Deteksi Penyakit Kulit dengan Metode Convolutional Neural Network Menggunakan Arsitektur VGG19

Abstract

Deteksi dini penyakit kulit merupakan tantangan signifikan, khususnya di daerah dengan keterbatasan layanan medis dermatologis. Masalah ini diperparah oleh kurangnya tenaga medis spesialis serta maraknya informasi kesehatan yang tidak akurat di internet. Tujuan dari penelitian ini adalah mengembangkan sistem klasifikasi otomatis berbasis citra digital guna mengidentifikasi lima jenis penyakit kulit: Eczema, Melanocytic Nevus, Melanoma, Benign Keratosis, dan Basal Cell Carcinoma. Metode yang digunakan adalah Convolutional Neural Network (CNN) dengan arsitektur VGG19 melalui pendekatan transfer learning dan fine-tuning parsial pada layer block4_conv1. Dataset terdiri dari 10.000 gambar berformat .jpg yang telah melalui tahap normalisasi, augmentasi, deteksi tepi, dan penyeimbangan kelas. Evaluasi dilakukan menggunakan metrik akurasi, presisi, recall, F1-score, dan confusion matrix. Hasil eksperimen menunjukkan bahwa model mencapai akurasi hingga 84% pada skenario terbaik, dengan keseimbangan metrik lainnya yang menunjukkan kinerja klasifikasi multi-kelas yang andal. Kesimpulan dari penelitian ini menunjukkan bahwa arsitektur VGG19 efektif untuk mendeteksi berbagai penyakit kulit berbasis citra. Implikasi dari hasil ini membuka peluang pengembangan sistem deteksi awal berbasis aplikasi mobile, terutama untuk membantu masyarakat di daerah dengan keterbatasan layanan medis.Early detection of skin diseases remains a major challenge, particularly in regions with limited access to dermatological services. This issue is further exacerbated by the shortage of medical specialists and the widespread presence of inaccurate health information online. This study aims to develop an automated image-based classification system capable of identifying five types of skin diseases: Eczema, Melanocytic Nevus, Melanoma, Benign Keratosis, and Basal Cell Carcinoma. The proposed method utilizes a Convolutional Neural Network (CNN) with the VGG19 architecture, enhanced through transfer learning and partial fine-tuning at the block4_conv1 layer. A dataset of 10,000 JPG images was used, with preprocessing steps including normalization, data augmentation, edge detection, and class balancing. Model performance was evaluated using accuracy, precision, recall, F1-score, and confusion matrix. Experimental results show that the model achieved an accuracy of up to 84% in the best scenario, with balanced performance across other metrics, indicating strong multiclass classification capabilities. These findings demonstrate the effectiveness of VGG19 in detecting skin diseases from images. The results also suggest the potential development of mobile-based early detection systems to support communities in underserved areas.