KLASIFIKASI CACAR MONYET BERDASARKAN CITRA KULIT MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK: EFFICIENTNET-B0

PRAMUDYA EKO NITI, TARUNO (2023) KLASIFIKASI CACAR MONYET BERDASARKAN CITRA KULIT MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK: EFFICIENTNET-B0. S1 thesis, Universitas Mataram.

	Text Skripsi-Pramudya Eko Niti Taruno.pdf Restricted to Repository staff only Download (2MB)
Preview	Text Jurnal-Icadeis-Pramudya Eko Niti Taruno.pdf Download (310kB) | Preview

Abstract

Monkeypox, juga dikenal sebagai Mpox atau cacar monyet, adalah penyakit menular yang disebabkan oleh virus Orthopox. Cacar monyet menimbulkan ruam merah kecil muncul pada wajah dan tubuh, yang kemudian berkembang menjadi lepuh dan kerak. Lesi kulit dapat muncul di seluruh tubuh dan bisa sangat gatal. Penularan cacar monyet dapat terjadi melalui kontak langsung dengan manusia atau hewan yang terinfeksi. Diagnosis cacar monyet dapat dilakukan menggunakan tes PCR namun hal ini menjadi tantangan dalam beberapa kasus karena tes tidak selalu tersedia dan membutuhkan beberapa hari. Oleh karena itu, dibutuhkan mekanisme deteksi awal yang cepat untuk mengidentifikasi cacar monyet. Machine learning memiliki potensi dalam diagnosis berbasis gambar, seperti deteksi kanker, sel tumor, covid-19, dan lain-lain. Teknik ini dapat diterapkan dalam diagnosis cacar monyet melalui deteksi citra lesi kulit penderita. Penelitian sebelumnya telah mengimplementasikan model ResNet50 untuk mengklasifikasikan gambar kulit cacar monyet. Namun, memiliki kekurangan dalam efisiensi sumber daya komputasi dan rentan terhadap overfitting pada dataset yang lebih kecil. Oleh karena itu, dalam penelitian ini, akan dilihat performa model EfficientNet-B0 pada tugas klasifikasi citra cacar monyet, dan dibandingkan dengan model ResNet50 pada dataset yang sama. Penelitian ini menggunakan dataset publik yang terdiri dari gambar lesi kulit manusia dalam dua kategori, yaitu monkeypox dan others (cacar air dan campak) dengan jumlah masing-masing 1764 dan 1764 setelah dilakukan augmentasi. Nilai akurasi, sensitivitas, dan spesifisitas EfficientNet-B0 RGB resmi adalah 85.12%, 78.46%, dan 91.78% secara berurutan. Hasil penelitian menunjukkan bahwa penggunaan ruang warna RGB memberikan akurasi terbaik, yang sejalan dengan temuan sebelumnya pada penelitian sebelumnya. Dalam penelitian ini, ResNet-50 mencapai akurasi terbaik dengan nilai 87.59%, sensitivitas 82.77%, dan spesifisitas 92.4%. Meskipun demikian, performa EfficientNet-B0 masih lebih baik dibandingkan dengan MobileNet dan Inceptionv3. Perlu dicatat bahwa meskipun EfficientNet-B0 memiliki performa yang lebih baik, ia memiliki jumlah parameter yang 4.5 kali lebih kecil, menunjukkan efisiensi dan skalabilitas model tersebut. Penemuan ini menunjukkan bahwa EfficientNetB0 dapat menjadi pilihan yang menarik untuk aplikasi pengenalan citra dengan kinerja yang baik dan kebutuhan sumber daya yang lebih rendah

Item Type:	Thesis (S1)
Keywords (Kata Kunci):	Monkeypox, CNN, EfficientNet, skin lesions, diagnosis
Subjects:	T Technology > TD Environmental technology. Sanitary engineering
Divisions:	Fakultas Teknik
Depositing User:	Meike Megawati
Date Deposited:	12 Jun 2023 08:33
Last Modified:	12 Jun 2023 08:33
URI:	http://eprints.unram.ac.id/id/eprint/39714

Actions (login required)

View Item