<![CDATA[Monkeypox merupakan penyakit zoonosis yang memerlukan deteksi dini untuk penanganan yang tepat. Penelitian ini merancang model identifikasi gejala Monkeypox pada kulit manusia menggunakan arsitektur EfficientNet-B1 dengan optimalisasi hyperparameter. Dataset yang digunakan terdiri dari 3.192 gambar yang terbagi menjadi dua kelas, yaitu Monkeypox dan Non-Monkeypox. Proses perancangan model melibatkan tahapan identifikasi masalah, pengumpulan data, pre-processing data, perancangan arsitektur model dan pengimplementasian hyperparameter, evaluasi model, hingga analisis hasil. Evaluasi performa dilakukan dengan membandingkan model yang menggunakan optimalisasi hyperparameter dengan model yang tidak dioptimalisasi, menggunakan confusion matrix. Hasil penelitian menunjukkan bahwa model dengan optimalisasi hyperparameter mencapai performa yang sangat baik dengan nilai akurasi 99.22%, precision 99.15%, recall 99.43%, dan F1-Score 99.29%, jauh melampaui model tanpa optimalisasi yang mendapat akurasi pada angka 81.88%. Model yang dioptimalisasi hyperparameter juga menunjukkan efisiensi waktu pelatihan yang lebih baik, hanya membutuhkan 9 epoch untuk mencapai konvergensi, dibandingkan dengan 50 epoch pada model tanpa optimalisasi hyperparameter. Penelitian ini membuktikan bahwa optimalisasi hyperparameter berperan penting dalam meningkatkan akurasi dan efisiensi model untuk mengidentifikasi gejala penyakit Monkeypox, serta membuka peluang untuk pengembangan alat bantu diagnostik berbasis kecerdasan buatan. Abstract Monkeypox is a zoonotic disease that requires early detection for proper treatment. This study designs a Monkeypox symptom identification model on human skin using EfficientNet-B1 architecture with hyperparameter optimization. The dataset used consists of 3,192 images divided into two classes, namely Monkeypox and Non-Monkeypox. The model design process involves the stages of problem identification, data collection, data pre-processing, model architecture design and hyperparameter implementation, model evaluation, and result analysis. Performance evaluation is done by comparing models that use hyperparameter optimization with models that are not optimized, using confusion matrix. The results show that the model with hyperparameter optimization achieves excellent performance with an accuracy value of 99.22%, precision 99.15%, recall 99.43%, and F1-Score 99.29%, far exceeding the model without optimization which gets accuracy at 81.88%. The hyperparameter optimized model also showed better training time efficiency, requiring only 9 epochs to reach convergence, compared to 50 epochs in the model without hyperparameter optimization. This research proves that hyperparameter optimization plays an important role in improving the accuracy and efficiency of the model to identify Monkeypox symptoms, and opens up opportunities for the development of artificial intelligence-based diagnostic tools.]]>
