Klasifikasi jenis jerawat menggunakan Convolutional Neural Network dengan arsitektur efficientNet

Fadhilla, Dilla Nur (2024) Klasifikasi jenis jerawat menggunakan Convolutional Neural Network dengan arsitektur efficientNet. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_cover.pdf Download (75kB) | Preview
Preview	Text (ABSTRAK) 2_abstrak.pdf Download (27kB) | Preview
Preview	Text (DAFTAR ISI) 3_daftarisi.pdf Download (66kB) | Preview
Preview	Text (BAB I) 4_bab1.pdf Download (123kB) | Preview
	Text (BAB II) 5_bab2.pdf Restricted to Registered users only Download (410kB) | Request a copy
	Text (BAB III) 6_bab3.pdf Restricted to Registered users only Download (485kB) | Request a copy
	Text (BAB IV) 7_bab4.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text (BAB V) 8_bab5.pdf Restricted to Registered users only Download (29kB) | Request a copy
	Text (DAFTAR PUSTAKA) 9_daftarpustaka.pdf Restricted to Registered users only Download (110kB) | Request a copy

Abstract

Jerawat merupakan permasalahan kulit yang mayoritasnya dialami oleh remaja dengan tingkat keparahan memuncak pada usia dewasa muda yang dampaknya tidak hanya bersifat fisik, tetapi juga dapat memicu timbulnya perasaan tidak percaya diri, stres, depresi, bahkan gangguan kecemasan serta membutuhkan penanganan yang tepat untuk mencegah komplikasi lebih lanjut. Identifikasi jenis jerawat secara akurat merupakan langkah awal yang krusial dalam menentukan perawatan yang sesuai. Metode Convolutional Neural Network (CNN) dapat digunakan untuk klasifikasi jenis jerawat dalam mempelajari fitur-fitur dari gambar. Dalam penelitian ini, dilakukan klasifikasi jenis jerawat menggunakan CNN dengan arsitektur EfficientNet yang membandingkan dua variasinya yaitu EfficientNet-B0 dan EfficientNet-B3. Dataset yang digunakan terdiri dari 685 gambar yang terbagi dalam 5 kelas diantaranya blackhead, whitehead, nodula, papula serta pustula. Sebelum melatih model dilakukan pra-pemrosesan data, diantaranya pelabelan data, pemisahan data, dan augmentasi data. Model dengan arsitektur EfficientNet-B0 memberikan hasil yang lebih baik dibandingkan dengan EfficientNet-B3, yang dievaluasi berdasarkan perhitungan confusion matrix dimana nilai accuracy, precision, recall, dan f1-score EfficientNet-B0 mencapai 97% sedangkan EfficientNet-B3 mencapai 93%. Hasil ini didapatkan setelah menguji model dengan 30 epoch dengan freeze 100 layer pertama pada base model untuk EfficienNet-B0, serta 25 epoch dengan freeze 100 layer pertama pada base model untuk EfficientNet-B3.

Actions (login required)

View Item