Implementasi MobileNetV2 dengan Preprocessing Esrgan untuk Klasifikasi Tumor Kulit Pada Aplikasi Android
Tahun 2025 · Penulis: Imanuel Agung Praja Romuty
Faculty of Computer Science, Universitas Jember
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Kulit merupakan organ terbesar yang berperan penting dalam melindungi tubuh dari berbagai ancaman eksternal. Salah satu penyakit serius pada kulit adalah tumor, yang dapat bersifat jinak (benign) maupun ganas (malignant). Deteksi dini terhadap tumor kulit sangat penting, terutama dalam mencegah perkembangan ke tahap yang lebih berbahaya. Sayangnya, masih banyak kendala dalam akses pemeriksaan dini, terutama di daerah dengan keterbatasan fasilitas medis. Oleh karena itu, penelitian ini mengusulkan pengembangan sistem deteksi tumor kulit berbasis citra digital yang diimplementasikan pada perangkat Android menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2 dan preprocessing menggunakan ESRGAN. Data yang digunakan dalam penelitian ini berasal dari dataset HAM10000, yang terdiri dari citra dermatoskopik berbagai jenis lesi kulit dan dipublikasikan oleh ISIC sebagai standar untuk klasifikasi lesi kulit berbasis pembelajaran mesin. Untuk mengatasi keterbatasan resolusi gambar, diterapkan metode Enhanced Super-Resolution Generative Adversarial Network (ESRGAN) guna meningkatkan kualitas visual citra. Selain itu, dilakukan augmentasi data melalui teknik rotasi, flipping, dan scaling untuk menyeimbangkan dan memperbesar jumlah data pelatihan. Arsitektur MobileNetV2 diimplementasikan menggunakan bahasa pemrograman Python dengan library TensorFlow dan Keras. Model dilatih menggunakan pendekatan transfer learning, dengan memanfaatkan bobot pre trained dari ImageNet. Penelitian ini juga mengeksplorasi beberapa tingkat pembekuan (freeze) layer untuk menemukan konfigurasi paling optimal, yaitu 80%, 60%, 40%, 20%, dan 0%. Hasil terbaik diperoleh pada konfigurasi tanpa pembekuan (0% freeze), dengan akurasi sebesar 87,39% dan macro F1-score sebesar 76,29%. Model akhir dikonversi ke format TensorFlow Lite dan diintegrasikan ke dalam aplikasi Android dalam dua mode klasifikasi: offline (TFLite) dan online (API). Pengujian pada berbagai perangkat menunjukkan bahwa performa model dapat bervariasi tergantung spesifikasi perangkat keras. Meskipun bukan alat diagnosis utama, sistem ini memiliki potensi sebagai alat bantu deteksi awal lesi kulit yang praktis dan mudah diakses oleh masyarakat melalui perangkat seluler.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,852
Tahun 2026 · Penulis: Kevin Elvio Chrisselin Purwanto
Pengembangan Model Klasifikasi Phising URL Menggunakan Xgboost Dan Feature Selection Dengan Pengintegerasian Pada Ekstensi Browser
Pesatnya perkembangan teknologi informasi telah memicu peningkatan ancaman keamanan siber, salah satunya adalah *phishing*. Serangan *phishing* dilakukan dengan menggunakan tautan atau situs web palsu yang menyerupai situs web resmi untuk mencuri informasi sen
- Cosine 0,832
Tahun 2026 · Penulis: Muhammad Muhtadin Nurilhaq
Optimasi Hyperparameter Algoritma Random Forest Pada Klasifikasi Malware Android Berbasis Website Menggunakan Bayesian Optimization Tuning
Android merupakan sistem operasi smartphone paling dominan di dunia dengan pangsa pasar global lebih dari 74% sejak tahun 2019. Popularitas tersebut menjadikan Android sebagai target utama serangan malware yang dapat menyalahgunakan perangkat pengguna secara m
- Cosine 0,828
Tahun 2026 · Penulis: Syarifah Citra Lestari
Analisis Penerapan Super (A,D)-Hyperedge Antimagic Total Labeling dan Aplikasinya pada Biometric Image Encryption Menggunakan Metode Vigenere Cipher
Perkembangan teknologi digital menuntut sistem keamanan data yang kuat, khususnya untuk data biometrik unik dan sensitif seperti gambar iris pada kartu identitas (KTP). Penelitian ini bertujuan untuk menganalisis konsep super (a,d)-hyperedge total antisihir la