Klasifikasi kanker kulit melanoma menggunakan gray level co-occurrence matrix dan ensemble support vector machine berbasis citra kulit

INDONESIA:
Kanker kulit melanoma adalah salah satu jenis kanker kulit yang paling agresif dan berpotensi mematikan jika tidak dideteksi sejak dini. Deteksi dini melanoma menjadi penting untuk meningkatkan kemungkinan kesembuhan dan memperpanjang harapan hidup pasien. Penelitian ini bertujuan untuk meningkatkan akurasi klasifikasi melanoma melalui pendekatan ekstraksi fitur tekstur menggunakan metode Gray Level Co-occurrence Matrix dan teknik klasifikasi dengan metode Ensemble Support Vector Machine. GLCM digunakan untuk menggambarkan karakteristik tekstur citra kulit dengan mengamati hubungan spasial antar piksel, sedangkan ensemble SVM dengan teknik majority vote diterapkan untuk mengklasifikasikan hasil ekstraksi tersebut menjadi kategori melanoma jinak dan ganas. Studi ini mengevaluasi pengaruh kombinasi sudut dan variasi kernel SVM terhadap performa klasifikasi melanoma. Hasil menunjukkan bahwa penggunaan jarak antar piksel pada parameter GLCM dan variasi kernel pada ensemble SVM berkontribusi signifikan dalam meningkatkan akurasi deteksi. Penggunaan ensemble SVM dengan kernel linier, rbf dan polynomial degree 3 menghasilkan akurasi deteksi tertinggi sebesar 88,56% pada rasio pembagian data latih dan data uji 70:30. Hasil ini menunjukkan bahwa kombinasi metode GLCM dan ensemble SVM menawarkan pendekatan yang efektif dalam meningkatkan deteksi melanoma dan memiliki potensi untuk diterapkan dalam praktik klinis guna meningkatkan diagnosis dini dan pengelolaan kanker kulit melanoma.

ENGLISH:
Melanoma skin cancer is one of the most aggressive and potentially fatal types of skin cancer if not detected early. Early detection of melanoma is crucial to improving the likelihood of recovery and extending patients' life expectancy. This study aims to enhance the accuracy of melanoma classification through a texture feature extraction approach using the Gray Level Co-occurrence Matrix (GLCM) method and a classification technique employing the Ensemble Support Vector Machine (SVM) method. GLCM is utilized to describe the texture characteristics of skin images by observing spatial relationships between pixels, while ensemble SVM with a majority vote technique is applied to classify the extracted features into benign and malignant melanoma categories. This study evaluates the impact of combining angles and SVM kernel variations on melanoma classification performance. The results show that the use of pixel distance in GLCM parameters and kernel variations in ensemble SVM significantly contribute to improving detection accuracy. The ensemble SVM employing linear, RBF, and polynomial degree 3 kernels achieved the highest detection accuracy of 88.56% at a 70:30 train-test data split ratio. These findings indicate that the combination of GLCM and ensemble SVM methods offers an effective approach to improving melanoma detection and holds potential for clinical application to enhance early diagnosis and management of melanoma skin cancer.

ARABIC:
سرطان الجلد الميلانيني هو أحد أكثر أنواع سرطان الجلد عدوانية وربما مميتة إذا لم يتم اكتشافه مبكرًا. يعد الكشف المبكر عن الورم الميلانيني أمرًا بالغ الأهمية لتحسين احتمالية الشفاء وإطالة متوسط العمر المتوقع للمرضى. تهدف هذه الدراسة إلى تعزيز دقة تصنيف الورم الميلانيني من خلال نهج استخراج سمات الملمس باستخدام طريقة مصفوفة التواجد المشترك لمستوى الرمادي (GLCM) وتقنية تصنيف تستخدم طريقة آلة دعم المتجهات المجمعة (SVM). يتم استخدام GLCM لوصف خصائص ملمس صور الجلد من خلال ملاحظة العلاقات المكانية بين وحدات البكسل، بينما يتم تطبيق آلة دعم المتجهات المجمعة مع تقنية التصويت بالأغلبية لتصنيف السمات المستخرجة إلى فئات الورم الميلانيني الحميد والخبيث. تقيم هذه الدراسة تأثير الجمع بين الزوايا واختلافات نواة SVM على أداء تصنيف الورم الميلانيني. تظهر النتائج أن استخدام مسافة البكسل في معلمات GLCM والاختلافات النواة في آلة دعم المتجهات المجمعة يساهم بشكل كبير في تحسين دقة الكشف. حققت مجموعة SVM التي تستخدم نوى الدرجة 3 الخطية وRBF والمتعددة الحدود أعلى دقة في الكشف بنسبة 88.56% عند نسبة تقسيم بيانات التدريب والاختبار 70:30. تشير هذه النتائج إلى أن الجمع بين GLCM وطرق SVM المجمعة يوفر نهجًا فعالًا لتحسين اكتشاف الورم الميلانيني ويحمل إمكانات للتطبيق السريري لتعزيز التشخيص المبكر وإدارة سرطان الجلد الميلانيني.