<![CDATA[Skoliosis merupakan kelainan tulang belakang yang menyebabkan kelengkungan abnormal dan berdampak padapostur serta kesehatan jangka panjang penderitanya. Metode deteksi konvensional seperti X-ray memiliki risiko paparan radiasiserta keterbatasan akses di beberapa wilayah. Penelitian ini bertujuan untuk mengidentifikasi skoliosis secara non-invasifmelalui citra tampak belakang tubuh manusia menggunakan model Convolutional Neural Network (CNN) dengan duapendekatan arsitektur, yaitu ResNet-18 dan MobileNetV2. Dataset citra yang digunakan terdiri dari dua kelas: normal danskoliosis, dan diolah melalui beberapa skenario eksperimental seperti representasi warna, jumlah epoch, jenis optimizer, sertanilai learning rate. Hasil menunjukkan bahwa MobileNetV2 memberikan performa terbaik dengan akurasi 88% dan waktukomputasi yang lebih efisien dibandingkan ResNet-18 yang mencapai akurasi 84%. Perbandingan menunjukkan bahwaMobileNetV2 unggul dalam efisiensi, sementara ResNet-18 lebih konsisten dalam performa klasifikasi. Pendekatan inimembuktikan bahwa CNN dapat menjadi solusi alternatif yang aman, efisien, dan mudah diterapkan untuk deteksi skoliosissecara dini dan non-invasif.Kata Kunci—Skoliosis, CNN, ResNet-18, MobileNetV2, Klasifikasi Citra, Deteksi Non-Invasif]]>
Copyrights © 2025
