Klasifikasi Penyakit Kulit Manusia Berbasis Citra Medis Menggunakan VGG16, ResNet18, dan ResNet34 dengan Pendekatan Explainable Artificial Intelligence

Dian Pramana, Silvi (2026) Klasifikasi Penyakit Kulit Manusia Berbasis Citra Medis Menggunakan VGG16, ResNet18, dan ResNet34 dengan Pendekatan Explainable Artificial Intelligence. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_I.pdf Download (211kB)
	PDF BAB_II.pdf Download (984kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (312kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (4MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (206kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (212kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (915kB)
	Archive (ZIP) 00000083585_2521_LembarPengesahan.pdf Restricted to Registered users only Download (67kB)

Abstract

Penyakit kulit merupakan salah satu masalah kesehatan yang memerlukan deteksi dan diagnosis yang tepat untuk membantu penanganan secara dini. Perkembangan teknologi Artificial Intelligence (AI), khususnya Deep Learning, memungkinkan pengembangan sistem klasifikasi penyakit kulit berbasis citra dermatoskopi. Penelitian ini bertujuan untuk mengimplementasikan dan membandingkan performa arsitektur Convolutional Neural Network (CNN), yaitu VGG16, ResNet18, dan ResNet34, dalam klasifikasi citra lesi kulit menggunakan dataset HAM10000. Selain itu, penelitian ini menerapkan metode Explainable Artificial Intelligence (XAI) berupa Grad-CAM, Grad-CAM++, dan LIME untuk meningkatkan interpretabilitas hasil prediksi model. Tahapan penelitian meliputi pra-pemrosesan data, pembagian dataset menjadi data pelatihan, validasi, dan pengujian, penerapan transfer learning menggunakan bobot awal ImageNet, serta pelatihan model menggunakan framework PyTorch. Evaluasi performa dilakukan menggunakan metrik accuracy, precision, recall, F1-score, dan Area Under Curve (AUC). Hasil penelitian menunjukkan bahwa ResNet34 memberikan performa terbaik dengan nilai accuracy sebesar 83,10%, precision sebesar 0,7981, recall sebesar 0,8216, F1-score sebesar 0,8073, dan AUC sebesar 0,9074. Sementara itu, VGG16 memperoleh nilai precision dan F1-score tertinggi, yaitu masing-masing sebesar 0,8244 dan 0,8149. Hasil evaluasi menunjukkan bahwa arsitektur berbasis residual mampu menghasilkan performa klasifikasi yang lebih baik dibandingkan arsitektur CNN konvensional. Penerapan metode XAI juga memberikan visualisasi area citra yang berkontribusi terhadap keputusan model sehingga meningkatkan transparansi dan interpretabilitas hasil prediksi.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Dian Pramana, Silvi (00000083585)
Contributors:	Aditiyawan, Aditiyawan (8994550022)
Keywords:	CNN, Explainable Artificial Intelligence, HAM10000, Penyakit Kulit, ResNet18, ResNet34, VGG16.
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	13 Jul 2026 07:46
URI:	https://kc.umn.ac.id/id/eprint/47482

Actions (login required)

View Item