Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Jurnal Teknologi Informasi, Komputer, dan Aplikasinya (JTIKA )
Ida Ayu Dewi Purnama Anjani
Universitas Mataram
Computer Science & IT Decision Sciences, Operations Research & Management Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
KLASIFIKASI CITRA KELAINAN KULIT MENGGUNAKAN RESNET50 DAN MOBILENETV2 PADA DATASET HAM10000 Ida Ayu Dewi Purnama Anjani; Fitri Bimantoro; Halil Akhyar
JTIKA (Jurnal Teknik Informatika, Komputer dan Aplikasinya) Vol 8 No 2 (2026): September 2026
Publisher : Program Studi Teknik Informatika, Fakultas Teknik, Universitas Mataram

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29303/jtika.v8i2.612

Abstract

Penyakit kulit merupakan salah satu masalah kesehatan dengan prevalensi yang cukup tinggi di Indonesia. Proses diagnosis kelainan kulit umumnya dilakukan melalui biopsi atau pemeriksaan visual menggunakan dermoskop yang memerlukan waktu serta ketelitian tinggi. Perkembangan deep learning, khususnya Convolutional Neural Network (CNN), memungkinkan proses klasifikasi citra medis dilakukan secara otomatis dengan tingkat akurasi yang lebih baik melalui pendekatan transfer learning. Penelitian ini bertujuan untuk menganalisis dan membandingkan performa model ResNet50 dan MobileNetV2 dalam klasifikasi tujuh jenis kelainan kulit pada dataset HAM10000. Tahapan penelitian meliputi preprocessing data, augmentasi citra, pembagian dataset menjadi data train, validation, dan test, training model menggunakan bobot pretrained ImageNet, fine-tuning, serta evaluasi menggunakan confusion matrix dan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa ResNet50 memperoleh performa terbaik dengan accuracy 85,43%, precision 86,26%, recall 85,43%, dan F1-score 85,67%. Sementara itu, MobileNetV2 memperoleh accuracy 83,70%, precision 83,64%, recall 83,70%, dan F1-score 83,63%. Dari sisi efisiensi komputasi, MobileNetV2 memiliki jumlah parameter yang lebih sedikit dan waktu inferensi yang lebih cepat dibandingkan ResNet50. Hasil penelitian menunjukkan bahwa ResNet50 lebih unggul dalam performa klasifikasi, sedangkan MobileNetV2 lebih efisien untuk implementasi pada perangkat dengan sumber daya komputasi terbatas.
Co-Authors Fitri Bimantoro Halil Akhyar