Yurika Primary Author mixed material bibliography Banda Aceh Fakultas Teknik Komputer 2023

Skripsi

Penyakit kulit merupakan salah satu jenis penyakit yang masih memiliki tingkat kejadian yang tinggi, terutama pada anak-anak, orang dewasa, dan lanjut usia, dengan angka mencapai 42,8% hingga 96%. Menganalisis dan mengidentifikasi penyakit kulit memerlukan tingkat pemahaman yang tinggi karena berbagai masa-lah atau gejala yang terkait. Dalam penelitian ini, digunakan pendekatan Convolu-tional Neural Network (CNN) untuk membantu mengenali citra penyakit kulit, khususnya citra penyakit cacar air, campak, dan kulit sehat. Penelitian ini bertujuan untuk melakukan klasifikasi citra tersebut dengan menggunakan empat arsitektur CNN yang berbeda, yaitu ResNet-50, ResNet-101, ResNet-152, dan Efficient-Net-B0, dan menggunakan dataset MSID (Monkeypox Skin Image Dataset) se-bagai dataset utama. Jumlah dataset yang digunakan yaitu 91 citra untuk setiap kelas, dan dilakukan augmentasi horizontal flip, zoom range, rotation range, dan shear range sehingga menjadi 1365 citra dengan pembagian dataset 70% data latih, 15% data validasi dan 15% data tes. Hasil evaluasi menunjukkan bahwa learning rate memiliki pengaruh pada performa model. Pada EfficientNet-B0, learning rate 0.01 memberikan akurasi 0.460, specificity 0.730, dan sensitivity 0.460. Sementara itu, pada ResNet-50, learning rate 0.001 menghasilkan akurasi 0.912, dengan specificity dan sensitivity masing-masing 0.956 dan 0.912. ResNet-152 menunjukkan peningkatan performa yang mencolok dengan learning rate 0.0001, mencapai akurasi 0.920, specificity 0.960, dan sensitivity 0.920. Hasil ini menunjukkan bahwa learning rate berpengaruh pada performa model, dan learning rate 0.0001 umumnya menghasilkan performa yang lebih baik dan optimal. Kata kunci: Penyakit kulit, CNN, ResNet-50, ResNet-101, ResNet-152, Effi-cientNet-B0, Learning rate 0 ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala 113558 2023-08-23 12:21:19 2023-08-23 14:46:57 machine generated