitur haralick menghasilkan akurasi 0,619, sedangkan menggunakan ekstraksi fitur hue moments menghasilkan akurasi 0,842.
Dari ketiga ekstraksi fitur yang digunakan, dapat disimpulkan bahwa hasil akurasi terbaik diperoleh dengan ekstraksi fitur hue moments dengan nilai akurasi 0,842.
Kebaharuan dari penelitian ini adalah penggunakan ekstraksi fitur yang lebih beragam dan hasil akurasi yang lebih baik dari penelitian sebelumnya.
Namun kekurangan dari penelitian ini yaitu belum adanya aplikasi yang berisi penerapan algoritma, sehingga hasil tidak bisa langsung diterapkan pada dunia medis.
Ricky Yohanes, dkk melakukan penelitian tentang Klasifikasi Jenis Kanker Kulit Menggunakan CNN-SVM.
Penelitian ini menerapkan metode CNN SVM untuk mengklasifikasi jenis-jenis kanker kulit.
CNN yang sebagai ekstraksi fitur dengan arsitektur VGG-19 dan ResNet-50.
SVM digunakan sebagai pengklasifikasi dengan menggunakan kernel linear dan RBF kemudian dioptimasi menggunakan random dan grid.
Hasil dari penelitian ini didapatkan preprocessing data patch arsitektur VGG-19 menggunakan kernel linear optimasi random dan grid dengan nilai accuracy sebesar 65,33%, nilai recall sebesar 65,33%, nilai precision sebesar 68,51%, dan nilai f1-score sebesar 65,77% .
Fauzan Nuraulia Darmawan, dkk melakukan penelitian Sistem Klasifikasi Peyakit Kulit Menggunakan Metode Convolutional Neural Network (CNN) Berbasis Website, penelitian ini menegaskan bahwa aplikasi deteksi penyakit kulit berbasis Convolutional Neural Network (CNN) dan pengembangan berbasis web yang diimplementasikan dengan metode Waterfall menunjukkan hasil yang memuaskan.
Sistem ini dapat mengklasifikasikan gambar penyakit kulit dengan akurasi mencapai 87%, precision 85%, dan recall 84%, serta memberikan hasil klasifikasi dalam waktu respons rata-rata di bawah lima detik.
Pengembangan model CNN, yang mencakup preprocessing data gambar, pelatihan, dan evaluasi, telah berhasil menghasilkan model yang efisien dan akurat .
Penelitian ini bertujuan untuk membandingkan ketiga metode klasifikasi tersebut pada Dataset citra kulit normal dan penyakit kulit dengan menggunakan algoritma SVM.
Random Forest, dan CNN dalam mengklasifikasikan penyakit kulit .
Perbandingan ini penting untuk mengevaluasi keunggulan dan kelemahan masing-masing metode, terutama karena beberapa penelitian sebelumnya menunjukkan hasil yang bervariasi.
Dengan membandingkan tiga metode ini, penelitian dapat memberikan rekomendasi algoritma yang paling efektif untuk tugas klasifikasi citra kulit serta memperbaiki keterbatasan yang ditemukan dalam studi sebelumnya.
Dataset yang digunakan mencakup berbagai jenis citra kulit yang telah diproses untuk meningkatkan kualitas data.
Dengan membandingkan .
tiga metode ini, penelitian diharapkan dapat memberikan wawasan mengenai keunggulan dan kelemahan masing-masing metode serta memberikan rekomendasi algoritma yang paling efektif untuk tugas klasifikasi citra kulit.
Dari beberapa penelitian tersebut, terlihat perbedaan dalam metode klasifikasi dan hasil Penelitian ini diharapkan dapat berkontribusi pada pengembangan teknologi berbasis AI di bidang kesehatan, khususnya dalam mendukung proses diagnosis penyakit kulit yang lebih cepat, akurat, dan efisien .
METODE PENELITIAN
Pada penelitian ini, peneliti menggunakan tiga algoritma yang digunakan untuk membandingkan performa dari ketiga algoritma pembelajaran mesin tersebut, yaitu Support Vector Machine.
Random Forest, dan Convolutional Neural Network dalam klasifikasi Dataset penyakit kulit dan kulit normal.
Tahapan dalam penelitian ini terdiri dari beberapa langkah dapat dilihat pada gambar 1 berikut :
Putri Armilia Prayesy.
Studi Perbandingan Metode Support Vector Machine.
Random Forest.
Dan Convolutional Neural Network Untuk Klasifikasi Penyakit Kulit.
Pengumpulan Data Preprocessing Data Implementasi Model Pembagian Data Evaluasi Gambar 1.
Metode Penelitian 1 Pengumpulan Data Dataset yang akan digunakan dalam penelitian ini diperoleh dari platform Kaggle, merupakan salah satu repositori data dengan akses terbuka dan terpercaya.
Dataset yang di dapatkan dari platform kaggle dalam penelitian ini terdiri dari 4.
222 citra yang mencakup berbagai kondisi kulit, termasuk kulit normal dan beberapa jenis penyakit kulit seperti psoriasis, eksim, dermatitis atopik dan melanoma.
Setiap citra telah dilabeli sesuai dengan kondisi kulitnya, sehingga memudahkan proses pelatihan dan evaluasi model.
Dataset ini dipilih karena ukurannya yang cukup besar dan keragamannya, yang memungkinkan analisis lebih mendalam terhadap pola dan karakteristik dari masing-masing kategori kulit .
Tabel 1.
Contoh Dataset Ukuran Luka Tingkat Kategori Tekstur Warna Dominan .
Kekeingan .
Dermatitis Atopik Kasar Kuning Pucat Dermatitis Atopik Kasar Kuning Pucat Dermatitis Atopik Kasar Kuning Pucat Dermatitis Atopik Kasar Kuning Pucat Dermatitis Atopik Kasar Kuning Pucat Dermatitis Atopik Kasar Kuning Pucat Eksim Sangat Kasar Coklat Kemerahan Eksim Kasar Coklat Kemerahan Eksim Sangat Kasar Coklat Kemerahan 10 Eksim Sangat Kasar Coklat Kemerahan 11 Eksim Sangat Kasar Coklat Kemerahan 12 Eksim Sangat Kasar Coklat Kemerahan 13 Melanoma Sangat Kasar Hitam Pekat 14 Melanoma Sangat Kasar Hitam Pekat 15 Melanoma Sangat Kasar Hitam Pekat 16 Melanoma Sangat Kasar Hitam Pekat 17 Melanoma Sangat Kasar Hitam Pekat 18 Melanoma Sangat Kasar Hitam Pekat 19 Normal Halus Merah Muda 20 Normal Halus Merah Muda 21 Normal Halus Merah Muda 22 Normal Halus Merah Muda 23 Normal Halus Merah Muda 24 Normal Halus Merah Muda 25 Psoriasis Kasar Merah Gelap 26 Psoriasis Kasar Merah Gelap 27 Psoriasis Kasar Merah Gelap 28 Psoriasis Kasar Merah Gelap 29 Psoriasis Kasar Merah Gelap 30 Psoriasis Kasar Merah Gelap 2 Preprocessing Data Tahap preprocessing data ini dilakukan untuk memastikan kualitas data yang optimal sebelum memasuki proses pelatihan model.
Langkah-langkah yang dilakukan adalah sebagai berikut:
Putri Armilia Prayesy.
Studi Perbandingan Metode Support Vector Machine.
Random Forest.
Dan Convolutional Neural Network Untuk Klasifikasi Penyakit Kulit.
Gambar 2.
Preprocessing data Data Dataset : Tahap awal adalah mengumpulkan kumpulan data citra yang akan digunakan untuk melatih diperoleh dari platform Kaggle dalam penelitian ini terdiri dari 4.
222 citra yang mencakup berbagai kondisi kulit, termasuk kulit normal dan beberapa jenis penyakit kulit seperti psoriasis, eksim, dermatitis atopik dan melanoma.
Normalisasi Citra: Semua citra dalam Dataset diubah ukurannya menjadi dimensi seragam, yaitu 224x224 piksel, dan nilai pikselnya dinormalisasi ke rentang 0-1 untuk mempermudah proses pelatihan.
Augmentasi Data: Teknik augmentasi seperti rotasi, flipping, penyesuaian pencahayaan, dan zoom diterapkan untuk meningkatkan variasi data, sehingga model lebih robust terhadap perubahan kecil dalam pola citra.
Penghapusan Noise: Citra yang mengandung noise, seperti blur atau artefak lainnya, difilter menggunakan metode smoothing untuk meningkatkan kualitas visual.
Ekstraksi Fitur : Untuk metode tradisional seperti SVM dan Random Forest, fitur seperti tekstur (GLCM), warna dominan .
, dan bentuk .
dge detectio.
diekstraksi sebagai representasi data.
Ekstraksi ini tidak diperlukan untuk CNN karena fitur diekstraksi langsung melalui lapisan konvolusi .
Hasil Dataset : Setelah melalui semua tahap preprocessing data, dihasilkan Dataset baru yang siap digunakan untuk melatih model.
Langkah-langkah ini bertujuan untuk menghasilkan Dataset yang bersih dan bervariasi, sehingga model dapat mempelajari pola secara lebih efektif dan menghasilkan performa yang lebih baik.
Preprocessing data data ini berperan penting dalam memastikan keberhasilan pelatihan dan performa model klasifikasi .
Implementasi Model Pada penelitian ini, tiga algoritma pembelajaran mesin digunakan untuk mengklasifikasikan Dataset penyakit kulit dan kulit normal, yaitu Support Vector Machine.
Random Forest, dan Convolutional Neural Network.
Implementasi setiap model dijelaskan sebagai berikut:
Support Vector Machine (SVM) : SVM menggunakan kernel linear untuk memisahkan data secara optimal.
Model dilatih dengan parameter C dan gamma yang dioptimalkan menggunakan pencarian grid .
untuk memastikan hasil terbaik.
Model ini mengandalkan fitur yang telah diekstraksi, seperti tekstur, warna dominan, dan bentuk, untuk mengenali pola dalam data.
Random Forest: Algoritma ensemble ini menggunakan 100 pohon keputusan dengan pemilihan fitur secara acak untuk meningkatkan akurasi dan mengurangi overfitting .
Sama seperti SVM.
Random Forest bekerja pada data yang telah diekstraksi fiturnya.
Convolutional Neural Network (CNN) : Model CNN dirancang dengan beberapa lapisan konvolusi, pooling, dan fully connected.
yang memungkinkan pengenalan pola visual kompleks.
Citra yang telah melalui preprocessing data langsung digunakan sebagai input CNN, sehingga meningkatkan efisiensi pelatihan .
Putri Armilia Prayesy.
Studi Perbandingan Metode Support Vector Machine.
Random Forest.
Dan Convolutional Neural Network Untuk Klasifikasi Penyakit Kulit.
4 Pembagian Data Dataset yang digunakan dalam penelitian ini terdiri dari 4.
222 citra yang mencakup berbagai kondisi kulit, seperti kulit normal dan beberapa jenis penyakit kulit, termasuk psoriasis, eksim, dermatitis atopik, dan melanoma.
Sebelum digunakan untuk pelatihan dan pengujian model.
Dataset ini dibagi menjadi dua bagian utama, yaitu data latih dan data uji, dengan perbandingan 80% untuk data latih dan 20% untuk data uji.
Data Latih .
%): Digunakan untuk melatih model agar dapat mengenali pola dalam data.
Data latih digunakan untuk melatih model pembelajaran mesin agar dapat mengenali pola dan karakteristik dari masing-masing kategori kulit.
Model SVM dan Random Forest dilatih menggunakan fitur-fitur spesifik seperti tekstur, warna dominan, dan bentuk diekstraksi terlebih dahulu dari citra, kemudian digunakan sebagai input model.
Hal ini penting untuk memastikan bahwa model dapat memahami hubungan antar fitur dan menghasilkan prediksi yang akurat Model CNN dilatih langsung pada citra yang telah melalui preprocessing data digunakan secara langsung tanpa ekstraksi fitur manual, karena CNN mampu mengekstraksi pola visual langsung melalui lapisan-lapisannya.
Data Uji .
%): Digunakan untuk menguji performa model pada data yang belum pernah dilihat Hal ini bertujuan untuk mengukur kemampuan generalisasi model dan menghindari Evaluasi dilakukan dengan menghitung metrik seperti akurasi, precision, recall, dan F1-score pada prediksi model terhadap data uji.
Pembagian data ini dirancang untuk memastikan bahwa model dilatih secara efektif dengan data yang representatif, tetapi tetap memiliki bagian data terpisah untuk mengevaluasi kinerjanya secara obyektif.
Dengan pendekatan ini, penelitian dapat memberikan gambaran yang lebih jelas tentang keunggulan dan kelemahan setiap algoritma dalam menangani data citra medis yang kompleks 5 Evaluasi Model Semua model diuji pada data uji menggunakan metrik akurasi, precision, recall, dan F1-score untuk membandingkan performanya.
Akurasi : Proporsi prediksi yang benar dari keseluruhan data uji.
Akurasi = Jumlah Prediksi Benar = TP TN
Total Data
TP TN FP FN
Dimana:
TP = True Positive .
enar positi.
TN = True Negative .
enar negati.
FP = False Positive .
alah positi.
FN= False Negative .
alah negati.
Precision : Kemampuan model dalam memprediksi label positif secara akurat.
Precision = TP FP Recall : Kemampuan model dalam menangkap semua data dengan label positif.
Recall = TP FN F1-score : Rata-rata harmonis dari precision dan recall.
F1-score = 2 X Precision x Recall Precision Recall HASIL DAN PEMBAHASAN Perbandingan Algoritma Support Vector Machine.
Random Forest, dan Convolutional Neural Network.
Hasil pengujian menunjukkan bahwa setiap algoritma memiliki kelebihan dan kekurangan tergantung pada kompleksitas dan pola data yang diolah.
Pada tahap pengujian.
Dataset yang telah diproses dibagi menjadi data latih dan data uji dengan proporsi 80:20.
Kinerja model dievaluasi menggunakan metrik akurasi, precision, recall, dan F1-score.
Secara keseluruhan.
CNN menunjukkan hasil terbaik dengan kemampuan menangani data citra yang kompleks, sementara Random Forest memberikan hasil yang stabil pada data yang lebih terstruktur .
Di sisi lain.
SVM, meskipun memiliki waktu pelatihan yang lebih cepat, mengalami kesulitan dalam menangani data berdimensi tinggi seperti citra.
Putri Armilia Prayesy.
Studi Perbandingan Metode Support Vector Machine.
Random Forest.
Dan Convolutional Neural Network Untuk Klasifikasi Penyakit Kulit.
Hasil penelitian ini menegaskan bahwa pemilihan algoritma yang tepat sangat bergantung pada karakteristik Dataset dan kebutuhan analisis.
Berikut ini adalah hasil pengujian dan pembahasan rinci dari masing-masing Tabel 2.
Perbandingan Algoritma Algoritma Akurasi Precision Recall F1 - Score Support Vector Machine.
Random Forest Convolutional Neural Network Dari tabel 2 dapat dilihat .
CNN menunjukkan kinerja terbaik dalam semua metrik evaluasi, dengan akurasi sebesar 92%, precision 94%, recall 90%, dan F1-score 92%.
Keunggulan ini disebabkan oleh kemampuan CNN dalam mengenali pola non-linear dan kompleks pada data citra.
Lapisan konvolusi dalam CNN dirancang untuk mengekstraksi fitur visual secara otomatis, seperti tekstur, tepi, dan bentuk, tanpa memerlukan ekstraksi fitur Menegaskan bahwa algoritma ini sangat cocok untuk data berdimensi tinggi dan berstruktur kompleks seperti citra medis.
Sementara Random Forest menempati posisi kedua dengan akurasi 85% dengan keunggulan yang stabil pada Dataset yang terstruktur, penggunaan ensemble 100 pohon keputusan memberikan stabilitas pada hasil, mengurangi risiko overfitting, dan memungkinkan model untuk bekerja baik pada data yang memiliki variasi moderat.
Meskipun tidak seunggul CNN pada data citra yang kompleks.
Sedangkan SVM memiliki performa terendah dengan akurasi 78% kurang efektif dalam menangani data berdimensi tinggi.
di mana SVM mengalami kesulitan dalam menangkap pola non-linear .
Namun, algoritma ini masih dapat menjadi alternatif yang baik untuk Dataset sederhana atau ketika waktu pelatihan menjadi faktor utama, karena algoritma ini memiliki kecepatan pelatihan yang lebih tinggi Grafik Perbandingan Performa Model Grafik Pada Gambar 3 memberikan visualisasi gambaran dari perbandian tiga algoritma, dapat dilihat dengan jelas tentang keunggulan CNN dalam menangani data citra yang kompleks .
, sementara Random Forest menunjukkan hasil yang stabil pada data dengan fitur terstruktur.
Sebaliknya.
SVM memiliki keterbatasan dalam menangani pola non-linear, yang memengaruhi kinerjanya pada Dataset ini.
Grafik ini mendukung hasil kuantitatif yang telah disampaikan sebelumnya, sekaligus memberikan panduan untuk memilih model yang sesuai berdasarkan kebutuhan analisis dan karakteristik data.
Gambar 3.
Grafik Perbandingan Performa Model Pada Gambar 3 Grafik secara keseluruhan mengilustrasikan bahwa pemilihan algoritma sangat bergantung pada karakteristik Dataset dan tujuan analisis.
CNN lebih unggul untuk data citra kompleks, sedangkan Random Forest Putri Armilia Prayesy.
Studi Perbandingan Metode Support Vector Machine.
Random Forest.
Dan Convolutional Neural Network Untuk Klasifikasi Penyakit Kulit.
dan SVM cocok untuk data dengan fitur terstruktur dan dimensi yang lebih rendah.
Grafik ini memberikan wawasan berharga dalam menentukan algoritma yang sesuai untuk kebutuhan klasifikasi citra medis.
KESIMPULAN
Penelitian ini bertujuan untuk membandingkan tiga metode klasifikasi utama Support Vector Machine (SVM).
Random Forest, dan Convolutional Neural Network (CNN), dalam menganalisis Dataset citra kulit normal dan penyakit kulit.
Penelitian ini berkontribusi pada pengembangan sistem diagnosis otomatis berbasis AI yang lebih cepat dan akurat, yang dapat mendukung praktik medis, khususnya dalam mendeteksi penyakit kulit secara dini dan Tujuan dari analisis ini adalah untuk mengembangkan model yang dapat secara otomatis membedakan antara kulit yang normal dengan kulit yang memiliki penyakit atau gangguan.
Dataset terdiri dari berbagai jenis kulit yang telah melalui preprocessing data, seperti normalisasi, augmentasi data, dan ekstraksi fitur, guna meningkatkan kualitas data sebelum pelatihan model.
Setelah data diproses, ketiga metode klasifikasi utama ini digunakan untuk membandingkan performanya dalam mengidentifikasi jenis kulit, baik itu kulit normal atau kulit yang terinfeksi Penelitian ini memberikan wawasan penting mengenai keunggulan dan keterbatasan masing-masing metode dalam klasifikasi citra kulit.
Hasil penelitian menunjukkan bahwa CNN memberikan performa terbaik dengan akurasi mencapai 92%, berkat kemampuannya menangkap pola non-linear dalam citra.
Random Forest menunjukkan performa yang stabil dengan akurasi 85%, terutama pada Dataset yang lebih terstruktur.
Sementara itu.
SVM mencatat akurasi 78%, tetapi memiliki keterbatasan pada data berdimensi tinggi.
Kesimpulannya.
CNN lebih unggul untuk klasifikasi citra kulit kompleks, sementara Random Forest dan SVM dapat menjadi alternatif untuk Dataset sederhana.
Penelitian ini memberikan kontribusi dalam pengembangan teknologi AI untuk mendukung diagnosis penyakit kulit yang lebih cepat dan akurat.
DAFTAR PUSTAKA