Klasifikasi Penyakit Kulit Wajah Menggunakan Metode Convolutional Neural Network

Nurkhasanah Nurkhasanah; Murinto Murinto

doi:10.30595/sainteks.v18i2.13188

Authors

Nurkhasanah Nurkhasanah Universitas Ahmad Dahlan
Murinto Murinto Universitas Ahmad Dahlan

DOI:

https://doi.org/10.30595/sainteks.v18i2.13188

Keywords:

CNN, klasifikasi, penyakit kulit wajah, VGG16

Abstract

Permasalahan kulit tidak hanya merugikan kesehatan fisik namun dapat juga menimbulkan masalah psikologi, terutama jika penyakit kulit ini terjadi di wajah. Pemeriksaan yang dilakukan oleh dokter saat ini hanya mengandalkan penglihatan objek mata dan riwayat penyakit pasien, sehingga memungkinkan terjadinya kesalahan pada analisis dan diagnosa penyakit. Penelitian ini dilakukan untuk menghasilkan sistem klasifikasi penyakit kulit wajah menggunakan metode convolutional neural network (CNN). Data yang digunakan pada penelitian ini sebanyak 500 sampel data citra dengan 5 Jenis penyakit kulit wajah yaitu jerawat, eksim, milia, herpes, dan melasma. Pada penelitian ini proses klasifikasi menggunakan metode CNN. Arsitektur model yang digunakan adalah VGG16. Dalam pemodelan VGG16 terdapat dua lapisan yaitu feature extraction dan classification. Di dalam feature extraction terdapat convolution layer menggunakan 3 layer dengan kedalaman filter yang berbeda pada setiap layernya. Fungsi aktivasi ReLu dan avarage pooling digunakan untuk mengurangi feature map. Lapisan classification terdapat fully connected layer dan softmax digunakan untuk klasifikasi. Metode CNN yang digunakan pada penelitian ini memperoleh hasil yang sangat baik, dimana didapat hasil proses pelatihan sebesar 98% dan hasil validasi 88% dengan data pealtihan sebanyak 325 citra dan data validasi sebanyak 125. Hasil akurasi yang didapat pada pengujian terhadap data baru sebesar 90% dengan data uji sebanyak 50 citra. Dengan demikian, dapat dikatakan hasil yang diperoleh pada pengujian penelitian ini sangat baik.

References

Ahmed, A. A. and Darwish, S. M. (2021) ‘A Meta-Heuristic Automatic CNN Architecture Design Approach Based on Ensemble Learning’, IEEE Access, 9, pp. 16975–16987.

Ayumi, V. et al. (2017) ‘Optimization of convolutional neural network using microcanonical annealing algorithm’, 2016 International Conference on Advanced Computer Science and Information Systems, ICACSIS 2016, pp. 506–511. d

Aziz, A. and Karpen (2019) ‘Diagnosa Penyakit Kulit Wajah Menggunakan’, Jurnal Teknologi Dan Open Source, 2(1), pp. 74–86.

Fernandes Junior, F. E. and Yen, G. G. (2019) ‘Particle swarm optimization of deep neural networks architectures for image classification’, Swarm and Evolutionary Computation. Elsevier B.V., 49(June), pp. 62–74. doi: 10.1016/j.swevo.2019.05.010.

Kadam, S. S., Adamuthe, A. C. and Patil, A. B. (2020) ‘CNN Model for Image Classification on MNIST and Fashion-MNIST Dataset’, Journal of scientific research, 64(02), pp. 374–384.

Savera, T. R., Suryawan, W. H. and Setiawan, A. W. (2020) ‘Deteksi Dini Kanker Kulit Menggunakan K-Nn Dan Early Detection of Skin Cancer Using K-Nn and Convolutional’, Jurnal Teknologi Informasi Dan Ilmu Komputer, 7(2), pp. 373–378.

Simonyan, K. and Zisserman, A. (2015) ‘Very deep convolutional networks for large-scale image recognition’, 3rd International Conference on Learning Representations, ICLR 2015 - Conference Track Proceedings, pp. 1–14.

Suartika E. P, I Wayan, Wijaya Arya Yudhi, S. R. (2016) ‘Klasifikasi Citra Menggunakan Convolutional Neural Network (Cnn) Pada Caltech 101’, Jurnal Teknik ITS, 5(1), p. 76. Available at: http://repository.its.ac.id/48842/.

Wu, Z. et al. (2019) ‘Studies on Different CNN Algorithms for Face Skin Disease Classification Based on Clinical Images’, IEEE Access, 7(c), pp. 66505–66511.

Yasir, R., Rahman, M. A. and Ahmed, N. (2015) ‘Dermatological disease detection using image processing and artificial neural network’, 8th International Conference on Electrical and Computer Engineering: Advancing Technology for a Better Tomorrow, ICECE 2014, pp. 687–690.