Klasifikasi Kanker Kulit pada Data Tidak Seimbang Menggunakan Ensemble CNN dan Support Vector Machine Berbasis Feature Fusion

Abstract

Kanker kulit merupakan masalah kesehatan serius yang memerlukan deteksi dini akuratuntuk meningkatkan peluang kesembuhan. Tantangan utama dalam diagnosis otomatis berbantuan komputer adalah ketidakseimbangan data dermoskopi, seperti pada dataset HAM10000, yang menyebabkan model cenderung bias memprediksi kelas mayoritas. Penelitian ini bertujuan membangun sistem klasifikasi yang adaptif menggunakan pendekatan Hybrid Learning. Metode yang diusulkan menerapkan strategi penyeimbangan data Hybrid Sampling dan teknik Feature Fusion yang menggabungkan representasi fitur visual dari Ensemble CNN yang terdiri dari EfficientNet, DenseNet, dan VGG16. Vektor fitur gabungan tersebut kemudian diklasifikasikan menggunakan algoritma Support Vector Machine (SVM). Hasil penelitian mencatat perolehan akurasi pelatihan sebesar 99% dan akurasi validasi mencapai 82%. Pencapaian ini menunjukkan bahwa integrasi fitur multi-model dengan kemampuan diskriminatif SVM efektif mengatasi dominasi kelas mayoritas serta menghasilkan performa diagnostik yang lebih stabil dibandingkan penggunaan arsitektur model tunggal dalam membedakan tujuh jenis penyakit kulit.
Kata Kunci — kanker kulit, ensemble cnn, support vector machine, feature fusion, data tidak seimbang, deep learning