MUHAMMAD DIKA RAFI KASHA Primary Author mixed material bibliography Banda Aceh Fakultas Teknik Komputer 2026

Skripsi

Down Syndrome (DS) merupakan kelainan genetik akibat trisomi kromosom 21 yang dapat dikenali melalui karakteristik morfologi wajah. Pendekatan analisis citra wajah menjadi metode non-invasif yang potensial untuk mendukung deteksi dini DS. Seiring perkembangan teknologi deep learning, ekstraksi fitur visual dari citra wajah dapat dilakukan secara otomatis dan akurat. Oleh karena itu, penelitian ini bertujuan untuk membandingkan performa dua arsitektur lightweight convolutional neural network, yaitu EfficientNet-B1 dan MobileNetV3-Large, dalam mengklasifikasi citra wajah anak dengan DS dan Non-DS. Dataset yang digunakan terdiri dari 6.332 citra wajah yang diperoleh dari platform Roboflow, kemudian melalui proses filtering dan preprocessing sehingga diperoleh 2.620 citra berkualitas tinggi. Tahap preprocessing meliputi image enhancement menggunakan Gaussian noise, image sharpening, dan contrast adjustment, serta resizing sesuai kebutuhan masing-masing model. Dataset dibagi menjadi 70% data latih, 20% data validasi, dan 10% data uji. Evaluasi performa dilakukan menggunakan metrik akurasi, precision, recall, dan F1-score, serta dianalisis menggunakan confusion matrix. Selain itu, metode Grad-CAM digunakan untuk meningkatkan interpretabilitas model. Hasil penelitian menunjukkan bahwa EfficientNet-B1 menghasilkan performa yang lebih baik dengan akurasi sebesar 91.3% dibandingkan MobileNetV3-Large sebesar 86.4%. Selain itu, EfficientNet B1 juga menunjukkan stabilitas yang lebih baik serta visualisasi Grad-CAM yang lebih terfokus pada area wajah yang relevan. Dengan demikian, EfficientNet-B1 dapat menjadi pilihan yang lebih efektif dalam pengembangan sistem deteksi dini DS berbasis citra wajah yang akurat, efisien, dan mudah diinterpretasikan. 0 ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala 1714323 2026-04-16 20:24:51 2026-04-17 09:32:39 machine generated