PENGARUH HYPERPARAMETER TUNING PADA KINERJA MOBILENETV2 DENGAN TRANSFER LEARNING UNTUK DETEKSI PENYAKIT KULIT
DOI:
https://doi.org/10.61124/sinta.v2i2.43Keywords:
CNN, Penyakit kulit, Hyperparameter, Transfer LearningAbstract
Deteksi penyakit kulit berbasis visual memerlukan model klasifikasi yang efisien dan akurat dalam membantu proses diagnosis secara otomatis. Penelitian ini bertujuan untuk menganalisis pengaruh hyperparameter tuning terhadap performa model Convolutional Neural Network (CNN) dalam melakukan klasifikasi penyakit kulit. Model yang digunakan adalah MobileNetV2 yang dikenal ringan dan efisien untuk perangkat dengan sumber daya yang terbatas. Dataset yang digunakan adalah ISIC 2019, yang terdiri dari delapan kelas penyakit kulit. Pendekatan penelitian yang dilakukan mencakup pelatihan model CNN dasar tanpa transfer learning, pelatihan MobileNetV2 tanpa menggunakan bobot pelatihan, dan pelatihan model MobileNetV2 menggunakan transfer learning. Hasil penelitian menjunjukkan bahwa hyperparameter berperan penting dalam meningkatkan kemampuan model. Penggunaan transfer learning pada MobileNetV2 dengan learning rate sebesar 0.0001 , batch size 16 dan 70 epoch dengan menggunakan rasio 20:80 untuk data traning dan testing menghasilkan akurasi tertinggi sebesar 96.63% Hasil ini menunjukkan bahwa kombinasi hyperparameter yang tepat serta penerapan transfer learning dapat meningkatkan kemampuan model dalam melakukan klasifikasi penyakit kulit.
References
A. R. MZ, I. G. P. S. Wijaya, and F. Bimantoro, “Sistem Pakar Diagnosa Penyakit Kulit pada Manusia dengan Metode Dempster Shafer,” Journal of Computer Science and Informatics Engineering (J-Cosine), vol. 4, no. 2, pp. 129–138, Dec. 2020, doi: 10.29303/jcosine.v4i2.285.
A. Widiawaty, Sukasihati, K. P. Ayda, and S. A. Nasution, “Skin Moisture Profile of Normal Skin and Inflammatory Skin Disease Using Skin Analyzer,” Galaxy Science, Dec. 2022. doi: 10.11594/nstp.2022.2825.
R. Binti Roslan, I. N. Mohd Razly, N. Sabri, and Z. Ibrahim, “Evaluation of psoriasis skin disease classification using convolutional neural network,” IAES International Journal of Artificial Intelligence (IJ-AI), vol. 9, no. 2, p. 349, Jun. 2020, doi: 10.11591/ijai.v9.i2.pp349-355.
Sumantri Alikhan Sains, “Relationship of Personal Hygiene and Environmental Conditions with Complaints of Skin Disease,” MIRACLE Journal Of Public Health, vol. 4, no. 1, pp. 90–101, Jun. 2021, doi: 10.36566/mjph/Vol4.Iss1/240.
M. A. Hashmani, S. M. Jameel, S. S. H. Rizvi, and S. Shukla, “An Adaptive Federated Machine Learning-Based Intelligent System for Skin Disease Detection: A Step toward an Intelligent Dermoscopy Device,” Applied Sciences, vol. 11, no. 5, p. 2145, Feb. 2021, doi: 10.3390/app11052145.
Q. Anum et al., “Identifikasi Penyakit Kulit dan Pemeriksaan Lesi Kulit kepada Masyarakat di Daerah Binaan Universitas Andalas,” Jurnal Warta Pengabdian Andalas, vol. 28, no. 3, pp. 334–340, Sep. 2021, doi: 10.25077/jwa.28.3.334-340.2021.
W. Nugraha and A. Sasongko, “Hyperparameter Tuning on Classification Algorithm with Grid Search,” SISTEMASI, vol. 11, no. 2, p. 391, May 2022, doi: 10.32520/stmsi.v11i2.1750.
N. Dahiya et al., “Hyper-parameter tuned deep learning approach for effective human monkeypox disease detection,” Sci Rep, vol. 13, no. 1, p. 15930, Sep. 2023, doi: 10.1038/s41598-023-43236-1.
R. Ali, A. Manikandan, R. Lei, and J. Xu, “A novel SpaSA based hyper-parameter optimized FCEDN with adaptive CNN classification for skin cancer detection,” Sci Rep, vol. 14, no. 1, p. 9336, Apr. 2024, doi: 10.1038/s41598-024-57393-4.
S. G. Malik, S. S. Jamil, A. Aziz, S. Ullah, I. Ullah, and M. Abohashrh, “High-Precision Skin Disease Diagnosis through Deep Learning on Dermoscopic Images,” Bioengineering, vol. 11, no. 9, p. 867, Aug. 2024, doi: 10.3390/bioengineering11090867.
W. Nugraha and A. Sasongko, “Hyperparameter Tuning on Classification Algorithm with Grid Search,” SISTEMASI, vol. 11, no. 2, p. 391, May 2022, doi: 10.32520/stmsi.v11i2.1750.
I. Muhamad Malik Matin, “Hyperparameter Tuning Menggunakan GridsearchCV pada Random Forest untuk Deteksi Malware,” MULTINETICS, vol. 9, no. 1, pp. 43–50, May 2023, doi: 10.32722/multinetics.v9i1.5578.
P. Idrovo-Berrezueta, D. Dutan-Sanchez, and V. Robles-Bykbaev, “Comparison of Transfer Learning vs. Hyperparameter Tuning to Improve Neural Networks Precision in the Early Detection of Pneumonia in Chest X-Rays,” 2023, pp. 263–272. doi: 10.1007/978-3-031-33258-6_24.
Z. S. Dunias, B. Van Calster, D. Timmerman, A. Boulesteix, and M. van Smeden, “A comparison of hyperparameter tuning procedures for clinical prediction models: A simulation study,” Stat Med, vol. 43, no. 6, pp. 1119–1134, Mar. 2024, doi: 10.1002/sim.9932.
A. E. MINARNO, M. H. C. MANDIRI, and M. R. ALFARIZY, “Klasifikasi COVID-19 menggunakan Filter Gabor dan CNN dengan Hyperparameter Tuning,” ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika, vol. 9, no. 3, p. 493, Jul. 2021, doi: 10.26760/elkomika.v9i3.493.
A. E. Minarno, M. Hazmi Cokro Mandiri, Y. Munarko, and H. Hariyady, “Convolutional Neural Network with Hyperparameter Tuning for Brain Tumor Classification,” Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control, May 2021, doi: 10.22219/kinetik.v6i2.1219.
I. Alfredo and Suharjito, “PERBAIKAN MODEL ALEXNET UNTUK MENDETEKSI KEMATANGAN TBS KELAPA SAWIT DENGAN MENGGUNAKAN IMAGE ENHANCEMENT DAN HYPERPARAMETER TUNING,” Jurnal Ilmiah Teknologi dan Rekayasa, vol. 27, no. 1, pp. 56–68, Apr. 2022, doi: 10.35760/tr.2022.v27i1.5973.
R. D. Fitriani, H. Yasin, and T. Tarno, “PENANGANAN KLASIFIKASI KELAS DATA TIDAK SEIMBANG DENGAN RANDOM OVERSAMPLING PADA NAIVE BAYES (Studi Kasus: Status Peserta KB IUD di Kabupaten Kendal),” Jurnal Gaussian, vol. 10, no. 1, pp. 11–20, Feb. 2021, doi: 10.14710/j.gauss.v10i1.30243.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Ferry Amaludin, Mulki Indana Zulfa, Hari Siswantoro
This work is licensed under a Creative Commons Attribution 4.0 International License.
