<![CDATA[Jerawat merupakan permasalahan kulit yang kerap dihadapi remaja hingga orang dewasa secara global, di mana setiap jenis acne memerlukan penanganan yang spesifik. Metode yang diusulkan dalam penelitian ini mengklasifikasikan lima jenis jerawat menggunakan Arsitektur Convolutional Neural Network. Penelitian ini mengeksplorasi tiga skenario pembagian dataset berbeda: 70/30,80/20,90/10 untuk mengevaluasi kinerja dan generalisasi model. Metodologi mengadopsi arsitektur MobileNetV2 dengan transfer learning, yang terdiri dari lapisan termasuk MobileNetV2 sebagai model dasar, Global Average Pooling, Flatten, Dense Layer, Dropout, dan klasifikasi Softmax. Total dataset terdiri dari 350 gambar yang mewakili lima jenis jerawat: Acne Fulminans, Acne Nodules, Papule, Pustule, dan Fungal Acne, dengan 70 sampel per kelas. K-fold cross-validation digunakan untuk menilai performa model pada berbagai pembagian data. Hasil eksperimen menunjukkan kinerja model yang bervariasi di berbagai skenario, dengan akurasi klasifikasi berkisar dari 60% hingga 89% pada pelatihan dan 51% hingga 80% pada pengujian. Sistem klasifikasi CNN menunjukkan tingkat kinerja 89% untuk pelatihan dan 80% untuk pengujian. Skenario ketiga (pembagian 90/10) menunjukkan performa superior yaitu pada Fold-5, mencapai akurasi pengujian tertinggi sebesar 89% untuk pelatihan dan 80% akurasi pengujian. Tantangan dalam penelitian ini meliputi pengelolaan variasi pencahayaan gambar, kualitas gambar, dan keterbatasan data. Hasil menunjukkan bahwa arsitektur yang diusulkan dapat mengklasifikasikan jenis jerawat dengan tingkat akurasi yang cukup baik, meskipun masih terdapat ruang untuk perbaikan dalam generalisasi model.]]>
Copyrights © 2024
