Pengembangan Aplikasi Mobile Pendeteksi Penyakit Kulit Menggunakan Model Mobile-Net V3 Dengan Metode Transfer Learning
DOI:
https://doi.org/10.47111/jointecoms.v6i1.25771Keywords:
penyakit kulit, MobileNetV3, transfer learning, aplikasi mobileAbstract
Penyakit kulit merupakan salah satu masalah kesehatan dengan prevalensi tinggi di Indonesia, mencapai 4,60%–12,95% dari populasi atau sekitar 12,7 juta–35,9 juta orang dari 277,5 juta penduduk Indonesia. Keterbatasan jumlah dokter spesialis kulit serta rendahnya akses layanan kesehatan di daerah menyebabkan banyak kasus terlambat terdiagnosis. Keterlambatan ini dapat menimbulkan komplikasi serius, meningkatkan angka morbiditas, dan menurunkan kualitas hidup penderita. Oleh karena itu, diperlukan solusi berbasis teknologi yang dapat membantu masyarakat melakukan deteksi dini penyakit kulit secara mandiri, cepat, dan akurat.
Penelitian ini mengusulkan pengembangan aplikasi mobile pendeteksi penyakit kulit berbasis transfer learning dengan arsitektur MobileNetV3. Dataset yang digunakan merupakan gabungan dari DermNet, HAM10000, dan Mendeley Skin Disease Classification dengan total 28 kelas penyakit. Tahapan penelitian meliputi preprocessing data, pelatihan dan fine-tuning model MobileNetV3, serta evaluasi menggunakan metrik akurasi, presisi, recall, dan F1-score. Model terbaik kemudian diintegrasikan ke dalam aplikasi berbasis Flutter yang menampilkan hasil diagnosis dan informasi edukatif kepada pengguna.
Hasil pengujian menunjukkan bahwa model MobileNetV3 dengan transfer learning menghasilkan akurasi sebesar 81%, presisi 79%, recall 79%dan F1-score 79%. Aplikasi yang dikembangkan mampu melakukan deteksi penyakit kulit dengan cepat dan efisien pada perangkat mobile. Dengan demikian, penelitian ini diharapkan dapat menjadi solusi screening awal yang praktis dan meningkatkan kesadaran masyarakat terhadap pentingnya diagnosis dini penyakit kulit di Indonesia.
Downloads
References
[1] N. S. Rahayu, A. D. Puteri, and L. M. A. Isnaeni, “Hubungan Perilaku Masyarakat Dan Penggunaan Air Sungai Dengan Gangguan Penyakit Kulit Di Desa Kampung Pinang Wilayah Kerja Puskesmas Pantai Raja,” J. Imliah Ilmu Kesehat., vol. 1, no. 3, p. 2023, 2023.
[2] I. Kousis, I. Perikos, I. Hatzilygeroudis, and M. Virvou, “Deep Learning Methods for Accurate Skin Cancer Recognition and Mobile Application,” Electron., vol. 11, no. 9, pp. 1–19, 2022, doi: 10.3390/electronics11091294.
[3] I. Abunadi and E. M. Senan, “Deep learning and machine learning techniques of diagnosis dermoscopy images for early detection of skin diseases,” Electron., vol. 10, no. 24, 2021, doi: 10.3390/electronics10243158.
[4] J. M. *Honey Janoria1 and PoojaPatre3, “images using Transfer Learning Technique,” pp. 888–895, 2020.
[5] S. Qian, “2022 3rd International Conference on Big Data, Artificial Intelligence and Internet of Things Engineering, ICBAIE 2022,” 6th Int. Conf. I-SMAC (IoT Soc. Mobile, Anal. Cloud), I-SMAC 2022 - Proc., no. Icbaie, pp. 490–497, 2022, doi: 10.3390/proceedings2021072002.
[6] H. A. Pangestu and Kusrini, “Peningkatan kinerja arsitektur ResNet50 untuk menangani masalah overfitting dalam klasifikasi penyakit kulit,” TEMATIK, vol. 11, no. 1, pp. 65–71, 2024, doi: 10.38204/tematik.v11i1.1876.
[7] M. R. A. Ar Rasyid, K. Khotimah, and S. Suaedah, “Sistem pakar pra-diagnosa penyakit kulit dengan metode forward chaining dan CNN,” Jurnal Insan Peduli Informatika, Sistem Informasi dan Sains Data (JIPIS), pp. 23–33, 2025, doi: 10.xxxxx/xxxxx.
[8] F. M. Utami, R. Magdalena, and S. Saidah, “Deteksi Jenis Kulit Wajah Menggunakan Convolutional Neural Network Arsitektur MobileNet (Detection of Facial Skin Type Classification Using Convolutional Neural Network With MobileNet Architecture),” 2022.
[9] A. Fuadi, A. Suharso, and J. H. Ronggo Waluyo, “Perbandingan Arsitektur MobileNet dan NASNetMobile untuk Klasifikasi Penyakit pada Citra Daun Kentang,” Universitas Singaperbangsa Karawang, 2022.
[10] M. I. Wahid, A. Lawi, D. A. Muh, and A. Siddik, “Prosiding Seminar Nasional Teknik Elektro dan Informatika (SNTEI) 2022 – Teknik Informatika,” SNTEI 2022, 2022.
[11] M. H. Fadlun and U. Hayati, “Klasifikasi tumor otak menggunakan Convolutional Neural Network dan transfer learning,” Jurnal Informatika dan Rekayasa Perangkat Lunak, pp. 289–295, 2024.
[12] D. Gao, W. Yang, H. Zhou, Y. Wei, Y. Hu, and H. Wang, “Deep hierarchical classification for category prediction in e-commerce system,” in Proceedings of the Annual Meeting of the Association for Computational Linguistics (ACL), vol. 2020-July, pp. 64–68, 2020, doi: 10.18653/v1/2020.ecnlp-1.10.
[13] A. Howard, M. Sandler, G. Chu, L.-C. Chen, B. Chen, M. Tan, W. Wang, Y. Zhu, R. Pang, V. Vasudevan, Q. Le, and H. Adam, “Searching for MobileNetV3,” Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV), pp. 1314–1324, 2019, doi: 10.1109/ICCV.2019.00148.
[14] S. Kim, J. Lee, and H. Park, “Determination of optimal batch size of deep learning models with time series data,” Sustainability, vol. 16, no. 14, p. 5936, 2024.
[15] DermNetNZ, “Dermatology disease categories and classification,” DermNet New Zealand, 2024. [Online]. Available: https://dermnetnz.org.
[16] Z. Yu, T. Nguyen, Y. Gal, L. Ju, S. S. Chandra, L. Zhang, P. Bonnington, V. Mar, Z. Wang, and Z. Ge, “Skin lesion recognition with class-hierarchy regularized hyperbolic embeddings,” in Medical Image Computing & Computer Assisted Intervention – MICCAI 2022: 25th International Conference, Singapore, September 18–22, 2022, Proceedings, Part I, L. Wang, Q. Dou, P. T. Fletcher, S. Speidel, and S. Li, Eds., vol. 13433, Lecture Notes in Computer Science. Cham, Switzerland: Springer, 2022, pp. 594–603, doi: 10.1007/978-3-031-16437-8_57.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Journal of Information Technology and Computer Science
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
