PENERAPAN ALGORITMA CONVNEXT UNTUK KLASIFIKASI JENIS JERAWAT PADA CITRA WAJAH

Mohamad Risqi Aditiya, . (2026) PENERAPAN ALGORITMA CONVNEXT UNTUK KLASIFIKASI JENIS JERAWAT PADA CITRA WAJAH. Skripsi thesis, Universitas Pembangunan Nasional Veteran Yogyakarta.

	Text Cover_123220021.pdf Download (153kB)
	Text Abstrak_123220021.pdf Download (197kB)
	Text Halaman Pengesahan_123220021.pdf Download (300kB)
	Text Daftar Isi_123220021.pdf Download (245kB)
	Text Daftar Pustaka_123220021.pdf Download (178kB)
	Text Fulltext_132220021.pdf Restricted to Repository staff only Download (3MB)

Abstract

Jerawat (acne vulgaris) merupakan salah satu permasalahan kulit dengan prevalensi tertinggi mencapai 9,38% pada seluruh rentang usia yang dapat berdampak pada kondisi fisik maupun psikologis penderitanya. Penentuan jenis jerawat yang tepat sangat penting karena berpengaruh terhadap strategi perawatan dan pengobatan. Namun, identifikasi jenis jerawat secara manual oleh masyarakat umum masih bersifat subjektif dan berpotensi menimbulkan kesalahan. Oleh karena itu, penelitian ini bertujuan untuk menerapkan dan mengevaluasi arsitektur ConvNeXt dalam melakukan klasifikasi jenis jerawat pada citra wajah secara otomatis.
Dataset yang digunakan merupakan dataset publik dari Kaggle yang terdiri dari lima jenis jerawat, yaitu papular acne, pustular acne, blackhead acne, cystic acne, dan whitehead acne, dengan distribusi data yang tidak seimbang. Untuk mengatasi permasalahan tersebut, penelitian ini menerapkan teknik augmentasi data, normalisasi citra, serta weighted random sampling pada data pelatihan. Evaluasi model dilakukan menggunakan metode Stratified K-Fold Cross Validation untuk memastikan distribusi kelas yang seimbang pada setiap fold. Selain itu, optimasi hyperparameter dilakukan menggunakan Optuna. Model ResNet-50 digunakan sebagai baseline untuk perbandingan performa.
Hasil pengujian menunjukkan bahwa model ConvNeXt terbaik mampu mencapai nilai accuracy sebesar 94%, dengan precision 93%, recall 95%, dan F1-score 94% pada data uji. Dibandingkan dengan model ResNet-50, ConvNeXt menunjukkan performa yang lebih stabil, terutama pada kelas jerawat minoritas. Berdasarkan hasil tersebut, dapat disimpulkan bahwa arsitektur ConvNeXt efektif digunakan untuk klasifikasi jenis jerawat berbasis citra wajah dan berpotensi dikembangkan sebagai sistem pendukung diagnosis dermatologi berbasis deep learning.

Kata kunci: ConvNeXt, klasifikasi jerawat, deep learning, Convolutional Neural Network.

Item Type:	Tugas Akhir (Skripsi)
Additional Information:	Mohamad Risqi Aditiya (Penulis - 123220021) ; Heru Cahya Rustamaji (Pembimbing)
Uncontrolled Keywords:	ConvNeXt, klasifikasi jerawat, deep learning, Convolutional Neural Network.
Subjek:	T Technology > T Technology (General)
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	Indah Lestari
Date Deposited:	13 Mar 2026 01:07
Last Modified:	13 Mar 2026 01:07
URI:	http://eprints.upnyk.ac.id/id/eprint/47354

Actions (login required)

View Item