Penanganan Imbalance Kelas dan Analisis Fairness untuk Klasifikasi Penyakit Kulit Berbasis DaViT pada Dataset DermaCon-IN

Bima, Moch. (2026) Penanganan Imbalance Kelas dan Analisis Fairness untuk Klasifikasi Penyakit Kulit Berbasis DaViT pada Dataset DermaCon-IN. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (2MB)
	PDF BAB_I.pdf Download (222kB)
	PDF BAB_II.pdf Download (2MB)
	PDF BAB_III.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (5MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (233kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (215kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (1MB)
	Archive (ZIP) 00000045997_2521_LembarPengesahan.pdf Restricted to Registered users only Download (64kB)

Abstract

Sistem deep learning untuk klasifikasi penyakit kulit menghadapi dua tantangan simultan: class imbalance ekstrem dan bias demografis terhadap kelompok warna kulit tertentu yang berpotensi memperparah disparitas layanan kesehatan di negara berkembang. Penelitian ini membandingkan lima teknik penanganan imbalance pada dataset DermaCon-IN (5.450 citra, 8 kelas, imbalance ratio 58,32:1) menggunakan DaViT-Tiny sebagai backbone seragam: (A) Cross-Entropy Loss sebagai baseline, (B) Weighted Random Sampler, (C) Class-Balanced Loss ( = 0,9999), (D) Balanced Softmax Loss, dan (E) Logit Adjustment Loss ( = 1,0). Evaluasi mencakup performa klasifikasi (macro F1, balanced accuracy) serta keadilan demografis (fairness) terhadap kelompok Fitzpatrick Skin Type (FST) dan Monk Skin Tone (MST), diintegrasikan dalam composite score berbobot. Hasil menunjukkan Exp B memperoleh macro F1 tertinggi (0,4489) dan Exp C mencapai balanced accuracy tertinggi (0,4471). Dari sisi fairness, Exp E menghasilkan FST accuracy gap terendah (0,0581), turun 53,6% relatif terhadap baseline (0,1252). Berdasarkan composite score multidimensional yang membobot performa dan fairness secara simultan, Exp C (Class-Balanced Loss, = 0,9999) terpilih sebagai metode terbaik dengan skor 0,6107, unggul atas Exp B (0,5996) dan baseline (0,5684). Terdapat trade-off nyata antara performa agregat dan keadilan demografis, sehingga composite score multidimensional direkomendasikan sebagai kriteria pemilihan model pada sistem AI dermatologi yang inklusif.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Bima, Moch. (00000045997)
Contributors:	Permana, Angga Aditya
Keywords:	Class Imbalance, Composite Score, DaViT, Dermatologi, Fairness- Aware, Klasifikasi Penyakit Kulit, Long-Tailed Learning
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	31 Jul 2026 11:57
URI:	https://kc.umn.ac.id/id/eprint/49087

Actions (login required)

View Item