cover
Contact Name
Andy Prasetyo Utomo
Contact Email
sitech@umk.ac.id
Phone
-
Journal Mail Official
sitech@umk.ac.id
Editorial Address
-
Location
Kab. kudus,
Jawa tengah
INDONESIA
Jurnal SITECH : Sistem Informasi dan Teknologi
ISSN : 26158531     EISSN : 26222973     DOI : -
Core Subject : Science,
SITECH merupakan jurnal ilmiah yang menyajikan artikel original tentang pengetahuan, hasil penelitian dan perkembangan terkini di bidang sistem informasi dan teknologi. Jurnal ini merupakan sarana publikasi dan ajang berbagi karya penelitian dan pengembangannya di bidang sistem Informasi dan Teknologi. Jurnal SITECH terbit secara berkala sebanyak dua kali dalam setahun pada bulan Juni dan Desember.
Arjuna Subject : -
Articles 241 Documents
Deteksi Penyakit Kulit pada Wajah Menggunakan Pendekatan Semi-Supervised Deep Learning Berbasis Mobilenetv2 dengan Visualisasi Grad-Cam (Studi Kasus: Klinik Astrit Harianto Dermatologi) yun muntarti; LM. Bahtiar Aksara Aksara; Adha Mashur Sajiah
Jurnal SITECH : Sistem Informasi dan Teknologi Vol. 9 No. 1 (2026): JURNAL SITECH VOLUME 9 NO 1 TAHUN 2026
Publisher : Universitas Muria Kudus

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penyakit kulit wajah seperti jerawat (acne), melasma, dan milia merupakan gangguan dermatologis yang sering ditemukan serta dapat memengaruhi kesehatan dan kepercayaan diri penderitanya. Proses diagnosis sebagian besar pemeriksaan hingga saat ini masih mengandalkan pengamatan langsung yang dilakukan oleh dokter spesialis kulit yang menyebabkan prosesnya membutuhkan durasi yang lebih lama dan keahlian khusus. Penelitian ini difokuskan pada pengembangan sistem yang mampu mendeteksi penyakit kulit wajah dengan memanfaatkan pendekatan Semi-Supervised learning berbasis MobileNetV2 dengan metode pseudo-labeling dan visualisasi Grad-CAM. Dataset penelitian terdiri atas empat kelas, yaitu jerawat, melasma, milia, dan normal. Sebanyak 2.000 citra berlabel digunakan sebagai data utama yang dibagi menjadi 1.600 data pelatihan dan 400 data validasi. Selain itu, penelitian memanfaatkan 500 citra tidak berlabel yang diproses menggunakan metode pseudo-labeling dengan confidence threshold sebesar 0,90. Hasil proses pseudo-labeling menghasilkan 297 citra pseudo-label yang kemudian digabungkan dengan data berlabel sehingga membentuk dataset Semi-Supervised learning sebanyak 2.297 citra. Pada tahap prapemrosesan, citra diubah ukurannya menjadi 224×224 piksel, kemudian dilakukan normalisasi serta augmentasi data. Model MobileNetV2 dikembangkan melalui penerapan transfer learning dan fine-tuning, kemudian kinerjanya dievaluasi berdasarkan metrik accuracy, precision, recall, dan F1-score. Berdasarkan hasil pengujian, model yang diusulkan menunjukkan penerapan Semi-Supervised learning meningkatkan accuracy model dari 90,75% menjadi 91,75%. Model akhir memperoleh accuracy sebesar 91,75%, precision sebesar 93,33%, recall sebesar 91,00%, dan F1-score sebesar 92,15%. Selain itu, visualisasi Grad-CAM menunjukkan bahwa model dapat mengidentifikasi dan memberikan fokus pada bagian lesi yang relevan dengan karakteristik masing-masing penyakit kulit wajah sehingga meningkatkan interpretabilitas hasil prediksi. Hasil penelitian menunjukkan bahwa pendekatan Semi-Supervised learning berbasis MobileNetV2 dengan pseudo-labeling dan Grad-CAM mampu memanfaatkan data tidak berlabel secara efektif serta menghasilkan performa klasifikasi yang baik untuk mendukung skrining awal penyakit kulit wajah.