<![CDATA[Deteksi kanker kulit yang akurat dan dini sangat penting untuk meningkatkan tingkat kelangsungan hidup pasien secara global. Namun, meskipun Deep Convolutional Neural Networks telah menunjukkan kinerja luar biasa dalam klasifikasi dermatologis, sifat black-box yang melekat sering membatasi adopsi klinis dan kepercayaan di antara para profesional medis. Untuk mengatasi masalah ini, penelitian ini bertujuan membandingkan dua arsitektur jaringan terkemuka, EfficientNet-B4 dan MobileNetV2, untuk mengklasifikasikan lesi kulit guna menemukan model yang paling dapat diinterpretasikan. Metode penelitian yang diterapkan menggunakan dataset HAM10000 yang sangat tidak seimbang, terdiri dari tujuh kelas lesi yang berbeda. Untuk memitigasi ketidakseimbangan kelas tanpa mendistorsi citra medis asli melalui teknik oversampling sintetis, strategi pembobotan kelas (class weighting) yang presisi diimplementasikan selama fase pelatihan. Selanjutnya, kedua model melalui tahap fine-tuning dan dievaluasi menggunakan metrik kuantitatif yang ketat serta penilaian visual kualitatif. Hasil penelitian menunjukkan bahwa EfficientNet-B4 secara konsisten mengungguli MobileNetV2 di seluruh dimensi statistik. EfficientNet-B4 mencapai akurasi pengujian sebesar 80,44% dibandingkan dengan 79,34% untuk MobileNetV2, bersama dengan Macro F1-Score yang jauh lebih unggul (0,75 berbanding 0,68). Hal ini menyoroti ketangguhan EfficientNet-B4 dalam mengklasifikasikan kelas minoritas secara akurat. Selain itu, Gradient-weighted Class Activation Mapping diintegrasikan untuk memberikan penjelasan visual di semua kelas. Temuan mengungkapkan bahwa EfficientNet-B4 memberikan lokalisasi area lesi kritis yang lebih tajam, terutama pada kasus parah seperti Melanoma, dibandingkan dengan fokus MobileNetV2 yang lebih menyebar. Kesimpulannya, penelitian ini menetapkan EfficientNet-B4 sebagai arsitektur yang secara fundamental lebih unggul dan sangat dapat diinterpretasikan untuk lingkungan dermatologis klinis, menawarkan akurasi tinggi, stabilitas kelas minoritas, dan penjelasan visual yang andal.]]>
