Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Jurnal Edukasi dan Penelitian Informatika (JEPIN)
Yoga, I Gede Dian Permana
Unknown Affiliation
Computer Science & IT Education

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

Found 1 Documents
Search

 1 
Klasifikasi Penyakit Ulkus Kaki menggunakan Metode Pretrained Convolutional Neural Network Yoga, I Gede Dian Permana; Pradipta, Gede Angga; Huizen, Roy Rudolf
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 11, No 2 (2025): Volume 11 No 2
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v11i2.91721

Abstract

Ulkus kaki diabetik merupakan salah satu komplikasi berat pada penderita diabetes yang, jika tidak ditangani secara dini dan tepat, dapat menyebabkan infeksi, amputasi, bahkan kematian. Tantangan utama dalam penanganannya terletak pada proses diagnosis dan klasifikasi yang masih mengandalkan pengamatan visual secara manual oleh tenaga medis, yang sering kali bersifat subjektif dan tidak konsisten. Untuk menjawab permasalahan ini, kecerdasan buatan (AI) mulai dimanfaatkan dalam dunia medis, khususnya melalui analisis citra medis digital. AI bekerja dengan mengolah data berupa gambar luka dan mengenali pola visual tertentu menggunakan algoritma pembelajaran mendalam (deep learning) seperti Convolutional Neural Network (CNN), sehingga mampu mendeteksi kondisi luka secara lebih akurat. Penelitian ini bertujuan membangun model klasifikasi ulkus kaki dengan memanfaatkan arsitektur CNN yang telah dilatih sebelumnya (pretrained model) dan ditingkatkan performanya melalui proses fine-tuning. Tiga jenis arsitektur CNN yang digunakan yaitu MobileNet, VGG16, dan ResNet50, yang kemudian dikombinasikan dengan algoritma boosting seperti XGBoost dan AdaBoost untuk meningkatkan hasil klasifikasi. Dataset yang digunakan berupa citra digital luka ulkus kaki yang telah diproses melalui teknik peningkatan kualitas gambar dan seleksi fitur. Hasil evaluasi menunjukkan bahwa kombinasi MobileNet dengan XGBoost menghasilkan kinerja terbaik dengan tingkat akurasi 89%, disusul oleh VGG16 yang dikombinasikan dengan XGBoost dengan akurasi 86%. Temuan ini menunjukkan bahwa model yang dikembangkan memiliki potensi besar sebagai alat bantu diagnosis berbasis AI yang cepat, objektif, dan akurat dalam mendukung proses klinis dan mengurangi risiko komplikasi pada pasien diabetes.
Co-Authors Gede Angga Pradipta, Gede Angga Roy Rudolf Huizen