KHAIRIAH, ISNAINI (2025) PENERAPAN METODE CONVOLUTIONAL NEURAL NETWORK MENGGUNAKAN ARSITEKTUR VGG 16 UNTUK KLASIFIKASI PENYAKIT KULIT PADA WAJAH MANUSIA. Other thesis, UPN Veteran Yogyakarta.
![]() |
Text
COVER_123190004_ISNAINI KHAIRIAH.pdf Download (1MB) |
![]() |
Text
ABSTRAK_123190004_ISNAINI KHAIRIAH.pdf Download (1MB) |
![]() |
Text
HALAMAN PENGESAHAN_123190004_ISNAINI KHAIRIAH.pdf Download (1MB) |
![]() |
Text
DAFTAR ISI_123190004_ISNAINI KHAIRIAH.pdf Download (1MB) |
![]() |
Text
DAFTAR PUSTAKA_123190004_ISNAINI KHAIRIAH.pdf Download (1MB) |
![]() |
Text
SKRIPSI FULLTEXT_123190004_ISNAINI KHAIRIAH.pdf Restricted to Repository staff only Download (3MB) |
Abstract
Penyakit kulit wajah dapat berdampak pada kepercayaan diri dan kesehatan mental seseorang. Minimnya pemahaman masyarakat terkait jenis penyakit kulit wajah sering kali menyebabkan kesalahan dalam penentuan perawatan kulit, yang dapat memperparah kondisi kulit. Perkembangan teknologi machine learning, khususnya deep learning, memberikan solusi dalam deteksi penyakit kulit dengan analisis citra. Convolutional Neural Network (CNN) merupakan salah satu metode yang terbukti efektif dalam klasifikasi citra, dengan arsitektur VGG-16 sebagai salah satu model yang banyak digunakan dalam tugas klasifikasi citra. Oleh karena itu, penelitian ini bertujuan untuk menerapkan model klasifikasi penyakit kulit wajah menggunakan CNN dengan arsitektur VGG-16 guna membantu masyarakat dalam mengenali jenis penyakit kulit wajah secara akurat.
Metode yang digunakan dalam penelitian ini melibatkan penerapan CNN dengan arsitektur VGG-16 untuk mengklasifikasikan tiga jenis penyakit kulit wajah, yaitu Acne, Basal Cell Carcinoma, dan Eczema. Model dilatih dengan tiga jenis optimizer, yaitu Stochastic Gradient Descent (SGD), Adam, dan RMSprop, untuk mengevaluasi performa terbaik. Evaluasi dilakukan berdasarkan akurasi, loss, serta analisis confusion matrix yang mencakup precision, recall, dan F1-score.
Hasil penelitian menunjukkan bahwa optimizer SGD memberikan akurasi terbaik dengan rata-rata akurasi sebesar 96,63%, lebih tinggi dibandingkan Adam (93,07%) dan RMSprop (91,81%). Selain itu, SGD menunjukkan performa yang lebih stabil dengan nilai loss yang lebih rendah dibandingkan optimizer lainnya. Namun, model mengalami indikasi overfitting pada epoch 40 hingga 80, yang ditunjukkan oleh perbedaan antara akurasi pelatihan dan validasi yang tidak membaik. Berdasarkan hasil confusion matrix, SGD menghasilkan prediksi terbaik dengan nilai precision, recall, dan F1-score tertinggi. Meskipun demikian, ketiga model mengalami kesulitan dalam membedakan basal cell carcinoma dan eczema akibat kemiripan gambar, kurangnya zoom ke area penyakit, serta adanya noise yang terbaca sebagai feature map sehingga batas antara kedua penyakit kurang jelas dalam prediksi. Dengan demikian, penelitian ini membuktikan bahwa CNN dengan arsitektur VGG-16 dapat digunakan secara efektif untuk mengklasifikasikan penyakit kulit wajah dengan akurasi tinggi, terutama dengan penggunaan optimizer SGD.
Dengan demikian, penelitian ini membuktikan bahwa CNN dengan arsitektur VGG�16 dapat digunakan secara efektif untuk mengklasifikasikan penyakit kulit wajah dengan akurasi tinggi, terutama dengan penggunaan optimizer SGD.
Kata kunci: Convolutional Neural Network (CNN), VGG-16, Klasifikasi Penyakit Kulit Wajah, Stochastic Gradient Descent (SGD), Adam, RMSprop, Acne, Basal Cell Carcinoma, Eczema
Item Type: | Thesis (Other) |
---|---|
Additional Information: | ISNAINI KHAIRIAH (123190004) ; Bambang Yuwono (Pembimbing) |
Uncontrolled Keywords: | Convolutional Neural Network (CNN), VGG-16, Klasifikasi Penyakit Kulit Wajah, Stochastic Gradient Descent (SGD), Adam, RMSprop, Acne, Basal Cell Carcinoma, Eczema |
Subjects: | Q Science > QA Mathematics > QA75 Electronic computers. Computer science Q Science > QA Mathematics > QA76 Computer software |
Divisions: | Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science |
Depositing User: | Bayu Setya Pambudi |
Date Deposited: | 24 Mar 2025 01:47 |
Last Modified: | 24 Mar 2025 01:47 |
URI: | http://eprints.upnyk.ac.id/id/eprint/42264 |
Actions (login required)
![]() |
View Item |