IDENTIFIKASI PENYAKIT KULIT BERBASIS CITRA MENGGUNAKKAN ALGORITMA YOLOv11

Abstract

Penelitian ini mengembangkan sistem deteksi dan klasifikasi penyakit kulit berbasis kecerdasan buatan untuk membantu proses diagnosis awal secara cepat dan efisien, khususnya pada daerah dengan keterbatasan tenaga ahli dermatologi. Sistem yang dikembangkan mengintegrasikan model You Only Look Once version 11 (YOLOv11) sebagai pendeteksi area lesi kulit dan Convolutional Neural Network (CNN) sebagai pengklasifikasi jenis penyakit kulit berdasarkan citra digital. Dataset yang digunakan dalam penelitian ini berasal dari DermNet, yang merupakan salah satu sumber dataset citra penyakit kulit yang banyak digunakan dalam penelitian dermatologi berbasis pengolahan citra. Penelitian ini mencakup empat kelas penyakit kulit, yaitu Acne Rosacea, Atopic Dermatitis, Bullous Disease, Actinic Keratosis, Basal Cell Carcinoma, dan other Malignant Lesions. Evaluasi performa dilakukan melalui pengujian model klasifikasi dan pengujian sistem secara menyeluruh (end-to-end). Model CNN dievaluasi menggunakan metrik accuracy, Precision, Recall, dan F1-score, sedangkan pengujian sistem dilakukan untuk menganalisis tingkat akurasi dan konsistensi hasil klasifikasi melalui pengujian berulang pada citra uji yang sama. Hasil pengujian menunjukkan bahwa sistem mampu mengidentifikasi dan mengklasifikasikan penyakit kulit dengan performa yang baik. Berdasarkan pengujian terhadap 20 citra uji dengan 10 kali pengujian berulang pada setiap citra, sistem memperoleh akurasi keseluruhan sebesar 89% secara end-to-end. Ditinjau per kelas, Acne Rosacea mencapai akurasi 73%, Atopic Dermatitis 82%, Bullous Disease 94%, serta Actinic Keratosis Basal Cell Carcinoma and Other Malignant Lesions sebesar 98%. Performa sistem dipengaruhi oleh ketepatan deteksi area lesi menggunakan YOLOv11, di mana lesi berukuran besar dan memiliki kontras visual yang jelas cenderung menghasilkan klasifikasi yang lebih akurat dibandingkan lesi kecil dengan warna menyerupai kulit normal. Keluaran sistem ditampilkan melalui antarmuka grafis berupa label prediksi dan nilai confidence. Secara keseluruhan, sistem ini berpotensi digunakan sebagai alat bantu diagnosis awal yang akurat dan efisien. Keluaran sistem ditampilkan melalui antarmuka grafis (Graphical User Interface) berupa label prediksi jenis penyakit kulit, sehingga memudahkan pengguna dalam memahami hasil klasifikasi. Berdasarkan hasil penelitian, sistem ini memiliki potensi untuk digunakan sebagai alat bantu diagnosis awal penyakit kulit yang akurat, konsisten, dan efisien.