Electronic Theses and Dissertation

Penyakit Diabetic Foot Ulcer (DFU) dapat menyebabkan amputasi pada bagian telapak kaki, bahkan yang lebih parahnya dapat menyebabkan kematian. Dengan adanya penyakit ini, akan berdampak pada peningkatan parahnya luka, sehingga dapat memperlambat penyembuhan luka. Untuk mendeteksi adanya penyakit DFU pada penderita, penyakit dideteksi dengan menggunakan citra termal, yang berguna untuk deteksi dini, dimana jika tidak dilakukan deteksi dini dapat berpotensi amputasi. Pengindentifikasian citra termal dilakukan dengan menggunakan metode deep learning. Digunakan tiga parameter untuk mengevaluasi kinerja dalam mengklasifikasikan semua data citra termal kaki seperti akurasi, sensitivity, dan specificity. Akurasi diperlukan untuk kinerja sistem yang melakukan klasifikasi terhadap semua data, sensitivity yang merupakan parameter dalam menghitung data positif yang diklasifikasikan, serta specificity merupakan sistem yang mendeteksi citra yang sehat/negatif. Pendeteksian DFU dapat dilakukan dengan menggunakan tiga model perbandingan, diantaranya adalah EfficientNet, ShuffleNet, dan MobileNetV2. Pada penelitian ini model ShuffleNet lebih unggul dalam menganalisis penyakit DFU dengan jumlah parameter 857.088, dalam waktu training yang lebih cepat yaitu 23 menit 23 detik pada learning rate 10^(-2), dibandingkan dengan menggunakan model MobileNetV2 dan EfficientNet.

Diabetic Foot Ulcer (DFU) disease can lead to amputation of the foot sole, and in more severe cases, it can even result in death. With the presence of this disease, there will be an impact on the worsening of wounds, consequently slowing down the healing process. To detect the presence of DFU in patients, the disease is identified using thermal imaging, which is crucial for early detection. Failure to conduct early detection can potentially lead to amputation. The identification of thermal images is carried out using deep learning methods. Three parameters are employed to evaluate the performance of classifying all thermal foot image data: accuracy, sensitivity, and specificity. Accuracy is needed to assess the system's performance in classifying all the data. Sensitivity is a parameter used to calculate correctly classified positive data, while specificity refers to the system's ability to detect healthy/negative images.DFU detection can be achieved using three comparative models: EfficientNet, ShuffleNet, and MobileNetV2. In this study, the ShuffleNet model excels in analyzing DFU disease with a parameter count of 857,088. It achieves faster training times, specifically 23 minutes and 23 seconds, with a learning rate of 10-2, compared to using the MobileNetV2 and EfficientNet models.