Klasifikasi Lesi Kulit Menggunakan Convolutional Neural Network
Article Sidebar
Main Article Content
Abstract
Lesi kulit merupakan suatu kondisi bagian kulit yang memiliki pertumbuhan atau penampakan yang abnormal. Reaksi ini muncul disebabkan oleh infeksi virus seperti herpes simplex (HSV) yang ditandai munculnya kemerahan pada kulit. Mendeteksi jenis penyakit kulit secara otomatis dari hasil dermoskopi dapat membantu mendiagnosa secara cepat dan meningkatkan akurasi untuk menghemat waktu. Pada penelitian ini mengusulkan metode machine learning yaitu Convolutional Neural Network untuk mendiagnosa penyakit kulit secara otomatis. Pengujian penelitian ini menggunakan teknik augmentasi data dan penyeimbangan data untuk diimplementasikan pada dataset citra lesi kulit ISIC 2018. Pada pengujian dengan teknik dan metode yang diusulkan dapat menghasilkan akurasi sebesar 98%. Teknik augmentasi dan penyeimbangan data yang diusulkan, dapat mempengaruhi model yang diusulkan dari segi peningkatan performa.
Downloads
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
S. B. Basturk, C. E. J. Dancer, and T. McNally, “Dermoscopy as a Tool for Estimating Breslow Thickness in Melanoma,” J. Pre-proof, p. 104743, 2020, doi: 10.1016/j.adengl.2021.02.007.
D. L. Z. Astuti and Samsuryadi, “Kajian Pengenalan Ekspresi Wajah menggunakan Metode PCA dan CNN,” Annu. Res. Semin. Fak. Ilmu Komput., vol. 4, no. 1, pp. 293–297, 2018.
R. Septian, D. I. Saputra, and S. Sambasri, “Klasifikasi Emosi Menggunakan Convolutional Neural Networks Emotion Classification Based on Convolutional Neural Networks,” no. November 2019, pp. 53–62, 2019.
W. Setiawan, “Perbandingan Arsitektur Convolutional Neural Network Untuk Klasifikasi Fundus,” J. Simantec, vol. 7, no. 2, pp. 48–53, 2020, doi: 10.21107/simantec.v7i2.6551.
A. Mahbod, G. Schaefer, C. Wang, R. Ecker, and I. Ellinger, “Institute for Pathophysiology and Allergy Research , Medical University of Vienna , Austria Department of Research and Development , TissueGnostics GmbH , Austria Department of Computer Science , Loughborough University , U . K . Department of Biomedical,” Ieee, pp. 1229–1233, 2019.
S. R. Guha and S. M. R. Haque, “Convolutional neural network based skin lesion analysis for classifying melanoma,” 2019 Int. Conf. Sustain. Technol. Ind. 4.0, STI 2019, vol. 0, pp. 1–5, 2019, doi: 10.1109/STI47673.2019.9067979.
G. S. Jayalakshmi and V. S. Kumar, “Performance analysis of convolutional neural network (CNN) based cancerous skin lesion detection system,” ICCIDS 2019 - 2nd Int. Conf. Comput. Intell. Data Sci. Proc., pp. 1–6, 2019, doi: 10.1109/ICCIDS.2019.8862143.
K. K. Kumar, K. Kranthi , M. Dileep Kumar, Ch. Samsonu, “Role of convolutional neural networks for any real time image classification, recognition and analysis,” Mater. Proc., 2021, doi: https://doi.org/10.1016/j.matpr.2021.02.186.
H. Fonda, “Klasifikasi Batik Riau Dengan Menggunakan Convolutional Neural Networks (Cnn),” J. Ilmu Komput., vol. 9, no. 1, pp. 7–10, 2020, doi: 10.33060/jik/2020/vol9.iss1.144.