Pemanfaatan Image Hashing Pada Klasifikasi Penyakit Kulit Terhadap Citra yang Terduplikasi

Image Hashing Utilization on Skin Disease Image Classification on Redundant Images

Abstract

Abstract — Skin disease is one of the most common diseases that attack humans when the skin cannot adapt to the environment or certain conditions. Skin diseases have various common causes, including fungal growth, virus infection, and hormonal factors. Early skin disease detection can make humans more cautious for further causes and eliminate the diseases. Some people don’t know which type of skin disease is attacking them. This study aims to develop a predictive model of skin disease images to classify skin diseases using a machine-learning model from 3 skin disease classes: Acne, Candidiasis, and Melanoma. This study develops a CNN model based on ResNet50 and VGGnet19 architecture and trials of image hashing algorithm to detect duplicated images on the dataset. The model with the highest learning performance achieves 96.62% training accuracy and the lowest overfitting indications on training and validation percentage differences. We also provide results from the trained models with cleaned and redundant data based on the study.

Keywords— deep neural network; image hash; machine learning; skin diseases classification; skin disease imagery.

Abstrak — Penyakit kulit adalah salah satu penyakit yang paling sering menyerang manusia disaat kulit tidak dapat beradaptasi dengan lingkungan ataupun kondisi tertentu. Penyakit kulit memiliki penyebab yang bervariasi seperti pertumbuhan jamur, infeksi virus, dan faktor hormonal. Deteksi penyakit kulit yang lebih awal dapat membuat manusia lebih waspada terhadap kondisi yang lebih parah dan menangani penyakit tersebut. Beberapa orang tidak tahu jenis penyakit kulit apa yang menyerang mereka. Penelitian ini bertujuan untuk mengembangkan sebuah model prediktif terhadap citra penyakit kulit untuk mengklasifikasikan penyakit kulit menggunakan model pembelajaran mesin berdasarkan 3 kelas yaitu Acne, Candidiasis, dan Melanoma. Penelitian ini mengembangkan model CNN dengan arsitektur ResNet50 dan VGGnet19 serta mengimplementasikan algoritma image hashing untuk mendeteksi citra yang terduplikasi dalam dataset. Model yang memiliki performa pembelajaran terbaik mencapai 96.62% akurasi dan juga memiliki indikasi overfitting terendah. Berdasarkan hasil penelitian, kami juga memberikan hasil dari model yang dilatih dengan data bebas dari duplikasi dan juga data dengan jumlah duplikasi yang tinggi.

Kata kunci — citra penyakit kulit; image hash; jaringan saraf mendalam; klasifikasi penyakit kulit; pembelajaran mesin.