Sistem Deteksi dan Klasifikasi Penyakit Kulit Menggunakan Convolutional Neural Network (CNN)

Latif, Shafira Khaerunnisa (2024) Sistem Deteksi dan Klasifikasi Penyakit Kulit Menggunakan Convolutional Neural Network (CNN). Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5027201072-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2026. Download (9MB) | Request a copy

Abstract

Penyakit kulit merupakan salah satu tantangan kesehatan yang prevalensinya tinggi di dunia, termasuk Indonesia. Dalam upaya untuk meningkatkan kualitas diagnosis penyakit kulit, penelitian ini mengembangkan sebuah sistem klasifikasi penyakit kulit berbasis web yang bernama Skinlyze yang dapat diakses melalui smartphone. Sistem ini menggunakan algoritma Convolutional Neural Network (CNN) dengan integrasi model MobileNetV2 dan InceptionV3 untuk mendeteksi dan mengklasifikasikan lima kategori penyakit kulit, yaitu dermatitis, psoriasis, acne dan rosacea, kanker kulit, dan kondisi normal. Sistem ini dilatih untuk mengidentifikasi dan membedakan antara kelas-kelas penyakit. Evaluasi sistem menunjukkan bahwa penggunaan citra RGB menghasilkan akurasi klasifikasi yang lebih baik dibandingkan dengan citra grayscale, dengan model InceptionV3 mencapai akurasi tertinggi sebesar 86% pada citra RGB. Model ini juga menunjukkan keunggulan signifikan dalam presisi, recall, dan F1-score. Skinlyze menawarkan pendekatan baru dalam teledermatologi dengan kemampuan untuk melakukan deteksi awal dan konsultasi medis secara real-time. Uji coba pengguna mendemonstrasikan kinerja sistem yang efisien dengan respon waktu yang cepat, meskipun diperlukan peningkatan dalam akurasi dan kecepatan pemrosesan. Penelitian ini memberikan dasar yang kuat untuk pengembangan sistem diagnostik digital dan membuka peluang untuk aplikasi AI dalam bidang medis lebih luas.
=================================================================================================================================
Skin diseases are one of the major health challenges with a high prevalence globally, including in Indonesia. In an effort to improve the quality of skin disease diagnosis, this study developed a web-based skin disease classification system named Skinlyze, which is accessible via smartphone. This system utilizes the Convolutional Neural Network (CNN) algorithm, integrating MobileNetV2 and InceptionV3 models, to detect and classify five categories of skin diseases: dermatitis, psoriasis, acne and rosacea, skin cancer, and normal conditions. The system was trained to identify and differentiate between these disease classes. The system's evaluation demonstrated that the use of RGB images resulted in better classification accuracy compared to grayscale images, with the InceptionV3 model achieving the highest accuracy of 86% on RGB images. The model also showed significant superiority in precision, recall, and F1-score. Skinlyze offers a new approach in teledermatology with the capability for early detection and real-time medical consultation. User trials demonstrated efficient system performance with quick response times, although improvements in accuracy and processing speed are necessary. This research provides a solid foundation for the development of digital diagnostic systems and opens opportunities for broader AI applications in the medical field.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Klasifikasi Penyakit Kulit, CNN, MobileNetV2, InceptionV3, Teledermatologi, Skin Disease Classification, Teledermatology
Subjects:	T Technology > T Technology (General) T Technology > T Technology (General) > T57.5 Data Processing
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Information Technology > 59201-(S1) Undergraduate Thesis
Depositing User:	Shafira Khaerunnisa Latif
Date Deposited:	08 Feb 2024 17:03
Last Modified:	08 Feb 2024 17:08
URI:	http://repository.its.ac.id/id/eprint/106483

Actions (login required)

View Item