PENERAPAN METODE CONTRAST LIMITED ADAPTIVE HISTOGRAM EQUALIZATION (CLAHE) PADA CONVOLUTIONAL NEURAL NETWORK (CNN) UNTUK KLASIFIKASI JENIS JERAWAT

Salsabilla, Luthfi (2023) PENERAPAN METODE CONTRAST LIMITED ADAPTIVE HISTOGRAM EQUALIZATION (CLAHE) PADA CONVOLUTIONAL NEURAL NETWORK (CNN) UNTUK KLASIFIKASI JENIS JERAWAT. Other thesis, UPN "Veteran" Yogyajarta.

	Text 1. TA_123160126_Luthfi Salsabilla.pdf Restricted to Repository staff only Download (2MB)
	Text 2. Abstrak_123160126_Luthfi Salsabilla.pdf Download (57kB)
	Text 4. Halaman Pengesahan_123160126_Luthfi Salsabilla.pdf Download (933kB)
	Text 5. Daftar Isi_123160126_Luthfi Salsabilla.pdf Download (69kB)
	Text 6. Daftar Pustaka_123160126_Luthfi Salsabilla.pdf Download (168kB)
	Text COVER.pdf Download (82kB)

Abstract

vii
ABSTRAK
Jerawat adalah penyakit kulit tidak menular yang terjadi saat folikel rambut
tersumbat oleh kulit mati dan minyak. Folikel rambut adalah tempat dimana tumbuhnya
rambut, bagian ini yang menghubungkan pori-pori dan kelenjar minyak. Jika folikel rambut
tersumbat dan dibiarkan begitu saja, kondisi tersebut dapat memicu munculnya peradangan
di kulit. Faktor penyebab munculnya jerawat yang berbeda-beda, sehingga jerawat juga
memiliki banyak jenis yaitu, whiteheads, blackheads, papula, pustula, nodul, dan juga cystic
(jerawat batu). Banyaknya jenis jerawat dan karakteristik setiap jenis jerawat yang mirip satu
sama lain menyebabkan sulitnya orang-orang awam untuk memahami masalah kulit yang
mereka alami. Maka dari itu, pengolahan citra dapat menjadi pertimbangan untuk
mengidentifikasi jenis jerawat yang ada.
Penelitian ini menggunakan metode Convolutional Neural Network (CNN) dibantu
dengan dibantu metode Contrast Limited Adaptive Histogram Equalization (CLAHE)
sebagai metode untuk perbaikan kualitas citra jerawat untuk meningkatkan kontras citra
input. Selanjutnya, citra akan diklasifikasikan menggunakan model CNN yang terdiri dari
lima blok feature extraction dimana masing-masing blok tersusun dari convolution layer,
pooling layer, dan activation layer. Fungsi aktivasi yang digunakan pada penelitian ini
adalah fungsi aktivasi ReLU dan fungsi aktivasi Softmax. Lalu pada classification layer
terdapat sebuah input layer, dua hidden layer dan output layer.
Hasil dari penelitian ini yaitu klasifikasi jenis jerawat dapat dilakukan dengan
menggunakan metode CNN mendapatkan nilai akurasi klasifikasi sebesar 70%. Lalu dengan
adanya implementasi metode CLAHE pada tahapan preprocessing nilai akurasi klasfikasi
meningkat sampai dengan 80%. Dari hasil tersebut dapat disimpulkan bahwa metode
CLAHE metode preprocessing citra mampu membantu untuk meningkatkan akurasi
klasifikasi jenis jerawat.
Kata Kunci: CLAHE, CNN, Jerawat
viii
ABSTRACT
Acne is a non-contagious skin disease that occurs when hair follicles become blocked by
dead skin and oil. Hair follicles are the place where hair grows, this part connects the pores
and oil glands. If hair follicles are blocked and left alone, this condition can trigger
inflammation in the skin. The factors that cause acne to appear are different, so acne also
has many types, namely, whiteheads, blackheads, papules, pustules, nodules, and cystics.
The many types of acne and the similar characteristics of each type of acne make it difficult
for ordinary people to understand the skin problems they are experiencing. Therefore, image
processing can be a consideration for identifying the type of acne present.
This research uses the Convolutional Neural Network (CNN) method assisted by the
Contrast Limited Adaptive Histogram Equalization (CLAHE) method as a method for
improving the quality of acne images to increase the contrast of the input image. Next, the
image will be classified using a CNN model which consists of five feature extraction blocks
where each block is composed of a convolution layer, pooling layer, and activation layer.
The activation functions used in this research are the ReLU activation function and the
Softmax activation function. Then in the classification layer, there is an input layer, two
hidden layers, and an output layer.
The results of this research are that the classification of acne types can be carried out using
the CNN method to obtain a classification accuracy value of 70%. Then, with the
implementation of the CLAHE method at the preprocessing stage, the classification
accuracy value increased to 80%. From these results, it can be concluded that the CLAHE
method, an image preprocessing method, can help increase the accuracy of acne-type
classification.
Keywords: Acne, CLAHE, CNN

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Acne, CLAHE, CNN
Subjects:	Z Bibliography. Library Science. Information Resources > ZA Information resources
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	Eko Yuli
Date Deposited:	25 Sep 2023 02:30
Last Modified:	25 Sep 2023 02:32
URI:	http://eprints.upnyk.ac.id/id/eprint/37673

Actions (login required)

View Item