Electronic Theses and Dissertation

Penyakit kulit merupakan salah satu masalah kesehatan yang banyak dijumpai, namun proses diagnosisnya masih sangat bergantung pada ketersediaan dokter spesialis kulit yang belum merata, khususnya di wilayah dengan keterbatasan fasilitas kesehatan. Penelitian ini bertujuan untuk membandingkan kinerja dua arsitektur Convolutional Neural Network (CNN) berbasis transfer learning, yaitu MobileNetV3-Large dan EfficientNetV2-S, dalam melakukan klasifikasi multiclass citra penyakit kulit pada empat kelas, yaitu eczema, psoriasis, tinea ringworm, dan melanoma. Dataset yang digunakan terdiri atas 24.000 citra yang dikumpulkan dari tiga sumber publik pada platform Kaggle, kemudian melalui tahap pra-pemrosesan berupa pembersihan data, penghapusan citra duplikat menggunakan hashing MD5, dan penyeimbangan jumlah citra antarkelas melalui undersampling. Dataset dibagi menggunakan teknik stratified sampling dengan rasio 80:10:10 untuk data latih, validasi, dan uji. Kedua model dilatih menggunakan bobot pra-latih ImageNet melalui dua fase, yaitu feature extraction dan fine-tuning, dengan konfigurasi hyperparameter yang identik agar perbandingan dilakukan secara objektif. Hasil evaluasi pada data uji menunjukkan bahwa MobileNetV3-Large memperoleh akurasi sebesar 93,04%, precision 0,9302, recall 0,9304, dan F1-score 0,9302, sedangkan EfficientNetV2-S memperoleh akurasi sebesar 77,75%, precision 0,7827, recall 0,7775, dan F1-score 0,7769. Selain unggul pada seluruh metrik evaluasi, MobileNetV3-Large juga menunjukkan proses pelatihan yang lebih stabil, kemampuan generalisasi yang lebih baik, serta waktu pelatihan yang lebih efisien dibandingkan EfficientNetV2-S. Berdasarkan hasil tersebut, MobileNetV3-Large direkomendasikan sebagai arsitektur yang lebih sesuai untuk tugas klasifikasi multiclass citra penyakit kulit pada dataset dan konfigurasi eksperimen yang digunakan dalam penelitian ini.

Kata Kunci: penyakit kulit, klasifikasi multiclass, MobileNetV3, EfficientNetV2, transfer learning, deep learning

Skin disease is a common health problem, yet its diagnosis still heavily relies on the availability of dermatologists, which remains unevenly distributed, particularly in areas with limited healthcare facilities. This study aims to compare the performance of two transfer-learning-based Convolutional Neural Network (CNN) architectures, namely MobileNetV3-Large and EfficientNetV2-S, in performing multiclass classification of skin disease images across four classes: eczema, psoriasis, tinea ringworm, and melanoma. The dataset used consists of 24,000 images collected from three public sources on the Kaggle platform, which then underwent preprocessing stages including data cleaning, duplicate image removal using MD5 hashing, and class balancing through undersampling. The dataset was split using a stratified sampling technique with an 80:10:10 ratio for training, validation, and testing sets. Both models were trained using ImageNet pre-trained weights through two phases, namely feature extraction and fine-tuning, with identical hyperparameter configurations to ensure an objective comparison. Evaluation results on the testing set show that MobileNetV3-Large achieved an accuracy of 93.04%, precision of 0.9302, recall of 0.9304, and F1-score of 0.9302, while EfficientNetV2-S achieved an accuracy of 77.75%, precision of 0.7827, recall of 0.7775, and F1-score of 0.7769. In addition to outperforming EfficientNetV2-S on all evaluation metrics, MobileNetV3-Large also demonstrated a more stable training process, better generalization ability, and more efficient training time. Based on these results, MobileNetV3-Large is recommended as the more suitable architecture for the multiclass skin disease image classification task, given the dataset and experimental configuration used in this study. Keywords: skin disease, multiclass classification, MobileNetV3, EfficientNetV2, transfer learning, deep learning