Penerapan Transfer Learning pada Arsitektur DenseNet121 dan ResNet50 untuk Deteksi Penyakit Kulit Berbasis Citra dengan Explainable AI

Abstract

Penyakit kulit merupakan masalah kesehatan yang umum di Indonesia, dipengaruhi oleh iklim tropis dan rendahnya kesadaran kebersihan. Diagnosis secara manual bersifat subjektif dan membutuhkan keahlian medis, sehingga diperlukan sistem otomatis yang akurat. Convolutional Neural Network (CNN) dipilih karena kemampuannya dalam mengenali pola visual dan efektivitasnya dalam klasifikasi citra medis. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi penyakit kulit menggunakan transfer learning dengan arsitektur CNN, yaitu DenseNet121 dan ResNet50, serta mengevaluasi performa dan interpretabilitas model. Sebanyak 2.344 citra dari 11 kelas penyakit kulit diambil dari dua dataset publik, kemudian diproses melalui augmentasi dan pelatihan model. Hasil menunjukkan bahwa DenseNet121 unggul dengan akurasi 95% dan macro F1-score 96%, sedangkan ResNet50 memperoleh akurasi 91% dan F1-score 94%. Evaluasi confusion matrix dan visualisasi Grad-CAM menunjukkan bahwa DenseNet121 lebih konsisten dalam mengenali area lesi utama, terutama pada kelas dengan kemiripan visual tinggi. Hasil ini menunjukkan bahwa model tidak hanya akurat, tetapi juga interpretatif, sehingga layak digunakan sebagai sistem pendukung diagnosis penyakit kulit berbasis citra.