KLASIFIKASI MASALAH PADA KULIT WAJAH MENGGUNAKAN METODE CNN

Lalu Habib Satya, Wiguna (2023) KLASIFIKASI MASALAH PADA KULIT WAJAH MENGGUNAKAN METODE CNN. S1 thesis, Universitas Mataram.

	Text TUGAS AKHIR II - LALU HABIB SATYA WIGUNA (F1D019050).pdf Restricted to Repository staff only Download (1MB)
Preview	Text JURNAL_TA_F1D019050.pdf Download (636kB) | Preview

Abstract

Kulit wajah merupakan bagian yang sangat sensitif terhadap kuman dan bakteri sehingga siapa saja dapat mengalami masalah kulit wajah tanpa mengenal jenis kelamin, usia, atau latar belakang. Masalah kulit wajah yang sering dialami terutama di Indonesia yaitu bopeng, jerawat, dan komedo. Perkembangan teknologi kecerdasan buatan saat ini dapat membantu mengatasi kebutuhan akan pengetahuan untuk masalah pada kulit wajah. Convolutional Neural Network (CNN) merupakan salah satu metode kecerdasan buatan yang digunakan pada bidang klasifikasi gambar. Beberapa penelitian sebelumnya menggunakan metode CNN dan mendapatkan hasil yang baik untuk melakukan klasifikasi penyakit kulit. Pada penelitian ini metode CNN dengan arsitektur MobileNet, VGG16, dan ResNet50 digunakan untuk melakukan klasifikasi masalah pada kulit wajah khususnya untuk masalah kulit wajah bopeng, jerawat, dan komedo. Penelitian ini menggunakan dataset kulit bopeng, jerawat, dan komedo yang dikumpulkan secara mandiri melalui Google Images. Terdapat 225 total citra yang terbagi sebanyak 75 citra untuk setiap kelas masalah kulit wajah. Dari 225 citra tersebut, sebanyak 150 citra digunakan sebagai data latih dan 75 citra sebagai data uji. Pada data latih, dilakukan augmentasi sebanyak 15 kali lipat sehingga terdapat 2250 total citra pada data latih. Kemudian dilakukan pembagian data dengan perbandingan 80% untuk data latih dan 20% untuk data validasi, sehingga total citra untuk masing-masing data latih dan validasi adalah 1800 dan 450 citra. Hasil terbaik didapatkan oleh model VGG16 dengan akurasi 75% pada pengujian menggunakan citra 224x224 dan ruang warna RGB. Pada ukuran citra 128x128 dan ruang warna RGB, MobileNet lebih unggul dari kedua model lainnya dengan akurasi yang didapatkan yaitu 76%.

Item Type:	Thesis (S1)
Keywords (Kata Kunci):	Machine Learning, CNN, Klasifikasi Gambar, Citra Digital, Masalah Kulit Wajah
Subjects:	T Technology > TD Environmental technology. Sanitary engineering
Divisions:	Fakultas Teknik
Depositing User:	Meike Megawati
Date Deposited:	23 Nov 2023 05:19
Last Modified:	23 Nov 2023 05:19
URI:	http://eprints.unram.ac.id/id/eprint/43554

Actions (login required)

View Item