Eksplorasi Dampak Berbagai Kompresi Gambar terhadap Akurasi Model Machine dan Deep Learning

Dataset gambar medis berukuran besar (ISIC 2016, lesi kulit) memperlambat pelatihan model machine learning dan deep learning. Studi ini membandingkan dampak kompresi Huffman Encoding versus Discrete Cosine Transform (DCT) terhadap waktu prapemrosesan, waktu klasifikasi, dan akurasi pada model CNN, SVM, Random Forest, Logistic Regression, Gradient Boosting, dan Ensemble.

Dataset gambar medis resolusi tinggi memerlukan kapasitas penyimpanan dan waktu pemrosesan besar, tetapi belum jelas metode kompresi mana yang dapat memangkas ukuran data secara signifikan tanpa merusak akurasi model klasifikasi.

Dataset dikompresi menggunakan Huffman Encoding dan DCT secara terpisah, lalu enam model klasifikasi (CNN, SVM, RF, LR, GB, Ensemble) dilatih pada data hasil masing-masing kompresi, membandingkan waktu prapemrosesan, waktu klasifikasi, ukuran data, dan akurasi terhadap data tanpa kompresi.

Keenam model dilatih dan diuji pada tiga versi dataset (asli, terkompresi Huffman, terkompresi DCT), mengukur ukuran data akhir, waktu pemrosesan, dan akurasi klasifikasi masing-masing model pada tiap versi.

Huffman Encoding memangkas ukuran data 83,16% (menjadi ±131MB), lebih besar dari DCT yang memangkas 48,33% (menjadi ±402MB). Random Forest dan Gradient Boosting mempertahankan akurasi stabil di sekitar 81% pada kedua kompresi, sementara akurasi SVM menurun (dari 77% menjadi 70% pada kompresi Huffman).

Memberikan panduan praktis pemilihan metode kompresi untuk pipeline machine learning pada citra medis: Huffman Encoding unggul dalam efisiensi penyimpanan, tetapi pemilihan model klasifikasi (RF/GB dibanding SVM) menentukan seberapa besar akurasi tetap terjaga.

Evaluasi hanya menggunakan satu dataset (ISIC 2016) dan dua metode kompresi, sehingga generalisasi ke jenis citra medis lain atau metode kompresi lain masih memerlukan penelitian lanjutan.