Electronic Theses and Dissertation

Obesitas, suatu gangguan metabolik yang ditandai dengan akumulasi lemak abnormal, merupakan faktor risiko signifikan bagi berbagai penyakit, termasuk kondisi kardiovaskular, diabetes, dan kanker, sehingga memerlukan pengembangan metode diagnostik yang non-invasif dan hemat biaya. Penelitian ini membahas tiga tujuan utama: (1) membangun dataset termografi standar untuk skrining obesitas, (2) mengembangkan arsitektur CNN ringan yang efisien dengan menyeimbangkan akurasi dan kompleksitas, dan (3) menciptakan kerangka klasifikasi yang dioptimalkan menggunakan regio tubuh representatif dengan fusi tingkat keputusan. Penelitian ini menyumbangkan dataset termografi akses terbuka yang terdiri dari 1.380 citra dari 138 partisipan pria Indonesia; model CNN ringan baru, MD-2-4-4-2, yang dibangun dengan memodifikasi DenseNet201 dengan konvolusi terpisah kedalaman yang terinspirasi MobileNet; dan kerangka klasifikasi berbasis fusi soft-voting yang memanfaatkan regio supraklavikula, abdomen, dan lengan bawah, yang mencapai akurasi hingga 98,08% dan klasifikasi sempurna dalam beberapa konfigurasi dengan tetap mempertahankan ukuran ringkas 19,4 MB. Hasil ini menunjukkan pendekatan praktis dan efektif untuk deteksi obesitas dini melalui pencitraan termal dan pembelajaran mendalam.

Obesity, a metabolic disorder characterized by abnormal fat accumulation, serves as a significant risk factor for numerous diseases including cardiovascular conditions, diabetes, and cancer, necessitating the development of non-invasive, cost-effective diagnostic methods. This research addresses three key objectives: (1) establishing a standardized thermographic dataset for obesity screening, (2) developing an efficient lightweight CNN architecture balancing accuracy and complexity, and (3) creating an optimized classification framework using representative body regions with decision-level fusion. The study contributes an open-access thermographic dataset comprising 1,380 images from 138 Indonesian male participants; a novel lightweight CNN model, MD-2-4-4-2, built by modifying DenseNet201 with MobileNet-inspired depthwise separable convolutions; and a soft-voting fusion-based classification framework utilizing supraclavicular, abdominal, and forearm regions, which achieved up to 98.08% accuracy and perfect classification in some configurations while maintaining a compact size of 19.4 MB. These results demonstrate a practical and effective approach for early obesity detection through thermal imaging and deep learning.