Klasifikasi Citra Diabetic Foot Ulcer Menggunakan ResNet50 dengan Evaluasi Confusion Matrix pada Dataset Validasi

Rhiziqo Adjie Syahputra, Wahyu Firmantara, Sofyano Fadilah Rosyad

Abstract


Diabetic Foot Ulcer (DFU) merupakan komplikasi serius pada penderita diabetes yang membutuhkan deteksi dini agar tidak berkembang menjadi infeksi berat hingga amputasi. Identifikasi manual memerlukan waktu dan keahlian klinis, sementara jumlah citra medis berlabel yang terbatas menyulitkan pelatihan model dari awal. Penelitian ini menerapkan pendekatan Transfer Learning menggunakan arsitektur ResNet50 untuk klasifikasi citra DFU ke dalam kelas Normal dan Abnormal. Dataset yang digunakan berasal dari repositori publik Kaggle (Laithjj) dengan total 1.734 citra yang dibagi menjadi data latih (70%), validasi (20%), dan uji (10%). Tahapan pra-pemrosesan meliputi normalisasi, pengubahan ukuran citra, serta augmentasi pada data latih. Model memperoleh akurasi validasi terbaik sebesar 90,48% dengan recall 98% pada kelas Abnormal. Meskipun performa pada data uji cukup tinggi, evaluasi pada citra dunia nyata menunjukkan adanya domain shift. Hasil ini mengindikasikan bahwa ResNet50 efektif sebagai ekstraktor fitur DFU, namun masih membutuhkan data yang lebih beragam untuk mencapai generalisasi klinis yang lebih baik.

Keywords


Deep learning; Klasifikasi citra; Luka kaki diabetes; ResNet50; Transfer learning.

Full Text:

PDF

References


M. Goyal et al., “DFU2020: A Comprehensive Dataset for Diabetic Foot Ulcer Classification and Localization,” arXiv preprint arXiv:2004.11853, 2020.

L. Alzubaidi et al., “Review of deep learning: Concepts, CNN architectures, challenges, applications, future directions,” Journal of Big Data, vol. 8, p. 53, 2021.

G. M. W. Tangka, A. Rantepadang, G. A. Sandag, R. J. Lontaan, and W. G. Mokodaser, “Classification of Diabetic Wounds Using Transfer Learning Model: EfficientNetB1 and ResNet50,” CogITo Smart Journal, vol. 11, no. 1, pp. 1-12, 2025.

N. Fitriah and S. Sriani, “Classification of Foot Wound Severity in Type 2 Diabetes Mellitus Patients Using MobileNetV2-Based Convolutional Neural Network,” Journal of Applied Intelligent System (JAIC), vol. 9, no. 5, pp. 110-115, 2025.

S. Arifin, I. Tahyudin, and F. S. Utomo, “Perbandingan Model CNN, LSTM, dan FNN dalam Klasifikasi Kulit Penderita Diabetes,” Jurnal Pendidikan dan Teknologi Indonesia, vol. 5, no. 3, pp. 571-583, 2025.

A. N. Hidayah, F. Adiputra, and M. Koeshardianto, “Klasifikasi Citra Diabetic Retinopathy Menggunakan CNN dengan Arsitektur VGG-16,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 9, no. 2, pp. 1308-1315, 2025.

J. E. Widyaya and S. Budi, “Pengaruh Preprocessing Terhadap Klasifikasi Diabetic Retinopathy dengan Pendekatan Transfer Learning Convolutional Neural Network,” JuTISI (Jurnal Teknik Informatika dan Sistem Informasi), vol. 7, no. 1, pp. 1-10, 2021.


Refbacks

  • There are currently no refbacks.


Copyright (c) 2025 Rhiziqo Adjie Syahputra, Wahyu Firmantara, dan Sofyano Fadilah Rosyad

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.