KAJIAN KLASIFIKASI TINGKAT KEPARAHAN JERAWAT MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK DENGAN ARSITEKTUR MOBILENETV2

Abstract

Klasifikasi data adalah teknik utama dalam pembelajaran mesin yang memetakan pola dan fitur data input ke dalam kelas target. Perkembangan signifikan dalam klasifikasi data terjadi pada deep learning dengan jaringan syaraf tiruan dan Convolutional Neural Network (CNN) yang mampu mengekstrak fitur gambar secara otomatis. CNN dapat mengklasifikasikan tingkat suatu kondisi berdasarkan data citra, salah satunya adalah tingkat keparahan jerawat. Jerawat (acne vulgaris) merupakan penyakit kulit yang umum terjadi dengan tingkat keparahan yang berbeda-beda. Penelitian ini bertujuan untuk menerapkan model CNN MobileNetV2 untuk mengklasifikasikan tingkat keparahan jerawat berdasarkan citra masukan jerawat. Data terdiri dari 1457 citra jerawat dengan 4 tingkat keparahan yang dibagi menjadi 80% data latih dan 20% data uji. MobileNetV2 digunakan sebagai pengekstrak fitur melalui transfer learning. Penyempurnaan dan klasifikasi dilakukan dengan menggunakan fully connected layer dengan fungsi aktivasi ReLU dan softmax. Model dievaluasi dengan confusion matrix dan classification report. Model dengan kombinasi hyperparameter batch size 16 dan learning rate 0.00001 merupakan model terbaik yang mencapai akurasi 87.29% dengan presisi 89%, recall 84%, dan F1-score 86% untuk mengklasifikasikan tingkat keparahan jerawat.

Data classification is a key machine learning technique that maps input data patterns and features into a target class. Significant developments in data classification occur in deep learning with neural networks and Convolutional Neural Networks (CNN) that can extract image features automatically. CNN can classify the level of a condition based on image data, one of which is the severity of acne. Acne (acne vulgaris) is a common skin disease with varying severity. This study aims to apply the CNN MobileNetV2 model to classify acne severity based on acne input images. The data consists of 1457 acne images at 4 severity levels divided into 80% training and 20% test data. MobileNetV2 was used as a feature extractor through transfer learning. Fine-tuning and classification were performed using fully connected layers with ReLU and softmax activation functions. The model was evaluated with a confusion matrix and classification report. The model with a combination of hyperparameter batch size 16 and a learning rate of 0.00001 was the best model that achieved 87.29% accuracy with 89% precision, 84% recall, and 86% F1 score for classifying acne severity.