Implementasi Random Forest dan YOLO26 untuk Mendeteksi ACNE VULGARIS pada Citra Wajah

Aprileus Sukhadda, Nicholas (2026) Implementasi Random Forest dan YOLO26 untuk Mendeteksi ACNE VULGARIS pada Citra Wajah. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_I.pdf Download (233kB)
	PDF BAB_II.pdf Download (7MB)
	PDF BAB_III.pdf Restricted to Registered users only Download (830kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (6MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (206kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (224kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (1MB)
	Archive (ZIP) 00000070067_2521_LembarPengesahan.pdf Restricted to Registered users only Download (65kB)

Abstract

Jerawat (acne vulgaris) merupakan permasalahan kulit wajah yang umum dialami remaja dan dewasa muda. Identifikasi jenis lesi jerawat secara visual masih menantang karena ukuran lesi relatif kecil, perbedaan warna antar kelas cukup halus, serta kualitas citra dipengaruhi oleh pencahayaan, sudut pengambilan gambar, dan kualitas kamera. Penelitian ini mengembangkan sistem berbasis web untuk mendeteksi dan mengklasifikasikan empat jenis lesi jerawat, yaitu Blackheads, Papules, Pustules, dan Whiteheads, menggunakan YOLO26 dan Random Forest. YOLO26 digunakan sebagai detektor untuk menghasilkan bounding box, label awal, dan nilai confidence, sedangkan Random Forest digunakan sebagai model klasifikasi lanjutan berbasis fitur LAB 63 dimensi pada potongan citra lesi. Sistem menerapkan mekanisme confidence-based routing, yaitu prediksi dengan confidence tinggi (0,45) diterima langsung dari YOLO26, sedangkan prediksi dengan confidence menengah (0, 10 con f idence < 0, 45) diklasifikasikan ulang menggunakan Random Forest. Evaluasi dilakukan pada dua skenario pembagian dataset, yaitu 70-20-10 dan 80-10-10, menggunakan metrik Precision, Recall, F1-Score, Macro Precision, Macro Recall, dan Macro F1- Score. Hasil pengujian menunjukkan bahwa Random Forest pada skenario 80-10- 10 menghasilkan performa terbaik dengan Macro Precision 0,7542, Macro Recall 0,7540, dan Macro F1-Score 0,7519. Pengujian citra nyata menunjukkan bahwa Random Forest sebagai klasifikasi lanjutan menghasilkan 35 prediksi benar dari 72 deteksi yang dinilai secara manual, atau akurasi 48,6%. Hasil tersebut menunjukkan bahwa fitur LAB 63 dimensi dapat digunakan untuk membantu klasifikasi visual lesi pada citra terpotong, meskipun performa pada citra nyata masih dipengaruhi oleh kualitas crop, kemiripan visual antar kelas, dan objek non-target seperti tahi lalat.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Aprileus Sukhadda, Nicholas (00000070067)
Contributors:	Irmina Prasetiyowati, Maria
Keywords:	jerawat, fitur LAB, Macro F1-Score, Random Forest, YOLO26
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	28 Jul 2026 12:06
URI:	https://kc.umn.ac.id/id/eprint/48363

Actions (login required)

View Item