IMPLEMENTASI EFFICIENTNETV2-L UNTUK KLASIFIKASI JERAWAT DENGAN AUGMENTASI TRANSFORMASI DAN STYLE BASED GENERATIVE ADVERSARIAL NETWORK (STYLEGAN3)

PUTRI, AMELIA KARTIKA (2025) IMPLEMENTASI EFFICIENTNETV2-L UNTUK KLASIFIKASI JERAWAT DENGAN AUGMENTASI TRANSFORMASI DAN STYLE BASED GENERATIVE ADVERSARIAL NETWORK (STYLEGAN3). Skripsi thesis, UPN "Veteran" Yogyakarta.

	Text 2_Cover_123210115_Amelia Kartika Putri.pdf Download (249kB)
	Text 3_Abstrak_123210115_Amelia Kartika Putri.pdf Download (191kB)
	Text 4_Halaman Pengesahan_123210115_Amelia Kartika Putri.pdf Download (306kB)
	Text 5_Daftar Isi_123210115_Amelia Kartika Putri.pdf Download (203kB)
	Text 6_Daftar Pustaka_123210115_Amelia Kartika Putri.pdf Download (198kB)
	Text 1_Skripsi Full_123210115_Amelia Kartika Putri.pdf Restricted to Repository staff only Download (5MB)
	Text PANDUAN MENGAKSES DTS FULL.pdf Download (861kB)

Abstract

Klasifikasi jenis jerawat pada citra wajah merupakan tantangan dalam
pengembangan sistem diagnosa kulit otomatis karena variasi bentuk dan tekstur jerawat yang
kompleks serta keterbatasan jumlah data pelatihan yang tersedia. Model klasifikasi yang
hanya dilatih dengan data terbatas cenderung kurang akurat dan sulit mengenali pola jerawat
pada data baru. Oleh karena itu, penelitian ini mengkaji pengaruh penggunaan teknik
augmentasi data dan data sintetis dalam meningkatkan performa model klasifikasi jerawat.
Penelitian ini menerapkan metode Transfer Learning dengan arsitektur
EfficientNetV2-L untuk mengklasifikasikan tujuh jenis jerawat berdasarkan citra wajah.
Data pelatihan dibagi dalam empat skenario, yaitu tanpa augmentasi, augmentasi
transformasi konvensional, data sintetis hasil generate dari StyleGAN3, dan kombinasi
antara augmentasi transformasi dengan data sintetis StyleGAN3. Proses pelatihan dilakukan
dengan memperluas variasi data menggunakan teknik augmentasi dan menghasilkan data
sintetis yang menyerupai citra asli untuk melatih model secara lebih efektif. Evaluasi
performa model dilakukan menggunakan metrik presisi, recall, F1-score, dan akurasi pada
data uji.
Hasil penelitian menunjukkan bahwa augmentasi data berperan penting dalam
meningkatkan performa klasifikasi citra jerawat. Model yang dilatih dengan kombinasi
augmentasi transformasi dan data sintetis dari StyleGAN3 mencapai akurasi tertinggi
sebesar 96%, lebih tinggi dibandingkan dengan model yang hanya menggunakan augmentasi
transformasi (89%), hanya data sintetis StyleGAN3 (92%), tanpa augmentasi pada dataset
seimbang (66%), maupun tanpa augmentasi pada dataset tidak seimbang (62%). Penurunan
nilai Fréchet Inception Distance (FID) secara signifikan menunjukkan bahwa data sintetis
yang dihasilkan oleh StyleGAN3 sangat menyerupai data asli, sehingga membantu model
mengenali pola jerawat dengan lebih baik. Temuan ini menegaskan pentingnya pengayaan
data melalui augmentasi dan data sintetis untuk meningkatkan akurasi dan keandalan model
klasifikasi citra jerawat.
Kata Kunci: klasifikasi citra, augmentasi data, StyleGAN3, EfficientNetV2-L, jerawat

Item Type:	Thesis (Skripsi)
Additional Information:	Amelia Kartika Putri (Penulis - 123210115) ; Dessyanto Boedi Prasetyo (Pembimbing)
Uncontrolled Keywords:	klasifikasi citra, augmentasi data, StyleGAN3, EfficientNetV2-L, jerawat
Subjek:	Z Bibliography. Library Science. Information Resources > ZA Information resources > ZA4050 Electronic information resources
Divisions:	Fakultas Teknik Industri > Informatika (S1)
Depositing User:	A.Md.SI Indah Lestari Wulan Aji
Date Deposited:	15 Jul 2025 02:51
Last Modified:	15 Jul 2025 02:51
URI:	http://eprints.upnyk.ac.id/id/eprint/43103

Actions (login required)

View Item