Electronic Theses and Dissertation

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

Skin disease is a type of disease that still has a high incidence rate, especially in children, adults and the elderly, with rates reaching 42.8% to 96%. Analyzing and identifying skin diseases requires a high level of understanding because of the var-ious problems or symptoms associated with it. In this study, the Convolutional Neural Network (CNN) approach was used to help identify images of skin diseas-es, especially images of chickenpox, measles, and healthy skin. This study aims to classify these images using four different CNN architectures, namely ResNet-50, ResNet-101, ResNet-152, and EfficientNet-B0, and using the MSID dataset (Monkeypox Skin Image Dataset) as the dataset. main. The number of datasets used was 91 images for each class, and horizontal flip, zoom range, rotation range, and shear range augmentation was carried out so that it became 1365 images with a dataset division of 70% training data, 15% validation data and 15% test data. The evaluation results show that the learning rate has an influence on model per-formance. At EfficientNet-B0, a learning rate of 0.01 gives an accuracy of 0.460, a specificity of 0.730, and a sensitivity of 0.460. Meanwhile, on ResNet-50, a learning rate of 0.001 results in an accuracy of 0.912, with a specificity and sensi-tivity of 0.956 and 0.912 respectively. Res-Net-152 shows a marked increase in performance with a learning rate of 0.0001, achieving an accuracy of 0.920, a specificity of 0.960, and a sensitivity of 0.920. These results indicate that the learning rate has an effect on model performance, and a learning rate of 0.0001 generally produces better and optimal performance. Keywords: Skin disease, CNN, ResNet-50, ResNet-101, ResNet-152, Efficient-Net-B0, Learning rate