Deteksi Penyakit Kulit dengan Metode Convolutional Neural Network Menggunakan Arsitektur VGG19

Ainunnisa Indah Rizqya; Nanda Martyan Anggadimas; Muhammad Misdram

doi:10.54914/jtt.v11i2.1900

Penulis

Ainunnisa Indah Rizqya Universitas Merdeka Pasuruan, Indonesia
Nanda Martyan Anggadimas Universitas Merdeka Pasuruan
Muhammad Misdram Universitas Merdeka Pasuruan

DOI:

https://doi.org/10.54914/jtt.v11i2.1900

Kata Kunci:

CNN, Deep Learning, Deteksi Penyakit Kulit, Klasifikasi Citra, VGG19

Abstrak

Deteksi dini penyakit kulit merupakan tantangan signifikan, khususnya di daerah dengan keterbatasan layanan medis dermatologis. Masalah ini diperparah oleh kurangnya tenaga medis spesialis serta maraknya informasi kesehatan yang tidak akurat di internet. Tujuan dari penelitian ini adalah mengembangkan sistem klasifikasi otomatis berbasis citra digital guna mengidentifikasi lima jenis penyakit kulit: Eczema, Melanocytic Nevus, Melanoma, Benign Keratosis, dan Basal Cell Carcinoma. Metode yang digunakan adalah Convolutional Neural Network (CNN) dengan arsitektur VGG19 melalui pendekatan transfer learning dan fine-tuning parsial pada layer block4_conv1. Dataset terdiri dari 10.000 gambar berformat .jpg yang telah melalui tahap normalisasi, augmentasi, deteksi tepi, dan penyeimbangan kelas. Evaluasi dilakukan menggunakan metrik akurasi, presisi, recall, F1-score, dan confusion matrix. Hasil eksperimen menunjukkan bahwa model mencapai akurasi hingga 84% pada skenario terbaik, dengan keseimbangan metrik lainnya yang menunjukkan kinerja klasifikasi multi-kelas yang andal. Kesimpulan dari penelitian ini menunjukkan bahwa arsitektur VGG19 efektif untuk mendeteksi berbagai penyakit kulit berbasis citra. Implikasi dari hasil ini membuka peluang pengembangan sistem deteksi awal berbasis aplikasi mobile, terutama untuk membantu masyarakat di daerah dengan keterbatasan layanan medis.

Unduhan

Data unduhan belum tersedia.

Referensi

W. A. Ningrum, M. M. Awaludin, and I. Suryani, “Pengaruh Swamedikasi Penyakit Kulit terhadap Tingkat Pengetahuan Siswa di Panti Asuhan Yatim Muhammadiyah Kabupaten Pekalongan,” Sinteza, vol. 4, no. 2, pp. 56–64, Aug. 2024, doi: 10.29408/sinteza.v4i2.20309.

Y. Widya, A. Rustam, C. Chazar, and M. A. Ramdhani, “INFORMASI (Jurnal Informatika dan Sistem Informasi) Aplikasi Diagnosa Penyakit Kulit Menggunakan dengan Menggunakan Metode Convolutional Neural Networks,” 2023.

R. P. Yola Hutasoit, M. Khairul Anam, P. Studi Teknik Informatika, and P. Studi Teknologi Informasi, “Implementasi Metode Forward Chaining untuk Identifikasi Penyakit Kulit dan Alternatif Penanganannya,” JURNAL INOVTEK POLBENG , vol. 6, no. 1, 2021.

T. Lestari, E. Maylina, F. Willy Ahzami, F. Nur Fadila, I. Mutiara Sari, and Q. Ayun, “Review: Jurnal Swamedikasi tentang Penyakit Kulit Akibat Bakteri (Bisul dan Jerawat) Review: Journal Of Swamedication on Bacterial Skin Diseases (Boils And Acne),” 2023.

A. Primadiamanti, R. Erlisa, T. Artianti, U. Sarimanah, and W. Datul Awalliyyah, “Cerdas Memilih Obat dalam Swamedikasi Penyakit Kulit di Posyandu Melati II Puskesmas Tanjung Sari Natar Lampung Selatan,” 2021.

D. Rizqoh, E. Nugraheni, A. Prihatiningrum, and P. Meidiyanti, “Edukasi Perilaku Hidup Bersih dan Sehat untuk Pencegahan Penyakit Infeksi Kulit,” Dharma Raflesia Jurnal Ilmiah Pengembangan dan Penerapan IPTEKS, vol. 22, no. 02, pp. 308–320, 2024, doi: 10.33369/dr.v22i2.37797.

N. Salari, P. Heidarian, A. Hosseinian-Far, F. Babajani, and M. Mohammadi, “Global Prevalence of Anxiety, Depression, and Stress Among Patients with Skin Diseases: A Systematic Review and Meta-analysis,” Journal of Prevention, vol. 45, no. 4, pp. 611–649, Aug. 2024, doi: 10.1007/s10935-024-00784-0.

A. Farnood, B. Johnston, and F. S. Mair, “A Mixed Methods Systematic Review of The Effects of Patient Online Self-Diagnosing in The ‘Smart-Phone Society’ on The Healthcare Professional-Patient Relationship and Medical Authority,” Oct. 06, 2020, BioMed Central Ltd. doi: 10.1186/s12911-020-01243-6.

A. Rushi, B. Sharvani, B. Ajay, and K. Padmaja Devi, “Skin Disease Diagnosis Using CNN with SVM Techniques,” 2023. [Online]. Available: www.ijcrt.org

E. Tjoa and C. Guan, “A Survey on Explainable Artificial Intelligence (XAI): Toward Medical XAI,” IEEE Trans Neural Netw Learn Syst, vol. 32, no. 11, pp. 4793–4813, Nov. 2021, doi: 10.1109/TNNLS.2020.3027314.

R. , Yohannes and M. Rivan, “Klasifikasi Jenis Kanker Kulit Menggunakan CNN-SVM,” Jurnal Algoritme, vol. 2, no. 2, pp. 133–144, 2022.

G. Yang, S. Luo, and P. Greer, “Advancements in skin cancer classification: a review of machine learning techniques in clinical image analysis,” Multimed Tools Appl, vol. 84, no. 11, pp. 9837–9864, Mar. 2025, doi: 10.1007/s11042-024-19298-2.

Z. H. R. Naji and N. K. El Abbadi, “Skin Diseases Classification using Deep Convolutional Neural Network,” in 2022 Iraqi International Conference on Communication and Information Technologies, IICCIT 2022, Institute of Electrical and Electronics Engineers Inc., 2022, pp. 309–315. doi: 10.1109/IICCIT55816.2022.10010658.

A. I. Kushartanto, F. Fauziah, and R. T. Aldisa, “Comparison of CNN and SVM Methods on Web-based Skin Disease Classification Process,” Sinkron, vol. 8, no. 2, pp. 778–788, Mar. 2024, doi: 10.33395/sinkron.v8i2.13349.

F. Dartiko, R. J. Pradana, R. E. Sari, W. Syahputra, W. Kz Oktoeberza, and A. W. Artikel, “Klasifikasi Kanker Kulit Berbasis CNN dengan Metode Hybrid Preprocessing INFO ARTIKEL ABSTRAK”, doi: 10.18196/mt.v5i.

F. D. Wibowo, I. Palupi, and B. A. Wahyudi, “Image Detection for Common Human Skin Diseases in Indonesia Using CNN and Ensemble Learning Method,” Journal of Computer System and Informatics (JoSYC), vol. 3, no. 4, pp. 527–535, Sep. 2022, doi: 10.47065/josyc.v3i4.2151.

M. Daffa et al., “Sistem Pakar Diagnosa Penyakit Kulit pada Manusia dengan Menerapkan Metode Forward Chaining,” Jurnal Riset dan Aplikasi Mahasiswa Informatika (JRAMI), vol. 05, 2024.

H. Ismail, “Skin diseases image dataset,” Kaggle. Accessed: Jun. 17, 2025. [Online]. Available: https://www.kaggle.com/datasets/ismailhossain/sd-260