ANALISIS PEMANFAATAN REGION OF INTEREST (ROI)-BASED LEARNING TERHADAP KINERJA MODEL KLASIFIKASI LESI KULIT BERBASIS DEEP LEARNING PADA CITRA DERMATOSKOPI

Lesi kulit merupakan indikator utama dalam proses diagnosis kanker kulit, namun diagnosis konvensional masih terkendala keterbatasan tenaga ahli dan subjektivitas interpretasi visual. Penelitian ini menganalisis pemanfaatan Region of Interest (ROI)-Based Learning untuk terhadap kinerja model klasifikasi lesi kulit berbasis deep learning pada citra dermatoskopi. Metode yang diusulkan menggunakan pipeline dua tahap, yaitu deteksi dan lokalisasi area lesi menggunakan YOLO26 untuk menghasilkan ROI, kemudian citra hasil pemotongan ROI diklasifikasikan menggunakan EfficientNet-B4. Model dilatih pada dataset HAM10000 yang terdiri atas tujuh kelas lesi dan diuji generalisasinya melalui cross-dataset evaluation pada dataset ISIC 2018.
Hasil penelitian menunjukkan detektor YOLO26 mampu melokalisasi area lesi dengan kualitas tinggi (mAP@0,50 = 0,972; mean IoU = 0,8083). Pemanfaatan ROI meningkatkan seluruh metrik evaluasi dibandingkan kondisi tanpa ROI, yaitu accuracy dari 0,9032 menjadi 0,9669, F1-macro dari 0,8377 menjadi 0,9345, F1-weighted dari 0,9024 menjadi 0,9668, dan ROC-AUC dari 0,9810 menjadi 0,9916. Peningkatan terbesar pada F1-macro (+9,68 poin persentase) mengindikasikan bahwa penerapan ROI cenderung memberikan manfaat yang lebih besar pada kelas-kelas minoritas. Peningkatan ini signifikan secara statistik melalui uji Bootstrap Confidence Interval (p < 0,05) dengan medium effect size (Cohen's h = 0,2633). Analisis kualitas ROI menunjukkan semakin tinggi nilai IoU dan confidence deteksi, semakin tinggi pula akurasi klasifikasi, dan konsistensi kontribusi ROI turut terkonfirmasi pada evaluasi cross-dataset ISIC 2018 (ROC-AUC = 0,9965; macro F1-score = 0,9246). Dengan demikian, pemanfaatan ROI-Based Learning terbukti meningkatkan akurasi dan generalisasi klasifikasi lesi kulit.