<![CDATA[Proses klasifikasi citra medis secara otomatis sangat penting untuk membantu proses diagnosis yang cepat dan objektif. Deep learning, terutama Convolutional Neural Network (CNN), telah menunjukkan kemampuan yang lebih baik untuk mengidentifikasi dan mengklasifikasikan gambar. Namun, model yang tepat masih sulit dipilih karena perbedaan dalam desain arsitektur CNN dapat berdampak besar pada kinerja. Tujuan dari penelitian ini adalah untuk mengevaluasi dan membandingkan kinerja lima arsitektur CNN (VGG16, VGG19, ResNet101, InceptionV3, dan DenseNet121) ketika menggunakan dataset Ulkus Kaki Diabetes (Diabetic Foot Ulcer/DFU) untuk mengklasifikasikan gambar medis kelas normal dan abnormal. Metode berbasis dataset digunakan untuk menjalankan semua eksperimen. Akurasi, ketepatan, recall, dan F1-score digunakan untuk menilai model. Hasil eksperimen menunjukkan bahwa ResNet101 adalah yang terbaik dengan akurasi dan F1-score sebesar 99,87%, diikuti oleh VGG19 dan VGG16, masing-masing dengan F1-score di atas 99%. DenseNet121 dan InceptionV3 juga menunjukkan kinerja yang kompetitif, meskipun sedikit di bawah model berbasis residual dan VGG. Hasil ini menunjukkan betapa pentingnya melakukan analisis komparatif saat memilih arsitektur CNN untuk klasifikasi citra medis berbasis deep learning.]]>
Copyrights © 2026
