Publisher

STTSSTTS

Journal INSYST: Journal of Intelligent System and ComputationINSYST: Journal of Intelligent System and Computation Abstract

Kulit adalah bagian sensitif dari tubuh manusia yang rentan terhadap penyakit. Kulit memainkan peran penting dalam fungsi tubuh sebagai penghalang terhadap agen eksternal seperti angin, air, dan sinar matahari. Penyakit kulit menduduki peringkat keempat di antara penyakit yang umumnya menyebabkan berbagai penyakit manusia dan memengaruhi sepertiga populasi global. Selain itu, penyakit kulit dapat berdampak pada kehidupan sosial dan kesehatan mental. Oleh karena itu, kesehatan kulit sangat penting. Salah satu jenis penyakit kulit melibatkan lesi kulit, yang sering kali muncul serupa karena bentuknya yang hampir identik. Berdasarkan data yang dikumpulkan melalui wawancara, pemeriksaan fisik adalah tahap diagnostik paling menantang bagi kebanyakan orang. Hal ini dapat menyebabkan kesalahan diagnosis ketika dilakukan secara visual oleh ahli dermatologi. Selain itu, pemeriksaan lebih lanjut, seperti biopsi, kadang-kadang diperlukan, yang menimbulkan biaya dan memerlukan teknologi yang tidak selalu tersedia untuk semua dokter.

Conclusion

Berdasarkan hasil yang diperoleh, dapat disimpulkan bahwa penggunaan Convolutional Neural Networks (CNN) dengan transfer learning menghasilkan model dengan kemampuan klasifikasi yang sangat baik.Implementasi Real-ESRGAN dan Wiener Filter terbukti meningkatkan kinerja model secara signifikan, dari akurasi 96,63% menjadi 99,09%.Secara keseluruhan, metode CNN dengan arsitektur ResNet-50, bersama dengan data preprocessing menggunakan Real-ESRGAN dan Wiener Filter, optimizer Adam, dan regularisasi dropout dengan tuning hyperparameter, berhasil mencapai kinerja tinggi dalam mengklasifikasi penyakit kulit wajah dengan akurasi 99,09%.Dengan presisi 0,96, recall 0,95, dan F1-score 0,95, penggunaan ResNet-50 dapat disimpulkan memberikan hasil yang sangat baik.

Future Research

Untuk penelitian lanjutan, disarankan untuk bereksperimen dengan arsitektur CNN yang lebih baru, meningkatkan data pelatihan, dan mengeksplorasi teknik preprocessing yang berbeda. Selain itu, penyesuaian parameter model menggunakan algoritma dapat dilakukan untuk mencapai hasil optimal. Kemampuan generalisasi model juga dapat diuji pada objek atau dataset yang berbeda. Penting untuk mempertimbangkan trade-off antara akurasi dan interpretabilitas, karena model yang lebih kompleks dapat meningkatkan akurasi tetapi juga dapat menyulitkan orang lain untuk menafsirkan dan memahami model tersebut.

References

1. Implementation of ResNet-50 on End-to-End Object Detection (DETR) on Objects | Sinkron : jurnal dan penelitian... jurnal.polgan.ac.id/index.php/sinkron/article/view/12378Implementation of ResNet 50 on End to End Object Detection DETR on Objects Sinkron jurnal dan penelitian jurnal polgan ac index php sinkron article view 12378
2. Classification of Skin Diseases Using Transfer Learning with ResNet-50 Architecture and Data Preprocessing... doi.org/10.52985/insyst.v7i1.399Classification of Skin Diseases Using Transfer Learning with ResNet 50 Architecture and Data Preprocessing doi 10 52985 insyst v7i1 399

Metadata

File size	1.04 MB
Pages	10
DMCA	Report