STUDI PERBANDINGAN METODE SUPPORT VECTOR MACHINE, RANDOM FOREST, DAN CONVOLUTIONAL NEURAL NETWORK UNTUK KLASIFIKASI PENYAKIT KULIT

Abstract

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.