Electronic Theses and Dissertation

Dermatitis atopik (DA) adalah penyakit kulit inflamasi kronis yang saat ini menjadi kondisi kulit yang umum, ditandai dengan eksim kronis dan gejala gatal. Pasien dengan Dermatitis Atopik mengalami gangguan signifikan dalam kualitas hidup, dengan insiden gangguan tidur, kecemasan, depresi, dan bahkan kecenderungan bunuh diri yang lebih tinggi. Penelitian ini berfokus pada pengembangan dan evaluasi model deep learning untuk menilai tingkat keparahan Dermatitis Atopik (DA) menggunakan dataset etnis Aceh di Indonesia. Pendekatan yang diusulkan melibatkan teknik preprosesing citra (median filtering dengan mask 3x3 dan peningkatan intensitas gamma equalization) dan modifikasi berbagai arsitektur Convolutional Neural Network (CNN) seperti ResNet50, VGGNet19, MobileNetV3, MnasNet, dan EfficientNetB0. Modifikasi tersebut termasuk penambahan lapisan global average pooling 2D, lapisan dense, dan lapisan dropout, dengan tujuan meningkatkan kemampuan representasional dan mengurangi risiko overfitting. Model-model ini dilatih dengan hyperparameter yang telah ditentukan, menggunakan optimizer Adam dan categorical cross-entropy loss function. Hasilnya menunjukkan bahwa ResNet50 memberikan performa terbaik dalam menilai tingkat keparahan DA dengan nilai Akurasi, Presisi Weight Avg, Sensitifitas Weight Avg 91,61%, diikuti oleh EfficientNet (87,83%), VGGNet19 (85,86%), dan MobileNetV3 (82,07%), sedangkan MnasNet menunjukkan performa yang paling rendah (63,49%).

Atopic Dermatitis (AD) is a chronic inflammatory skin disease that has become a common skin condition, characterized by chronic eczema and itching symptoms. Patients with Atopic Dermatitis experience significant disturbances in quality of life, with increased incidents of sleep disorders, anxiety, depression, and even higher tendencies of suicide. This study focuses on the development and evaluation of a deep learning model to assess the severity of Atopic Dermatitis (AD) using an ethnic Aceh dataset in Indonesia. The proposed approach involves image preprocessing techniques (median filtering with a 3x3 mask and gamma equalization intensity enhancement) and modifications of various Convolutional Neural Network (CNN) architectures such as ResNet50, VGGNet19, MobileNetV3, MnasNet, and EfficientNetB0. These modifications include the addition of a 2D global average pooling layer, dense layer, and dropout layer, aiming to enhance representational capabilities and reduce the risk of overfitting. These models were trained with predetermined hyperparameters, using the Adam optimizer and categorical cross-entropy loss function. The results show that ResNet50 provides the best performance in assessing the severity of AD with an accuracy of 91.61%, followed by EfficientNet (87.83%), VGGNet19 (85.86%), and MobileNetV3 (82.07%), while MnasNet showed the lowest performance (63.49%).