G1A021072 Novia Evianti Metopen

PROPOSAL PENELITIAN

"KOMPERESI KINERJA ALGORITMA DISCRETE WAVELVET

TRANSFORM DAN

CONVOLUTIONAL NEURAL NETWORK

UNTUK KLASIFIKASI PENYAKIT KULIT BERDASARKAN WARNA

DAN TEKSTUR PADA CITRA KULIT

"

Oleh:

NOVIA EVIANTI G1A021072

PROGRAM STUDI INFORMATIKA FAKULTAS TEKNIK

UNIVERSITAS BENGKULU

2024

i

KATA PENGANTAR

Puji syukur penulis kepada Tuhan Yang Maha Kuasa atas anugerah kesehatan yang memungkinkan penulis menyelesaikan proposal skripsi ini tepat waktu. Penulis juga ingin mengucapkan terima kasih kepada beberapa pihak yang telah membantu dalam pembuatan proposal ini:

1. Ibu Arie Vatresia, S.T., M.T.I.,Ph.D. sebagai Ketua Program Studi Teknik Informatika Universitas Bengkulu.

2. Bapak Lindung Zalbuin Mase, S.T.,M.Eng.,Ph.D., sebagai dosen pembimbing.

3. Orang tua penulis yang selalu memberikan dukungan tanpa batas serta doa dan motivasi yang tak henti-hentinya.

4. Teman-teman seperjuangan yang memberikan dukungan dan motivasi selama proses penyusunan proposal.

5. Semua pihak yang memberikan dukungan moral, materiil, dan spiritual selama penulisan proposal skripsi ini.

Penulis sadar bahwa proposal ini masih memiliki kekurangan, dan menerima dengan terbuka saran dan kritik untuk perbaikan di masa mendatang. Penulis juga meminta maaf atas kekurangan yang ada dalam proposal ini.

Bengkulu, Mei 2024

Penulis

ii

DAFTAR ISI

KATA PENGANTAR ... i

DAFTAR ISI ... ii

ABSTRAK ... iii

BAB I PENDAHULUAN ... 1

1.1 Latar Belakang ... 1

1.2 Rumusan Masalah ... 2

1.3 Batasan Masalah ... 2

1.4 Tujuan Penelitian ... 3

1.5 Manfaat PPenelitian ... 3

1.6 Sistematika Penulisan ... 4

BAB II TINJAUAN PUSTAKA ... 6

2.1 Penyakit Kulit ... 6

2.2 Analisis Citra ... 6

2.3 Discrete Wavelet Transform (DWT) ... 7

2.4 Convolutional Neural Network (CNN) ... 8

2.5 Transfer Learning ... 9

BAB III METODE PENELITIAN... 12

3.1 Jenis Penelitian ... 12

3.2 Sarana Pendukung ... 12

3.3 Teknik Pengumpulan Data ... 12

3.3 Tahapan Penelitian ... 13

DAFTAR PUSTAKA ... 14

iii ABSTRAK

Penelitian ini membandingkan kinerja algoritma Wavelet Transform dan Convolutional Neural Network (CNN) dalam klasifikasi penyakit kulit berdasarkan warna dan tekstur pada citra kulit. Wavelet Transform, yang dikenal mampu menangkap fitur frekuensi dan lokasi, digunakan untuk mengekstraksi karakteristik tekstur dari gambar kulit. Di sisi lain, CNN, sebagai salah satu metode deep learning terdepan, memanfaatkan lapisan-lapisan konvolusinya untuk mengidentifikasi pola visual yang lebih kompleks. Penelitian ini mengimplementasikan kedua algoritma pada dataset citra kulit yang mencakup berbagai jenis penyakit, kemudian mengevaluasi performanya menggunakan metrik akurasi, presisi, recall, dan F1- score. Hasil eksperimen menunjukkan bahwa CNN unggul dalam mengklasifikasikan penyakit kulit dengan akurasi yang lebih tinggi dibandingkan dengan Wavelet Transform, terutama dalam menangkap fitur warna dan tekstur yang kompleks. Namun, Wavelet Transform menunjukkan kinerja yang baik dalam situasi dengan data yang lebih terbatas. Temuan ini menegaskan bahwa pemilihan algoritma yang tepat sangat bergantung pada karakteristik data dan kebutuhan spesifik aplikasi klasifikasi penyakit kulit.

Kata kunci: Wavelet Transform, Convolutional Neural Network, Klasifikasi Penyakit Kulit, Warna, Tekstur, Citra Kulit, Transfer Learning.

1 BAB I PENDAHULUAN

1.1 Latar Belakang

Klasifikasi penyakit kulit merupakan salah satu tantangan utama dalam bidang dermatologi. Penyakit kulit dapat sangat bervariasi dalam hal penampilan, tingkat keparahan, dan penyebabnya. Deteksi dan diagnosis dini penyakit kulit sangat penting untuk perawatan yang efektif dan pencegahan komplikasi lebih lanjut (Saputro et al., 2022). Oleh karena itu, teknologi pengolahan citra dan kecerdasan buatan (AI) telah menjadi alat yang sangat penting dalam membantu ahli dermatologi untuk mengidentifikasi dan mengklasifikasikan penyakit kulit berdasarkan citra kulit (Santi et al., 2017). Dalam beberapa dekade terakhir, berbagai teknik pengolahan citra telah dikembangkan untuk meningkatkan akurasi dan efisiensi diagnosis penyakit kulit. Dua pendekatan yang populer adalah Discrete Wavelet Transform (DWT) dan Convolutional Neural Network (CNN).

Keduanya memiliki pendekatan yang berbeda dalam mengekstraksi fitur dan mengklasifikasikan citra, serta memiliki keunggulan dan keterbatasan masing- masing (Kusumaningrum & Muhimmah, 2023).

DWT adalah teknik transformasi yang digunakan untuk menguraikan citra menjadi komponen-komponen dengan berbagai skala frekuensi. Teknik ini sangat efektif dalam mengekstraksi fitur tekstur dan warna dari citra kulit. DWT menyediakan analisis multiresolusi, memungkinkan deteksi detail pada berbagai level. Metode ini memiliki kelebihan dalam hal efisiensi komputasi dan kemampuan untuk menghasilkan representasi data yang lebih kompak. Namun, DWT juga memiliki keterbatasan dalam hal menangkap kompleksitas fitur non- linier yang sering kali ada dalam citra kulit yang beragam (Saputra et al., 2020).

CNN adalah jenis jaringan saraf tiruan yang dirancang khusus untuk pemrosesan data grid, seperti citra. CNN telah terbukti sangat efektif dalam tugas- tugas pengenalan pola dan klasifikasi citra. CNN bekerja dengan belajar fitur secara otomatis dari data pelatihan, yang mengurangi kebutuhan untuk pra-pemrosesan dan ekstraksi fitur manual. Kemampuan CNN untuk menangkap hubungan non- linier yang kompleks dalam data menjadikannya alat yang sangat kuat untuk

2

klasifikasi citra kulit. Namun, CNN memerlukan jumlah data pelatihan yang besar dan sumber daya komputasi yang tinggi untuk mencapai performa yang optimal (Supirman et al., 2023).

Komparasi kinerja antara DWT dan CNN dalam klasifikasi penyakit kulit berdasarkan warna dan tekstur pada citra kulit adalah penting untuk menentukan metode yang paling efektif dan efisien. Faktor-faktor seperti akurasi klasifikasi, efisiensi komputasi, dan kemudahan implementasi harus dipertimbangkan dalam memilih algoritma yang paling sesuai untuk aplikasi tertentu. Penelitian ini bertujuan untuk melakukan komparasi mendalam antara DWT dan CNN, mengevaluasi kelebihan dan kekurangan masing-masing pendekatan, serta menentukan kondisi di mana masing-masing metode mungkin lebih unggul.

Dengan pemahaman yang lebih baik tentang kinerja kedua algoritma ini, diharapkan dapat memberikan panduan yang lebih baik dalam pengembangan sistem klasifikasi penyakit kulit yang lebih akurat dan efisien, serta mendukung upaya diagnostik dalam praktik klinis.

1.2 Rumusan Masalah

Berdasarkan latar belakang yang telah dikemukakan sebelumnya dapat dirumuskan permasalahan yaitu:

1. Bagaimana kinerja algoritma Discrete Wavelet Transform (DWT) dalam klasifikasi penyakit kulit berdasarkan warna dan tekstur citra kulit??

2. Bagaimana kinerja algoritma Convolutional Neural Network (CNN) dalam klasifikasi penyakit kulit berdasarkan warna dan tekstur citra kulit?

3. Bagaimana melakukan evaluasi kinerja algoritma Discrete Wavelet Transdorm (DWT) untuk menghasilkan model dengan akurasi terbaik guna klasifikasi penyakit kulit berdasarkan warna dan tekstur citra kulit?

1.3 Batasan Masalah

Adapun batasan masalah dalam penelitian ini adalah sebagai berikut :

- Penelitian ini akan menggunakan dataset citra kulit yang terbatas pada jenis-jenis penyakit kulit tertentu yang paling umum.

3

- Fitur tekstur yang diekstraksi menggunakan Discrete Wavelet Transform (DWT). Warna akan dianalisis melalui histogram warna atau teknik ekstraksi warna lainnya yang sederhana.

- Citra kulit akan distandarisasi ke resolusi 256x256 pikse untuk menjaga konsistensi dalam analisis.

- Implementasi dan eksperimen dilakukan menggunakan pemrograman Python dengan library yaitu: PyWavelets dan scikit-learn.

- CNN akan digunakan untuk ekstraksi fitur otomatis tanpa preprocessing tekstur yang ekstensif seperti pada DWT.

- Jumlah citra yang digunakan dalam pelatihan dan pengujian adalah 80% untuk pelatihan dan 20% untuk pengujiandari jumlah dataset.

- Penelitian ini akan menggunakan metode CRISP-DM (Cross-Industry Standard Process for Data Mining).

1.4 Tujuan Penelitian

Tujuan penelitian dari penelitian dengan topik yang telah disajikan adalah:

- Mengimplementasikan algoritma Discrete Wavelet Transform (DWT) untuk klasifikasi penyakit kulit berdasarkan warna dan tekstur citra kulit.

- Mengimplementasikan algoritma Convolutional Neural Network (CNN) untuk klasifikasi penyakit kulit berdasarkan warna dan tekstur citra kulit.

- Mengetahui evaluasi komparasi kinerja algoritma DWT dan CNN berdasarkan metrik evaluasi seperti akurasi, presisi, recall, dan F1-score untuk menentukan algoritma mana yang lebih efektif dalam klasifikasi penyakit kulit.

- Menghasilkan sistem klasifikasi otomatis yang dapat membantu dalam diagnosis dini penyakit kulit berdasarkan analisis citra.

1.5 Manfaat Penelitian

a. Manfaat akademis dan ilmiah

- Penelitian ini akan memperkaya literatur akademis mengenai penggunaan algoritma Discrete Wavelet Transform (DWT) dan Convolutional Neural Network (CNN) dalam klasifikasi citra medis, khususnya penyakit kulit.

4

- Menyediakan metodologi yang terperinci dan dapat direplikasi untuk studi- studi lanjutan yang berkaitan dengan klasifikasi penyakit kulit atau klasifikasi citra medis secara umum.

- Menyediakan analisis komparatif yang mendalam antara DWT dan CNN, sehingga peneliti lain dapat memahami kekuatan dan kelemahan masing- masing algoritma dalam konteks klasifikasi citra kulit.

b. Manfaat praktis

- Penggunaan algoritma yang efektif dalam klasifikasi penyakit kulit dapat membantu dalam diagnosis dini yang lebih akurat, yang penting untuk pengobatan yang tepat waktu dan efektif.

- Menghasilkan prototipe sistem klasifikasi otomatis yang dapat digunakan sebagai alat bantu oleh dokter dan tenaga medis dalam mendiagnosis penyakit kulit, sehingga meningkatkan efisiensi dan mengurangi beban kerja.

- Hasil komparasi antara DWT dan CNN dapat membantu praktisi kesehatan dan pengembang sistem dalam memilih metode terbaik untuk aplikasi mereka, sesuai dengan kebutuhan dan ketersediaan sumber daya.

c. Manfaat sosial

- Meningkatkan kemampuan deteksi dini penyakit kulit, penelitian ini berpotensi meningkatkan kesehatan masyarakat secara keseluruhan melalui pengobatan yang lebih cepat dan tepat.

- Sistem klasifikasi otomatis yang dikembangkan dapat diakses oleh lebih banyak orang, termasuk di daerah yang kekurangan dokter spesialis kulit, sehingga memperluas akses ke diagnosis medis berkualitas.

1.6 Sistematika Penulisan

Dalam penyusunan tugas akhir ini, sistematika penulisan dibagi menjadi beberapa bab sebagai berikut.

BAB I PENDAHULUAN

Bab ini membahas tentang pendahuluan. Pada bagian ini, latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, dan sistematika penulisan dibahas secara komprehensif.

BAB II TINJAUAN PUSTAKA

5

Bab ini adalah tinjauan pustaka yang mencakup landasan teori terkait algoritma DWT dan CNN. Konsep dasar, aplikasi, dan studi kasus dari kedua algoritma ini diperinci, bersama dengan perbandingan dan metrik evaluasi kinerja klasifikasi citra medis.

BAB III METODE PENELITIAN

Bab ini membahas metode penelitian, termasuk desain penelitian, pengumpulan data, preprocessing, implementasi algoritma, dan evaluasi kinerja. Penjelasan tentang penggunaan DWT dan CNN dalam konteks klasifikasi penyakit kulit disajikan secara rinci.

BAB IV ANALISIS DAN PERANCANGAN SISTEM

Bab ini mencakup analisis kebutuhan sistem dan perancangan arsitektur, algoritma, serta antarmuka pengguna. Di sini, akan dilakukan analisis terhadap kebutuhan dalam pemilihan metode terbaik untuk mengklasifikasi citra kulit, serta perancangan sistem pakar tersebut secara detail, termasuk arsitektur sistem, algoritma yang digunakan, dan desain antarmuka pengguna.

BAB V PENELITIAN DAN PEMBAHASAN

Bab ini membahas hasil implementasi dan pengujian sistem, termasuk hasil pengujian kinerja dan evaluasi algoritma. Pembandingan dengan penelitian terdahulu juga disajikan dalam bab ini.

BAB VI KESIMPULAN DAN SARAN

Bab ini berisi kesimpulan dan saran dari penelitian ini. Rangkuman temuan utama, implikasi praktis, dan saran untuk pengembangan lebih lanjut atau penelitian masa depan disampaikan dalam bab ini.

6 BAB II

TINJAUAN PUSTAKA

2.1 Penyakit Kulit

Kulit adalah organ penting pada manusia yang terletak di bagian luar tubuh dan berfungsi untuk menerima rangsangan eksternal seperti sentuhan, rasa sakit, dan pengaruh lainnya. Kesehatan kulit yang tidak terjaga dapat memicu berbagai penyakit kulit, sehingga penting untuk merawatnya sejak dini agar terhindar dari penyakit . Menurut data profil kesehatan Indonesia, pada tahun 2009, penyakit kulit dan jaringan subkutan lainnya menempati peringkat ketiga dari sepuluh besar penyakit yang menyebabkan pasien rawat jalan, dengan jumlah kunjungan mencapai 371.673 dan total kasus sebanyak 247.256. Meskipun sering dianggap sepele karena tidak membahayakan nyawa, penyakit kulit tetap memerlukan perhatian (Informatika & Informasi, 2023) .

Pada umumnya, masyarakat yang terkena penyakit kulit membutuhkan dokter untuk mendiagnosa penyakit mereka. Biasanya, beberapa penyakit memiliki beberapa gejala yang sama, namun, setiap penyakit akan memperlihatkan gejalanya dengan cara yang berbeda. Akan tetapi, faktor ekonomi terkadang menjadi salah satu alasan bagi sebagian masyarakat untuk tidak melakukan pemeriksaan terhadap penyakitnya ke dokter. Hal tersebut dikarenakan biaya pemeriksaan dan pengobatan ke dokter spesialis penyakit kulit dan kelamin masih relatif mahal. Dengan dukungan teknologi komputer, diharapkan kita dapat mendeteksi penyakit kulit pada manusia secara lebih dini, sehingga dapat mengurangi risiko penyakit yang lebih serius. Penggunaan teknologi komputer memiliki potensi besar untuk memberikan manfaat di berbagai bidang, termasuk dalam penyimpanan dan analisis data.

2.2 Analisis Citra

Menurut Kamus Besar Bahasa Indonesia, citra adalah rupa, gambar, atau gambaran. Sementara itu, kamus Webster mendefinisikan citra sebagai representasi, kemiripan, atau tiruan dari suatu objek atau benda. Citra dapat dibagi menjadi dua jenis, yaitu citra diam dan citra bergerak. Citra diam

7

merupakan gambar tunggal yang tidak memiliki gerakan. Sebaliknya, citra bergerak terdiri dari serangkaian gambar diam yang ditampilkan secara berurutan, menciptakan ilusi gerakan pada mata kita (Sulistyaningrum et al., 2023).

Analisis citra adalah disiplin ilmu yang fokus pada teknik dan metode untuk memproses dan menganalisis gambar digital dengan tujuan mengekstraksi informasi yang berarti. Gambar digital adalah representasi visual yang terbentuk dari pengubahan sinyal visual ke dalam format numerik yang dapat diproses oleh computer (Danoedoro, 1996). Dalam analisis citra, terdapat beberapa tahap penting, yaitu pengambilan gambar, preprocessing (peningkatan kualitas dan restorasi gambar), segmentasi (memisahkan objek dari latar belakang), ekstraksi fitur (mengambil karakteristik penting dari gambar), dan klasifikasi (mengelompokkan objek berdasarkan fitur yang telah diekstraksi). Tujuan utama analisis citra adalah untuk mendapatkan informasi yang berguna dalam berbagai aplikasi, seperti di bidang medis, pengenalan pola, pemrosesan visual, dan lainnya (Rahman, 2018).

2.3 Discrete Wavelet Transform (DWT)

Discrete Wavelet Transform (DWT) adalah teknik dekomposisi multilevel yang memungkinkan lokalisasi fitur dalam domain ruang dan frekuensi. Teknik ini sangat berguna untuk kompresi, transmisi, dan analisis citra. DWT bekerja dengan mentransformasikan sinyal yang telah didiskritkan. DWT dapat diaplikasikan dalam penelitian yang melibatkan data dan informasi tentang frekuensi serta waktu (lokasi) dari sinyal, dan beroperasi secara multiresolusi.

Prinsip dasar DWT adalah mendapatkan representasi waktu dan skala dari sinyal menggunakan teknik digital dan operasi sub-sampling atau down-sampling.

Transformasi DWT-2D dilakukan dengan menggunakan filter wavelet secara horizontal (baris), kemudian dilanjutkan dengan filtering secara vertikal (kolom). Filter wavelet yang umum digunakan adalah Low Pass Filter (LPF) dan High Pass Filter (HPF). (Sihotang et al., 2019)

Transformasi wavelet diperkenalkan pada tahun 1980-an oleh Morlet dan Grossman sebagai fungsi matematis yang digunakan untuk merepresentasikan data atau fungsi, sebagai alternatif dari transformasi-transformasi matematika

8

sebelumnya yang digunakan untuk menangani masalah resolusi. Transformasi wavelet ini berkembang menjadi dua jenis, yaitu Continuous Wavelet Transform (CWT) dan Discrete Wavelet Transform (DWT) (Ruswiansari et al., 2016).

Dasar dari DWT dimulai pada tahun 1976 ketika teknik untuk mendekomposisi sinyal waktu diskrit ditemukan. Pada CWT, sinyal dianalisis menggunakan seperangkat fungsi dasar yang terkait melalui penskalaan dan pergeseran sederhana. Sementara pada DWT, representasi skala waktu dari sinyal digital diperoleh dengan menggunakan teknik filterisasi digital.

2.4 Convolutional Neural Network (CNN)

CNN telah terbukti superior dalam banyak aplikasi pengenalan gambar, seperti klasifikasi dan deteksi objek. Kemunculan teknik deep learning, terutama CNN, telah mengubah paradigma dalam pengolahan gambar, mencakup klasifikasi, deteksi objek, segmentasi, analisis sentimen, maldeteksi URL, dan banyak lagi (Nurkhasanah & Murinto, 2022). CNN memiliki lapisan-lapisan yang berfungsi sebagai ekstraktor fitur, yang dapat dipelajari dan ditumpuk untuk mengekstraksi informasi yang berguna dari gambar. Lapisan-lapisan awal bertugas menangkap fitur-fitur sederhana seperti tepi dan sudut, sedangkan lapisan-lapisan yang lebih dalam dapat menggabungkan fitur-fitur tersebut untuk memahami struktur yang lebih kompleks dari gambar.

Arsitektur CNN dirancang khusus untuk mengolah data dalam bentuk array, seperti gambar multi-spektral yang terdiri dari beberapa array 2D dengan channel-channel yang berbeda. Ada empat jenis lapisan dalam CNN yang memanfaatkan karakteristik sinyal alami, termasuk koneksi lokal, bobot yang dibagi, pooling, dan lapisan-lapisan (Amaanullah et al., 2022)..

a. Convolutional Layer berfungsi untuk mengekstraksi fitur dari gambar atau citra. Biasanya, lapisan pertama menangkap fitur tingkat rendah seperti tepi dan garis, sedangkan lapisan yang lebih dalam dapat mempelajari fitur yang lebih kompleks seperti struktur dan objek dengan menggabungkan fitur tingkat rendah.

9

b. Pooling Layer, yang berada setelah setiap lapisan konvolusi, melakukan operasi nonlinear lokal untuk mempertahankan invariansi translasi atau rotasi dalam gambar, penting untuk klasifikasi dan deteksi objek.

c. Normalization Layer bertujuan untuk meningkatkan generalisasi, terinspirasi dari mekanisme penghambatan yang terdapat dalam neuron otak.

d. Fully Connected Layer digunakan sebagai lapisan terakhir dalam jaringan, merangkum informasi dari lapisan-lapisan sebelumnya. Metode dropout digunakan untuk mencegah overfitting karena lapisan ini memiliki banyak parameter.

2.5 Transfer Learning

Penggunaan transfer learning sangat efektif dalam menyesuaikan berbagai distribusi data spektrum yang beragam. Hasilnya menunjukkan bahwa metode ini mampu memberikan tingkat akurasi yang lebih tinggi daripada pendekatan tradisional seperti CNN. Dalam transfer learning, pembelajaran tidak dimulai dari awal tetapi mengambil fitur-fitur yang telah dipelajari dari jaringan yang sudah terlatih sebelumnya untuk menyelesaikan masalah yang berbeda. Dengan cara ini, kita dapat menggunakan model yang sudah tersedia untuk tugas spesifik tanpa harus memulai dari awal. Pilihan yang ideal adalah memilih model yang sudah dilatih pada dataset besar seperti ImageNet. Model yang sudah terlatih dapat disesuaikan dengan tugas tertentu, seperti mengubah output neuron, memodifikasi fungsi kerugian, dan melakukan pembelajaran pada beberapa lapisan terakhir dari awal (A. Das and S. Chandran, 2021).

10 BAB III

METODE PENELITIAN

3.1 Jenis Penelitian

Penelitian ini dibangun dengan menggunakan metode CRISP-DM (Cross- Industry Standard Process for Data Mining), yang dikembangkan pada tahun 1996 oleh analis dari berbagai industri seperti Daimler Chrysler (Daimler-Benz), SPSS, dan NCR. CRISP-DM dapat diterapkan sebagai strategi umum untuk memecahkan masalah di bidang bisnis atau penelitian (Schröer et al., 2021). Metodologi CRISP- DM terdiri dari beberapa tahap yang saling berurutan dan bergantung satu sama lain, di mana setiap tahap memanfaatkan keluaran dari tahap sebelumnya.

3.2 Sarana Pendukung

a. Perangkat keras (Hardware):

1. Laptop dengan spesifikasi Prosesor Intel Core i7, RAM 16 GB, VGA NVDIA GTX 1650 dan monitor LCD 15.6" dengan resolusi 1920x1080 px.

2. Smartphone IOS, termasuk Iphone Xr, dengan sistem operasi Os.

b. Perangkat lunak:

1. Sistem Operasi: Windows 11.

2. Bahasa Pemrograman: Python.

3. PyWavelets sebagai Pustaka python untuk wavelet transform.

4. Scikir-Learn untuk algoritma spesifikasi 5. TensorFlow untuk melatih model CNN

6. Jupyter Notebook atau JupyterLab untuk eksperimen interaktif dan dokumentasi

7. Git untuk versi kontrol dan kolaborasi kode

8. Google Colab (opsional, untuk pelatihan model menggunakan GPU gratis jika sumber daya lokal terbatas)

c. Dataset:

1. ISIC (International Skin Imaging Collaboration) dataset, yang berisi citra kulit dengan anotasi penyakit

11 3.3 Teknik Pengumpulan Data

Pengumpulan data yang valid merupakan tahapan utama dalam melakukan penelitian. Berikut beberapa metode pengumpulan data yang dilakukan dalam penelitian ini (Crisnaldy, 2021), seperti :

1. Pengumpulan Dataset Publik

- ISIC (International Skin Imaging Collaboration) adalahdataset terbesar yang berisi citra kulit dengan berbagai jenis penyakit.

- DermNet adalah Sumber lain yang menawarkan gambar klinis dari berbagai penyakit kulit.

- Kaggle adalah Situs yang sering mengadakan kompetisi data science dan menyediakan dataset medis, termasuk citra kulit.

2. Augmentasi Data

- Untuk meningkatkan variasi dan jumlah data, teknik augmentasi seperti rotasi, flipping, scaling, dan penambahan noise pada citra dapat digunakan.

- Menggunakan pustaka Python seperti imgaug, Augmentor, atau fungsi augmentasi yang tersedia dalam framework deep learning seperti TensorFlow dan PyTorch.

- Menggunakan model generatif seperti Generative Adversarial Networks (GANs) untuk membuat citra sintetis yang mirip dengan citra kulit yang sebenarnya.

3.4 Tahapan Penelitian

Metodologi yang digunakan dalam penelitian ini adalah CRISP-DM (Cross- Industry Standard Process for Data Mining).

Gambar 1 Diagram Alur Desain Peneliti

12

CRISP-DM adalah metodologi yang banyak digunakan untuk memandu proyek data mining dan pengolahan data, termasuk dalam konteks penelitian klasifikasi penyakit kulit menggunakan algoritma DWT dan CNN. Berikut adalah cara penerapan CRISP-DM dalam penelitian ini (Dt, 2023):

3.4.1 Business Understanding (Pemahaman Bisnis)

Tahap pertama adalah Pemahaman Bisnis, yang dalam konteks penelitian ini melibatkan identifikasi tujuan penelitian dan pemahaman kebutuhan diagnostik dalam bidang dermatologi. Tujuan penelitian adalah untuk mengkomparasi kinerja DWT dan CNN dalam klasifikasi penyakit kulit berdasarkan warna dan tekstur pada citra kulit, serta menentukan algoritma yang paling efisien dan akurat untuk aplikasi diagnostik.

Kebutuhan diagnostik yang ingin dipenuhi adalah meningkatkan akurasi diagnosis penyakit kulit dan mempermudah deteksi dini penyakit kulit untuk perawatan yang lebih efektif.

3.4.2 Data Understanding (Pemahaman Data)

Tahap kedua adalah Pemahaman Data, yang melibatkan pengumpulan dan eksplorasi data citra kulit yang akan digunakan dalam penelitian. Data dikumpulkan dari sumber yang tersedia seperti dataset ISIC. Eksplorasi data dilakukan untuk memeriksa kualitas data, distribusi penyakit, serta variasi warna dan tekstur pada citra kulit. Visualisasi awal digunakan untuk memahami karakteristik data tersebut.

3.4.3 Data Preparation (Persiapan Data)

Tahap Persiapan Data, data dipersiapkan untuk analisis lebih lanjut dan untuk diterapkan pada model DWT dan CNN. Pra-pemrosesan data termasuk normalisasi citra, pengubahan ukuran, dan augmentasi data. Untuk DWT, dilakukan ekstraksi fitur tekstur dan warna menggunakan DWT.

Sedangkan untuk CNN, data dipersiapkan sesuai format input CNN, termasuk augmentasi data untuk meningkatkan variasi dan jumlah data pelatihan.

13 3.4.4 Modeling (Pemodelan)

Pada tahap Pemodelan, dilakukan pembangunan dan pelatihan model DWT dan CNN. Untuk DWT, dilakukan ekstraksi fitur dari citra kulit menggunakan DWT, kemudian penerapan algoritma klasifikasi seperti SVM, K-NN, atau Random Forest pada fitur yang diekstraksi. Sedangkan untuk CNN, dilakukan pemilihan arsitektur CNN yang sesuai seperti VGG16 atau ResNet, pelatihan model CNN menggunakan dataset yang telah dipersiapkan, dan optimasi hiperparameter untuk meningkatkan performa model.

3.4.5 Evaluation (Evaluasi)

Evaluasi dilakukan pada tahap berikutnya untuk menilai kinerja model berdasarkan metrik yang telah ditentukan, seperti akurasi, presisi, recall, F1-score, dan AUC. Kinerja model DWT dan CNN dibandingkan berdasarkan metrik tersebut. Validasi model dilakukan menggunakan cross- validation atau split data (train-test split) untuk memastikan model tidak overfitting.

3.4.6 Deployment (Penerapan)

Tahap terakhir adalah Penerapan, di mana model yang telah dilatih diimplementasikan ke dalam sistem praktis atau lingkungan produksi.

Implementasi mencakup integrasi model terbaik ke dalam aplikasi klinis atau alat diagnostik, serta menyediakan dokumentasi dan pelatihan bagi pengguna akhir seperti dokter atau tenaga medis. Monitoring dan maintenance dilakukan untuk memantau kinerja model secara berkelanjutan dan melakukan pembaruan jika diperlukan berdasarkan umpan balik dari pengguna dan perubahan data(Wahid, 2020).

14

DAFTAR PUSTAKA

A. Das and S. Chandran, “Transfer learning with RES2Net for remote sensing scene classification,” Proc. Conflu. 2021 11th Int. Conf. Cloud Comput. Data Sci. Eng., pp. 796–801, 2021, doi: 10.1109/Confluence51648.2021.9377148.

Amaanullah, R. R., Pasfica, G. R., Nugraha, S. A., Zein, M. R., & Adhinata, F. D.

(2022). Implementasi Convolutional Neural Network Untuk Deteksi Emosi Melalui Wajah. JTIM : Jurnal Teknologi Informasi Dan Multimedia, 3(4), 236–244. https://doi.org/10.35746/jtim.v3i4.189

Crisnaldy, A. (2021). Literature Review (Metodologi Penelitian). ReseachGate.

Net, May, 1–22.

Danoedoro, P. (1996). Pengolahan Citra digital Teori dan Aplikasinya dalam Bidang Penginderaan Jauh.

Dt, T. (2023). Penerapan Metode CRISP-DM dalam Klasifikasi Data Ulasan Pengunjung Penerapan Metode CRISP-DM dalam Klasifikasi Data Ulasan Pengunjung Destinasi Danau Toba Menggunakan Algoritma Naïve Bayes Classifier ( NBC ) dan Decision Tree ( DT ). July.

https://doi.org/10.30865/mib.v7i3.6461

Informatika, J., & Informasi, S. (2023). INFORMASI (Jurnal Informatika dan Sistem Informasi) Volume 15 No.2 / Nov / 2023. 15(2), 208–224.

Kusumaningrum, S. D., & Muhimmah, I. (2023). Analisis Faktor dan Metode untuk Menentukan Tipe Kulit Wajah: Tinjauan Literatur. Jurnal Teknologi Informasi Dan Ilmu Komputer, 10(4), 753–762.

https://doi.org/10.25126/jtiik.20241046955

Nurkhasanah, N., & Murinto, M. (2022). Klasifikasi Penyakit Kulit Wajah Menggunakan Metode Convolutional Neural Network. Sainteks, 18(2), 183.

https://doi.org/10.30595/sainteks.v18i2.13188

RAHMAN, A. (2018). Pengolahan citra digital dan aplikasinya (bekerja dengan envi 4.5). Universitas Lambung Mangkurat Fakultas Perikanan Banjarbaru, April.

Ruswiansari, M., Novianti, A., & Wirawan, W. (2016). Implementasi Discrete Wavelet Transform (Dwt) Dan Singular Value Decomposition (Svd) Pada

15

Image Watermarking. Jurnal Elektro Dan Telekomunikasi Terapan, 3(1), 249–259. https://doi.org/10.25124/jett.v3i1.130

Santi, N. P. C. W., Putra, I. K. G. D., & Raharja, I. M. S. (2017). CBIR Penyakit Kulit dengan Metode Co-Occurrence Matrix dan Color Moments. Jurnal Ilmiah Merpati (Menara Penelitian Akademika Teknologi Informasi), 5(2), 62.

https://doi.org/10.24843/jim.2017.v05.i02.p07

Saputra, T. I., Fauziah, F., & Hayati, N. (2020). Implementasi Discrete Wavelet Transform Pada Aplikasi Kompresi Citra Medis. Jurnal Infomedia, 4(2), 101.

https://doi.org/10.30811/jim.v4i2.1574

Saputro, R. R., Junaidi, A., & Saputra, W. A. (2022). Klasifikasi Penyakit Kanker Kulit Menggunakan Metode Convolutional Neural Network (Studi Kasus:

Melanoma). Journal of Dinda : Data Science, Information Technology, and Data Analytics, 2(1), 52–57. https://doi.org/10.20895/dinda.v2i1.349

Schröer, C., Kruse, F., & Gómez, J. M. (2021). A systematic literature review on applying CRISP-DM process model. Procedia Computer Science, 181(2019), 526–534. https://doi.org/10.1016/j.procs.2021.01.199

Sihotang, T., Asni B, A., Fattah, A., & Elektro, T. (2019). Ektraksi Ciri Menggunakan Algoritme Discrete Wavelet Transform (Dwt) Dan Principal Component Analysis (Pca) Pada Warna Kulit Wajah. Jte Uniba, 3(2), 19–23.

Sulistyaningrum, D. R., Baihaqi, K., Setiyono, B., Setiawan, A., Sulastri, M. J., &

Soetrisno. (2023). Image encryption using elliptic curve Diffie-Hellman method and discrete wavelet transform. AIP Conference Proceedings, 2614.

https://doi.org/10.1063/5.0126077

Supirman, S., Lubis, C., Yuliarto, D., & Perdana, N. J. (2023). Klasifikasi Penyakit Kulit Menggunakan Convolutional Neural Network (Cnn) Dengan Arsitektur Vgg16. Simtek : Jurnal Sistem Informasi Dan Teknik Komputer, 8(1), 135–

140. https://doi.org/10.51876/simtek.v8i1.217

Wahid, A. A. (2020). Analisis Metode Waterfall Untuk Pengembangan Sistem Informasi. Jurnal Ilmu-Ilmu Informatika Dan Manajemen STMIK, November, 1–5.