Perbandingan Model CNN, LSTM, dan FNN dalam Klasifikasi Kulit Penderita Diabetes
DOI:
https://doi.org/10.52436/1.jpti.536Kata Kunci:
CNN, deep learning, FNN, klasifikasi kulit, LSTMAbstrak
Penelitian ini mengembangkan dan membandingkan kinerja tiga algoritma Deep Learning, yaitu Convolutional Neural Networks (CNN), Long Short-Term Memory (LSTM), dan Feedforward Neural Networks (FNN), untuk mengklasifikasi gambar kulit penderita diabetes dan kulit sehat. Data yang digunakan terdiri dari gambar kulit yang diproses melalui tahapan pra-pemrosesan, pembangunan model, pelatihan, dan evaluasi. Parameter yang diuji meliputi akurasi klasifikasi masing-masing model. Hasil menunjukkan ba hwa LSTM mencapai akurasi tertinggi sebesar 94%, diikuti oleh CNN dengan 87%, dan FNN dengan 82%. Model terbaik diimplementasikan dalam aplikasi berbasis web menggunakan Flask, yang dapat memberikan prediksi otomatis untuk mendukung diagnosis dini. Penelitian ini berkontribusi pada pengembangan teknologi diagnostik yang dapat membantu mencegah komplikasi serius pada pasien diabetes melalui deteksi dini kondisi kulit.
Unduhan
Referensi
A. F. Zubir, S. Brisma, A. Zulkarnaini, and M. Anissa, “Gambaran Penderita Ulkus Diabetikum Yang Menjalani Tindakan Operasi,” 2024, https://doi.org/10.56260/sciena.v3i4.151
R. Yohannes and M. E. Al Rivan, “Klasifikasi Jenis Kanker Kulit Menggunakan CNN-SVM,” algoritme, vol. 2, no. 2, Art. no. 2, Apr. 2022, doi: 10.35957/algoritme.v2i2.2363.
G. E. H. Cahyadi, S. Sukemi, and D. P. Rini, “Peningkatan Akurasi Prediksi Cnn-Lstm Dan Cnn-Gru Untuk Mendiagnosa Skizofrenia Melalui Sinyal Eeg,” JSI, vol. 14, no. 2, Art. no. 2, Oct. 2022, doi: 10.18495/jsi.v14i2.19071.
P. V. De Campos Souza and M. Dragoni, “IFNN: Enhanced interpretability and optimization in FNN via Adam algorithm,” Information Sciences, vol. 678, p. 121002, Sep. 2024, doi: 10.1016/j.ins.2024.121002.
Qorry Aina Fitroh and Shofwatul ’Uyun, “Deep Transfer Learning untuk Meningkatkan Akurasi Klasifikasi pada Citra Dermoskopi Kanker Kulit,” JNTETI, vol. 12, no. 2, Art. no. 2, May 2023, doi: 10.22146/jnteti.v12i2.6502.
S. Rizal, N. Ibrahim, N. K. C. Pratiwi, S. Saidah, and R. Y. N. Fu’Adah, “Deep Learning untuk Klasifikasi Diabetic Retinopathy menggunakan Model EfficientNet,” ELKOMIKA, vol. 8, no. 3, Art. no. 3, Aug. 2020, doi: 10.26760/elkomika.v8i3.693.
A. Anton, N. F. Nissa, A. Janiati, N. Cahya, and P. Astuti, “Application of Deep Learning Using Convolutional Neural Network (CNN) Method For Women’s Skin Classification,” SJI, vol. 8, no. 1, pp. 144–153, May 2021, doi: 10.15294/sji.v8i1.26888.
C. Kavitha, S. Priyanka, M. P. Kumar, and V. Kusuma, “Skin Cancer Detection and Classification using Deep Learning Techniques,” Procedia Computer Science, vol. 235, pp. 2793–2802, 2024, doi: 10.1016/j.procs.2024.04.264.
K. A. H. Wibowo and A. Alamsyah, “Klasifikasi Diabetic Retinopathy Menggunakan CNN dengan Arsitektur yang Dimodifikasi,” ijmns, vol. 46, no. 1, Art. no. 1, Apr. 2023, doi: 10.15294/ijmns.v46i1.46172.
C. R. Mulyasari, A. I. Hadiana, and A. Komarudin, “DETEKSI PENYAKIT DIABETES, KATARAK DAN GLAUKOMA PADA CITRA FUNDUS RETINA MATA MANUSIA MENGGUNAKAN CNN DENGAN ARSITEKTUR ALEXNET”. 2024, https://doi.org/10.26874/jumanji.v8i1.341
D. Irfansyah, M. Mustikasari, and A. Suroso, “Arsitektur Convolutional Neural Network (CNN) Alexnet Untuk Klasifikasi Hama Pada Citra Daun Tanaman Kopi,” JPIT, vol. 6, no. 2, pp. 87–92, May 2021, doi: 10.30591/jpit.v6i2.2802.
M. Rizki, S. Basuki, and Y. Azhar, “Implementasi Deep Learning Menggunakan Arsitektur Long Short Term Memory(LSTM) Untuk Prediksi Curah Hujan Kota Malang,” JR, vol. 2, no. 3, Jan. 2024, doi: 10.22219/repositor.v2i3.30499.
A. Yudhistira and A. Wirasto, “Penggunaan Logika Fuzzy dalam Deteksi Penyakit Kanker,” vol. 1, no. 1, 2024, http://dx.doi.org/10.30646/sinus.v15i1.259.
R. Saifan and F. Jubair, “Six skin diseases classification using deep convolutional neural network,” IJECE, vol. 12, no. 3, p. 3072, Jun. 2022, doi: 10.11591/ijece.v12i3.pp3072-3082.
M. Emhandyksa, I. Soesanti, and R. Susilowati, “Pengembangan Deep Learning untuk Sistem Deteksi Dini Komplikasi Kaki Diabetik Menggunakan Citra Termogram,” JTIIK, vol. 10, no. 6, Art. no. 6, Dec. 2023, doi: 10.25126/jtiik.1067382.
Y. Liu, H. Pu, and D.-W. Sun, “Efficient extraction of deep image features using convolutional neural network (CNN) for applications in detecting and analysing complex food matrices,” Trends in Food Science & Technology, vol. 113, pp. 193–204, Jul. 2021, doi: 10.1016/j.tifs.2021.04.042.
P. N. Srinivasu, J. G. SivaSai, M. F. Ijaz, A. K. Bhoi, W. Kim, and J. J. Kang, “Classification of Skin Disease Using Deep Learning Neural Networks with MobileNet V2 and LSTM,” Sensors, vol. 21, no. 8, p. 2852, Apr. 2021, doi: 10.3390/s21082852.
S. Li, M. Ardabilian, and A. Zine, “Quantitative Analysis of Skin using Diffuse Reflectance for Non-invasive Pigments Detection:,” in Proceedings of the 16th International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications, Online Streaming, --- Select a Country ---: SCITEPRESS - Science and Technology Publications, 2021, pp. 604–614. doi: 10.5220/0010326806040614.
M. Muslih and E. H. Rachmawanto, “CONVOLUTIONAL NEURAL NETWORK (CNN) UNTUK KLASIFIKASI CITRA PENYAKIT DIABETES RETINOPATHY,” SKANIKA, vol. 5, no. 2, Art. no. 2, Jul. 2022, doi: 10.36080/skanika.v5i2.2945.
