<![CDATA[Penelitian ini bertujuan mengembangkan metode klasifikasi kanker kulit berbasis pembelajaran mendalam untuk meningkatkan akurasi diagnosis melanoma menggunakan pendekatan berbasis patch dan segmentasi superpiksel. Metode yang diterapkan mencakup segmentasi citra menggunakan algoritma Simple Linear Iterative Clustering (SLIC), ekstraksi multi-fitur tingkat piksel dan superpiksel, serta klasifikasi menggunakan model Convolutional Neural Network (CNN) yang dimodifikasi. Dataset yang digunakan berasal dari platform Kaggle dengan total 1.400 citra, di mana 5.000 patch dipilih secara acak untuk pelatihan dan validasi model. Hasil penelitian menunjukkan bahwa segmentasi superpiksel dengan parameter optimal mampu membentuk area homogen yang representatif, memperjelas batas lesi, dan mengurangi noise. Pada tahap ekstraksi fitur, fitur statistik tingkat piksel, seperti median kanal hijau (G) dan rata-rata kanal biru (B), memberikan akurasi tertinggi sebesar 93,3% dan sensitivitas hingga 92,2%. Kanal biru menunjukkan kemampuan yang lebih optimal dalam merepresentasikan kontras visual antara lesi dan kulit normal. Modifikasi arsitektur CNN menghasilkan akurasi klasifikasi hingga 93,3% dengan peningkatan generalisasi pada dataset yang bervariasi. Kesimpulan dari penelitian ini adalah bahwa kombinasi segmentasi superpiksel, ekstraksi fitur multi-level, dan klasifikasi berbasis CNN memberikan solusi yang efektif untuk deteksi dini kanker kulit. Pendekatan ini tidak hanya meningkatkan akurasi tetapi juga menyediakan model yang dapat diimplementasikan secara luas dalam mendukung tenaga medis untuk diagnosis yang lebih akurat dan konsisten. Penelitian ini membuka peluang pengembangan lebih lanjut untuk optimisasi parameter segmentasi dan integrasi data multikultural.]]>
