KLASIFIKASI JENIS JERAWAT MENGGUNAKAN METODE DEEP LEARNING

Risdianti (2024) KLASIFIKASI JENIS JERAWAT MENGGUNAKAN METODE DEEP LEARNING. PROGRAM STUDI SARJANA SISTEM INFORMASI FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS SARI MULIA BANJARMASIN 2024.

[img] Text
Skripsi Risdianti - Risdianti 01.pdf

Download (3MB)

Abstract

Jerawat merupakan masalah kulit yang umum terutama dikalangan remaja dan dewasa. Meskipun tidak berbahaya, jerawat dapat mempengaruhi kondisi emosional dan sosial penderitanya. Pemeriksaan jerawat secara manual oleh dokter kulit memerlukan waktu yang cukup lama, sehingga diperlukan teknologi yang dapat membantu poroses pendeteksian ini. Pembelajaran mendalam (deep learning) merupakan salah satu teknik yang dapat digunakan untuk mengklasifiksikan dan mendiagnosis jerawat secara akurat dan cepat. Tujuan: Penelitian ini bertujuan untuk mengembangkan model klasifikasi jenis jerawat menggunakan metode deep learning yang dapat membantu dalam mendiagnosis jerawat secara efisien dengan menggunakan website sebagai media diagnosis jerawat. Metode: Penelitian ini menggunakan metode deep learning, khususnya model Convolutional Neural Network (CNN) untuk mengklasifikasikan jenis jerawat. Data yang digunakan adalah gambar jerawat yang dikumpulkan dari situs Kaggle. Model CNN dilatih dan diuji dengan menggunakan dataset yang telah dibagi menjadi data pelatihan dan data pengujian, dengan beberapa optimizer. Evaluasi model dilakukan dengan mengukur akurasi, presisi dan recall. Hasil: Hasil penelitian menunjukkan bahwa model CNN yang diuji dengan optimizer Adam mencapai akurasi tertinggi yaitu 89%. Simpulan: Penelitian ini mengembangkan dan mengintegrasikan model CNN ke dalam website untuk klasifikasi jerawat dalam sistem informasi kesehatan. Metode ini tidak hanya membuat diagnosis lebih akurat, tetapi juga lebih efisien waktu untuk mendiagnosis jerawat.

Item Type: Skripsi
Kata Kunci Tidak Terkontrol: convolutional neural network, deep learning, jerawat, klasifikasi
Subjects: Z Bibliography. Library Science. Information Resources > ZA Information resources
Z Bibliography. Library Science. Information Resources > ZA Information resources > ZA4050 Electronic information resources
Fakultas: FAKULTAS SAINS DAN TEKNOLOGI
Pengguna Penyetoran: Rahman Perpustakaan UNISM
Tanggal Setoran: 16 Aug 2024 02:02
Last Modified: 16 Aug 2024 02:02
URI: http://repository.unism.ac.id/id/eprint/3246

Actions (login required)

View Item View Item