Implementasi Convolutional Neural Network dengan Arsitektur Alexnet Untuk Klasifikasi Penyakit Kulit
Abstract
Penyakit kulit ialah kelainan pada kulit yang disebabkan karena adanya jamur, kuman, parasit, virus maupun infeksi yang dapat menyerang siapa saja dan kapan saja. Pendeteksian penyakit kulit sejak dini dapat mempercepat pengobatan untuk mencegah penularan ke wilayah yang lebih luas. Pentingnya deteksi dini penyakit kulit memungkinkan orang yang terinfeksi untuk segera memulai pengobatan yang tepat. Penelitian ini dilakukan untuk melakukan pengujian performa dari algoritma CNN untuk mengetahui seberapa efektif algoritma CNN dalam melakukan klasifikasi penyakit kulit. Objek yang digunakan dalam penelitian ini berjumlah 1200 data penyakit kulit yang terdiri dari tiga class yaitu penyakit kulit scabies, melanoma, dan juga nevus dengan perbandingan 80% digunakan sebagai data latih dan 20% sebagai data uji. Sebelum di lakukan pengolahan data, dilakukan terlebih dahulu proses data preprocessing yang bertujuan untuk mempersiapkan data sebelum proses pelatihan model. Data akan diolah menggunakan metode Convolutional Neural Network (CNN) arsitektur Alexnet untuk melakukan tugas klasifikasi. Hasil dari pengujian kinerja model menggunakan metode Confusion Matrix diperoleh nilai akurasi mencapai 81%, sehingga metode CNN dengan arsitektur AlexNet dapat digunakan untuk tugas klasifikasi penyakit kulit dengan cukup baik.
References
Rizky Adawiyah and Dadang Iskandar Mulyana, “Optimasi Deteksi Penyakit Kulit Menggunakan Metode Support Vector Machine (SVM) dan Gray Level Co-occurrence Matrix (GLCM),” Inf. (Jurnal Inform. dan Sist. Informasi), vol. 14, no. 1, pp. 18–33, 2022, doi: 10.37424/informasi.v14i1.138.
R. R. A. P. O. Briliani and I. Palupi, “Klasifikasi Penyakit Kulit menggunakan Image Processing dan Artificial Neural Network (ANN),” e-Proceeding Eng., vol. 9, no. 3, pp. 1902–1912, 2022.
F. N. Cahya, N. Hardi, D. Riana, and S. Hadiyanti, “Klasifikasi Penyakit Mata Menggunakan Convolutional Neural Network (CNN),” Sistemasi, vol. 10, no. 3, p. 618, 2021, doi: 10.32520/stmsi.v10i3.1248.
A. Supriyanto, “GENDER FACE DETECTION WITH HIJAB AND NON-HIJAB FEATURES USING,” vol. 6, 2023.
A. Subayu and Supatman, “Deteksi Tingkat Kematangan Fermentasi Singkong (Tape Singkong) Menggunakan Convolutional Neural Network (CNN),” J. Inf. Syst. Artif. Intell., vol. 2, no. 2, pp. 136–141, 2022, doi: 10.26486/jisai.v2i2.68.
M. N. Bajwa et al., “Computer-aided diagnosis of skin diseases using deep neural networks,” Appl. Sci., vol. 10, no. 7, pp. 1–13, 2020, doi: 10.3390/app10072488.
O. Arifin and T. B. Sasongko, “Analisa perbandingan tingkat performansi metode support vector machine dan naïve bayes classifier,” Semin. Nas. Teknol. Inf. dan Multimed. 2018, vol. 6, no. 1, pp. 67–72, 2018.
M. A. Hanin, R. Patmasari, and R. Y. Nur, “Sistem Klasifikasi Penyakit Kulit Menggunakan Convolutional Neural Network ( Cnn ) Skin Disease Classification System Using Convolutional Neural Network ( Cnn ),” e-Proceeding Eng., vol. 8, no. 1, pp. 273–281, 2021.
I. Wulandari, H. Yasin, and T. Widiharih, “Klasifikasi Citra Digital Bumbu Dan Rempah Dengan Algoritma Convolutional Neural Network (Cnn),” J. Gaussian, vol. 9, no. 3, pp. 273–282, 2020, doi: 10.14710/j.gauss.v9i3.27416.
S. S. Patil, S. S. Pardeshi, and A. D. Patange, “Health Monitoring of Milling Tool Inserts Using CNN Architectures Trained by Vibration Spectrograms,” C. - Comput. Model. Eng. Sci., vol. 136, no. 1, pp. 177–199, 2023, doi: 10.32604/cmes.2023.025516.
R. Ashraf et al., “Deep Convolution Neural Network for Big Data Medical Image Classification,” IEEE Access, vol. 8, pp. 105659–105670, 2020, doi: 10.1109/ACCESS.2020.2998808.
D. S. Candra, “Implementasi Convolutional Neural Network (CNN) Untuk Klasifikasi Citra Bunga,” vol. 16, no. 1, pp. 2580–2582, 2020.
S. N. Ria, M. Walid, and B. A. Umam, “Pengolahan Citra Digital Untuk Identifikasi Jenis Penyakit Kulit Menggunakan Metode Convolutional Neural Network (CNN),” Energy - J. Ilm. Ilmu-Ilmu Tek., vol. 12, no. 2, pp. 9–16, 2022, doi: 10.51747/energy.v12i2.1118.