Kanker kulit merupakan salah satu jenis kanker yang paling banyak didiagnosis di dunia, dengan lebih dari 1,5 juta kasus baru tercatat pada tahun 2020. Penyakit ini terutama dipicu oleh paparan radiasi ultraviolet yang dapat merusak DNA dan memicu mutasi sel. Kanker kulit dikelompokkan menjadi dua kategori besar, yaitu melanoma dan non-melanoma, yang mencakup basal cell carcinoma dan squamous cell carcinoma. Diagnosis dini sangat menentukan keberhasilan penanganan, namun di banyak wilayah, khususnya daerah dengan fasilitas kesehatan terbatas, jumlah tenaga medis ahli yang mampu mendiagnosis kanker kulit secara akurat masih sangat terbatas.
Untuk membantu mengatasi kesenjangan tersebut, penelitian ini mengembangkan sistem kecerdasan buatan berbasis citra dermoskopi yang dapat membantu tenaga medis memberikan diagnosis awal atau opini kedua dalam mengidentifikasi jenis kanker kulit. Sistem dibangun menggunakan bahasa pemrograman Python dan memanfaatkan dataset citra dermoskopi dari International Skin Imaging Collaboration (ISIC), yang difokuskan pada dua kelas utama, yaitu melanoma dan non-melanoma.
Sebelum dianalisis, setiap citra melalui serangkaian tahap pra-pemrosesan untuk meningkatkan kualitas gambar. Tahap ini meliputi pengubahan ukuran citra, peningkatan kontras dengan metode Contrast Limited Adaptive Histogram Equalization (CLAHE), penghapusan artefak rambut yang kerap mengganggu hasil segmentasi, konversi citra ke skala keabuan, hingga proses thresholding untuk memisahkan area kulit yang dicurigai kanker dari latar belakangnya.
Ciri khas dari setiap citra kemudian diekstraksi melalui dua pendekatan yang digabungkan, yaitu metode fraktal dengan teknik box counting untuk mengukur tingkat kekasaran tepi lesi kulit, serta Gray Level Co-occurrence Matrix (GLCM) yang menangkap hubungan spasial antar piksel melalui fitur homogenitas, energi, dan korelasi. Kombinasi kedua jenis fitur ini terbukti memberikan informasi yang lebih kaya dibandingkan penggunaan fitur fraktal saja.
Data hasil ekstraksi fitur selanjutnya diklasifikasikan menggunakan algoritma Support Vector Machine (SVM) dengan empat jenis kernel yang diujicobakan, yaitu linear, RBF, polynomial, dan sigmoid. Ketidakseimbangan jumlah data antar kelas diatasi dengan teknik SMOTEENN, sementara validasi model dilakukan melalui metode k-fold cross-validation agar performa sistem tetap konsisten pada data baru.
Hasil pengujian menunjukkan bahwa kernel polynomial memberikan performa terbaik dibandingkan kernel lainnya, dengan akurasi pelatihan mencapai 97,71% dan akurasi pengujian mencapai 100%. Capaian ini jauh lebih tinggi dibandingkan rancangan dasar sistem yang hanya mencapai akurasi 64,38% pada pelatihan dan 74,24% pada pengujian, menunjukkan bahwa penambahan tahap pra-pemrosesan serta kombinasi fitur fraktal dan GLCM secara signifikan meningkatkan kemampuan sistem dalam membedakan citra melanoma dan non-melanoma.
Dengan tingkat akurasi yang tinggi ini, sistem identifikasi kanker kulit berbasis kecerdasan buatan ini berpotensi menjadi alat bantu diagnosis non-invasif yang dapat mendukung tenaga medis, khususnya di wilayah dengan keterbatasan akses ke dokter spesialis kulit. Pengembangan lebih lanjut, misalnya melalui integrasi dengan antarmuka pengguna grafis (GUI), berpotensi memperluas manfaat praktis sistem ini dalam mendukung layanan kesehatan kulit.
Sumber penelitian:
Emmanuella Aurelia Rachel Passa, Endah Purwanti, Syifa Candiki Samatha, Alfian Pramudita Putra, Rinci Kembang Hapsari.
Skin Cancer Identification Based on Dermoscopy Images Using Fractal and Gray Level Co-occurrence Matrix Features.
In: Triwiyanto, Rizal A, Caesarendra W (Eds.), Proceedings of the 5th International Conference on Electronics, Biomedical Engineering, and Health Informatics (ICEBEHI 2024). Lecture Notes in Electrical Engineering, vol. 1611, Springer, Singapore, pp. 202鈥218 (2026).
