Analisis Prediksi Penyakit Kulit Menggunakan VGG-19, Inception V4 dan ResNet-152 Analisis Prediksi Penyakit Kulit Menggunakan VGG-19, Inception V4 dan ResNet-152

Taufiqur Rahman, . (2025) Analisis Prediksi Penyakit Kulit Menggunakan VGG-19, Inception V4 dan ResNet-152 Analisis Prediksi Penyakit Kulit Menggunakan VGG-19, Inception V4 dan ResNet-152. Masters thesis, Universitas Pamulang.

	Text COVER.pdf Restricted to Registered users only Download (926kB)
	Text BAB I.pdf Restricted to Registered users only Download (96kB)
	Text BAB II.pdf Restricted to Registered users only Download (676kB)
	Text BAB III.pdf Restricted to Registered users only Download (408kB)
	Text BAB IV.pdf Restricted to Registered users only Download (2MB)
	Text BAB V.pdf Restricted to Registered users only Download (10kB)
	Text JURNAL.pdf Restricted to Registered users only Download (390kB)

Abstract

Penyakit kulit seperti kanker kulit, Psoriasis, dan dermatitis tidak hanya berdampak pada kesehatan fisik tetapi juga memengaruhi kondisi mental dan kualitas hidup penderita. Keberagaman gejala dan kemiripan visual antar penyakit sering kali membuat diagnosis menjadi sulit dan memerlukan keahlian khusus. Untuk mengatasi tantangan ini, Artificial Intelligence (AI), khususnya Convolutional Neural Network (CNN), dapat membantu mendeteksi dan mengklasifikasikan penyakit kulit secara lebih cepat dan akurat. Penelitian ini mengevaluasi performa tiga model CNN VGG- 19, Inception V4, dan ResNet-152—dalam menganalisis citra medis penyakit kulit. Dataset yang digunakan telah diperkaya melalui augmentasi untuk meningkatkan variasi gambar dan memperkuat kemampuan generalisasi model. Evaluasi dilakukan berdasarkan accuracy dan F1-Score guna mengukur efektivitas model dalam mengklasifikasikan berbagai jenis penyakit kulit. Hasilnya, Inception V4 menunjukkan performa terbaik dengan accuracy 77,38% dan F1-Score 77,48%, terutama unggul dalam mendeteksi penyakit seperti Melanoma dan Seborrheic Keratoses. ResNet-152 berada di posisi kedua dengan accuracy 70,56% dan F1-Score 70,60%, menunjukkan kinerja yang baik dalam mengenali Benign Keratosis-like Lesions dan Tinea, meskipun menghadapi kendala pada kelas dengan distribusi data yang tidak merata. VGG-19 mencatat accuracy 70,08% dan F1-Score 69,94%, cukup baik dalam mengenali Warts dan Molluscum, tetapi mengalami kesulitan pada kelas dengan karakteristik yang tumpang tindih seperti Eczema dan Psoriasis. Meskipun beberapa kelas masih mengalami kesalahan prediksi, ketiga model ini secara keseluruhan mampu menangkap pola penting dalam klasifikasi penyakit kulit. Temuan ini menegaskan bahwa Inception V4 merupakan pilihan terbaik untuk diagnosis otomatis, sementara ResNet-152 dan VGG-19 tetap relevan untuk tugas klasifikasi tertentu. Implementasi model ini dalam sistem berbasis AI dapat membantu mempercepat diagnosis, terutama di wilayah dengan keterbatasan tenaga medis.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Deteksi penyakit kulit, CNN, VGG-19, Inception V4, ResNet-152, pembelajaran mendalam, transfer learning, klasifikasi citra, pencitraan medis, TensorFlow
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User:	miko
Date Deposited:	04 Jul 2025 08:01
Last Modified:	04 Jul 2025 08:16
URI:	http://repository.unpam.ac.id/id/eprint/16767

Actions (login required)

View Item