PENGEMBANGAN SISTEM DETEKSI PENYAKIT KULIT KEPALA BERBASIS CITRA MENGGUNAKAN CNN RESNET50

Andriansyah, Mochamad Risqi (2026) PENGEMBANGAN SISTEM DETEKSI PENYAKIT KULIT KEPALA BERBASIS CITRA MENGGUNAKAN CNN RESNET50. Undergraduate thesis, Universitas Nusantara PGRI Kediri.

	Text (Full text) RAMA_55201_2213020122.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (3MB) | Request a copy
	Text (Similarity) RAMA_55201_2213020122_SIMILARITY.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (3MB)
	Text (Cover sd BAB 1 + References) RAMA_55201_2213020122_0729088802_0723098303_01_front_ref.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (1MB)
	Text (BAB 2) RAMA_55201_2213020122_0729088802_0723098303_02.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (572kB) | Request a copy
	Text (BAB 3) RAMA_55201_2213020122_0729088802_0723098303_03.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (788kB) | Request a copy
	Text (BAB 4) RAMA_55201_2213020122_0729088802_0723098303_04.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (756kB) | Request a copy
	Text (BAB 5) RAMA_55201_2213020122_0729088802_0723098303_05.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (162kB) | Request a copy
	Text (References) RAMA_55201_2213020122_0729088802_0723098303_06_ref.pdf - Bibliography Available under License Creative Commons Public Domain Dedication. Download (210kB)
	Text (Lampiran) RAMA_55201_2213020122_0729088802_0723098303_07_lamp.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (971kB) | Request a copy

Abstract

Penyakit kulit kepala merupakan gangguan yang dapat memengaruhi kesehatan, kenyamanan, serta kepercayaan diri seseorang. Proses identifikasi penyakit kulit kepala umumnya masih dilakukan berdasarkan pengamatan visual sehingga berpotensi menimbulkan perbedaan interpretasi, terutama pada penyakit yang memiliki karakteristik visual serupa. Perkembangan teknologi kecerdasan buatan, khususnya Deep Learning, memberikan peluang untuk membantu proses identifikasi penyakit kulit kepala melalui analisis citra digital secara lebih cepat dan objektif. Penelitian ini bertujuan mengembangkan sistem deteksi penyakit kulit kepala berbasis citra digital menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur ResNet50. Dataset yang digunakan berjumlah 12.000 citra yang terdiri atas 10 kelas, yaitu Alopecia Areata, Contact Dermatitis, Folliculitis, Head Lice, Lichen Planus, Male Pattern Baldness, Psoriasis, Seborrheic Dermatitis, Telogen Effluvium, dan Tinea Capitis. Dataset dibagi menjadi data latih sebanyak 9.600 citra (80%), data validasi sebanyak 1.200 citra (10%), dan data uji sebanyak 1.200 citra (10%). Tahapan penelitian meliputi preprocessing citra berupa resize dan normalisasi, pelatihan model ResNet50 selama 20 epoch, evaluasi menggunakan accuracy, precision, recall, F1-score, dan confusion matrix, serta implementasi model ke dalam aplikasi berbasis web. Hasil penelitian menunjukkan bahwa model CNN ResNet50 memperoleh nilai test accuracy sebesar 98,75% dengan test loss sebesar 0,098. Nilai rata-rata precision, recall, dan F1-score masing-masing sebesar 0,99. Pengujian tambahan menggunakan tiga citra baru dari luar dataset utama menunjukkan bahwa seluruh citra berhasil diklasifikasikan sesuai dengan kelas sebenarnya, yaitu Alopecia Areata dengan nilai confidence sebesar 96,16%, Folliculitis sebesar 50,81%, dan Lichen Planus sebesar 28,93%. Model kemudian berhasil diintegrasikan ke dalam aplikasi berbasis web sehingga pengguna dapat melakukan deteksi penyakit kulit kepala melalui unggahan citra digital. Berdasarkan hasil tersebut, arsitektur ResNet50 menunjukkan performa yang sangat baik dalam mengklasifikasikan penyakit kulit kepala berbasis citra digital. Sistem yang dikembangkan berpotensi dimanfaatkan sebagai media identifikasi awal kondisi kulit kepala, tetapi tidak digunakan sebagai pengganti diagnosis medis.

Actions (login required)

View Item