Sistem Deteksi Dini Monkeypox, Chickenpox, dan Measles Menggunakan CNN VGG19 Berbasis Web

Husein Bagaskara, Rafi (2025) Sistem Deteksi Dini Monkeypox, Chickenpox, dan Measles Menggunakan CNN VGG19 Berbasis Web. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (702kB)
	PDF BAB_I.pdf Download (216kB)
	PDF BAB_II.pdf Download (828kB)
	PDF BAB_III.pdf Download (2MB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (3MB)
	PDF BAB_V.pdf Download (227kB)
	PDF DAFTAR_PUSTAKA.pdf Download (219kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (299kB)

Abstract

Penelitian ini mengembangkan dan mengevaluasi model Convolutional Neural Network (CNN) berbasis arsitektur VGG19 dengan pendekatan transfer learning untuk klasifikasi empat kategori gambar kulit: cacar monyet, cacar air, campak, dan kulit normal. Kebutuhan terhadap sistem klasifikasi ini sangat penting mengingat kemiripan visual ruam pada penyakit-penyakit tersebut yang berpotensi menyebabkan salah diagnosis. Dataset yang digunakan adalah Monkeypox Skin Images Dataset (MSID) dari Mendeley, yang terdiri dari 767 gambar asli (277 monkeypox, 106 chickenpox, 91 measles, dan 293 normal). Dataset ini kemudian dibagi menjadi 80% data latih dan 20% data uji. Untuk mengatasi ketidakseimbangan kelas dan meningkatkan kemampuan generalisasi model, data latih diperluas melalui augmentasi hingga mencapai 1000 gambar per kelas. Model dikembangkan melalui dua tahap pelatihan, yaitu feature extraction dan fine- tuning, dengan optimasi hyperparameter menggunakan Keras-Tuner dan metode Hyperband. Hasil validasi silang 5-fold menunjukkan rata-rata akurasi sebesar 94.68% dengan standar deviasi 0.0090. Pada data uji akhir (test set), model mencapai akurasi sebesar 92.36% dan nilai loss sebesar 0.3867. Performa terbaik ditunjukkan pada kelas Normal (precision 95%, recall 97%, F1-score 96%) dan Monkeypox (precision 95%, recall 96%, F1-score 96%). Model ini menunjukkan performa yang kompetitif dibandingkan MonkeyNet yang berbasis DenseNet-201, yang sebelumnya mencapai akurasi 93.19% pada dataset yang sama. Selain itu, penelitian ini juga memvalidasi efektivitas arsitektur VGG19 dalam konteks klasifikasi penyakit kulit, yang belum dieksplorasi dalam studi terdahulu. Model akhir diintegrasikan ke dalam sistem berbasis web bernama NeuroDerma, yang dapat mendeteksi dini penyakit kulit secara daring melalui antarmuka yang mudah digunakan. Sistem NeuroDerma yang dibangun berbasis web menunjukkan performa yang stabil dan responsif dalam pengujian black-box, serta memperoleh tingkat kepuasan pengguna yang sangat tinggi dengan rata-rata skor EUCS sebesar 93.8%.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Husein Bagaskara, Rafi (00000062011)
Contributors:	Widjaja, Moeljono Winarno, Winarno
Keywords:	Cacar Air, Cacar Monyet, Campak, Convolutional Neural Network, VGG19
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	10 Sep 2025 05:45
URI:	https://kc.umn.ac.id/id/eprint/40476

Actions (login required)

View Item