ILMUBERSAMAILMUBERSAMA

Hello World Jurnal Ilmu KomputerHello World Jurnal Ilmu Komputer

Tujuan penelitian ini adalah untuk meningkatkan ketepatan dalam mengidentifikasi jenis-jenis jerawat dengan memanfaatkan teknik klasifikasi menggunakan citra dan Convolutional Neural Networks (CNN). Pemilihan CNN sebagai metode didasarkan pada kemampuannya dalam mengekstrak fitur-fitur hierarki dari gambar, memungkinkan pengenalan pola yang kompleks dari setiap jenis jerawat. Penggunaan model CNN dalam penelitian ini disesuaikan dengan efisiensi untuk mengklasifikasi dengan penyesuaian khusus demi konteks identifikasi jerawat. Tingkat akurasi mencapai 88%, yang dievaluasi dengan menggunakan confusion matrix dan classification report. Penelitian ini memberikan kontribusi yang penting dalam pengembangan teknik identifikasi jerawat dan mempertimbangkan variasi kondisi guna meningkatkan ketepatan klasifikasi.

Model Convolutional Neural Network (CNN) mampu mengklasifikasikan jenis jerawat pada citra wajah dengan akurasi sebesar 88%.Akurasi yang diperoleh sangat tergantung pada kualitas citra yang digunakan dalam pelatihan dan pengujian.Penting untuk memahami proses pengolahan citra agar model dapat belajar dengan efektif dan memberikan hasil klasifikasi yang akurat.

Pertama, perlu dikembangkan penelitian dengan menggunakan dataset jerawat yang lebih besar dan beragam untuk meningkatkan generalisasi model, termasuk variasi kondisi pencahayaan, sudut pengambilan gambar, dan jenis kulit yang lebih luas. Kedua, dapat dilakukan eksplorasi arsitektur CNN yang lebih dalam atau model hybrid seperti kombinasi CNN dengan Transformer atau model berbasis attention untuk meningkatkan kemampuan deteksi fitur halus pada jerawat. Ketiga, penting untuk menguji penerapan model secara real-time melalui aplikasi mobile atau kamera digital guna mengevaluasi kinerja sistem dalam kondisi nyata, termasuk pengaruh noise gambar dan resolusi rendah terhadap akurasi klasifikasi. Penelitian lanjutan juga dapat mengevaluasi efektivitas augmentasi data yang lebih canggih seperti GAN (Generative Adversarial Network) untuk mengatasi keterbatasan jumlah data. Selain itu, pendekatan transfer learning dengan model pra-pelatih seperti ResNet atau EfficientNet dapat diuji untuk mempercepat konvergensi dan meningkatkan akurasi. Studi perbandingan antara berbagai fungsi aktivasi dan optimasi juga diperlukan guna menemukan konfigurasi terbaik untuk kasus klasifikasi jerawat. Penelitian juga bisa mengevaluasi kinerja model pada sub-kategori jerawat yang lebih spesifik, seperti peradangan tingkat ringan, sedang, dan berat. Integrasi model dengan sistem diagnosis awal berbasis kecerdasan buatan layak dieksplorasi untuk aplikasi kesehatan kulit personal. Terakhir, validasi model oleh dokter kulit profesional akan memberikan gambaran objektif mengenai keakuratan medis sistem. Semua hal ini dapat memperkuat pengembangan sistem identifikasi jerawat berbasis citra yang andal dan siap digunakan di dunia nyata.

  1. Klasifikasi Mutu Fisik Tempe Menggunakan Metode Convolutional Neural Network (CNN) | Karo Karo | STRING... journal.lppmunindra.ac.id/index.php/STRING/article/view/17596Klasifikasi Mutu Fisik Tempe Menggunakan Metode Convolutional Neural Network CNN Karo Karo STRING journal lppmunindra ac index php STRING article view 17596
  2. Sistem Kontrol Color Sorting Machine Dengan Pengolahan Citra Digital | JTEIN: Jurnal Teknik Elektro Indonesia.... doi.org/10.24036/jtein.v4i1.393Sistem Kontrol Color Sorting Machine Dengan Pengolahan Citra Digital JTEIN Jurnal Teknik Elektro Indonesia doi 10 24036 jtein v4i1 393
  1. #model hybrid cnn-lstm#model hybrid cnn-lstm
Read online
File size255.21 KB
Pages6
Short Linkhttps://juris.id/p-1pH
Lookup LinksGoogle ScholarGoogle Scholar, Semantic ScholarSemantic Scholar, CORE.ac.ukCORE.ac.uk, WorldcatWorldcat, ZenodoZenodo, Research GateResearch Gate, Academia.eduAcademia.edu
DMCAReport

Related /

ads-block-test