Implementasi MobileNetV2 dengan Preprocessing Esrgan untuk Klasifikasi Tumor Kulit Pada Aplikasi Android

Abstract

Kulit merupakan organ terbesar yang berperan penting dalam melindungi tubuh dari berbagai ancaman eksternal. Salah satu penyakit serius pada kulit adalah tumor, yang dapat bersifat jinak (benign) maupun ganas (malignant). Deteksi dini terhadap tumor kulit sangat penting, terutama dalam mencegah perkembangan ke tahap yang lebih berbahaya. Sayangnya, masih banyak kendala dalam akses pemeriksaan dini, terutama di daerah dengan keterbatasan fasilitas medis. Oleh karena itu, penelitian ini mengusulkan pengembangan sistem deteksi tumor kulit berbasis citra digital yang diimplementasikan pada perangkat Android menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2 dan preprocessing menggunakan ESRGAN. Data yang digunakan dalam penelitian ini berasal dari dataset HAM10000, yang terdiri dari citra dermatoskopik berbagai jenis lesi kulit dan dipublikasikan oleh ISIC sebagai standar untuk klasifikasi lesi kulit berbasis pembelajaran mesin. Untuk mengatasi keterbatasan resolusi gambar, diterapkan metode Enhanced Super-Resolution Generative Adversarial Network (ESRGAN) guna meningkatkan kualitas visual citra. Selain itu, dilakukan augmentasi data melalui teknik rotasi, flipping, dan scaling untuk menyeimbangkan dan memperbesar jumlah data pelatihan. Arsitektur MobileNetV2 diimplementasikan menggunakan bahasa pemrograman Python dengan library TensorFlow dan Keras. Model dilatih menggunakan pendekatan transfer learning, dengan memanfaatkan bobot pre trained dari ImageNet. Penelitian ini juga mengeksplorasi beberapa tingkat pembekuan (freeze) layer untuk menemukan konfigurasi paling optimal, yaitu 80%, 60%, 40%, 20%, dan 0%. Hasil terbaik diperoleh pada konfigurasi tanpa pembekuan (0% freeze), dengan akurasi sebesar 87,39% dan macro F1-score sebesar 76,29%. Model akhir dikonversi ke format TensorFlow Lite dan diintegrasikan ke dalam aplikasi Android dalam dua mode klasifikasi: offline (TFLite) dan online (API). Pengujian pada berbagai perangkat menunjukkan bahwa performa model dapat bervariasi tergantung spesifikasi perangkat keras. Meskipun bukan alat diagnosis utama, sistem ini memiliki potensi sebagai alat bantu deteksi awal lesi kulit yang praktis dan mudah diakses oleh masyarakat melalui perangkat seluler.