Klasifikasi Penyakit Ulkus Kaki menggunakan Metode Pretrained Convolutional Neural Network
DOI:
https://doi.org/10.26418/jp.v11i2.91721Keywords:
Ulkus Kaki Diabetic, Deep Learning, Convolutional Neural Network (CNN), Citra Medis, Pretrained ModelAbstract
Ulkus kaki diabetik merupakan salah satu komplikasi berat pada penderita diabetes yang, jika tidak ditangani secara dini dan tepat, dapat menyebabkan infeksi, amputasi, bahkan kematian. Tantangan utama dalam penanganannya terletak pada proses diagnosis dan klasifikasi yang masih mengandalkan pengamatan visual secara manual oleh tenaga medis, yang sering kali bersifat subjektif dan tidak konsisten. Untuk menjawab permasalahan ini, kecerdasan buatan (AI) mulai dimanfaatkan dalam dunia medis, khususnya melalui analisis citra medis digital. AI bekerja dengan mengolah data berupa gambar luka dan mengenali pola visual tertentu menggunakan algoritma pembelajaran mendalam (deep learning) seperti Convolutional Neural Network (CNN), sehingga mampu mendeteksi kondisi luka secara lebih akurat. Penelitian ini bertujuan membangun model klasifikasi ulkus kaki dengan memanfaatkan arsitektur CNN yang telah dilatih sebelumnya (pretrained model) dan ditingkatkan performanya melalui proses fine-tuning. Tiga jenis arsitektur CNN yang digunakan yaitu MobileNet, VGG16, dan ResNet50, yang kemudian dikombinasikan dengan algoritma boosting seperti XGBoost dan AdaBoost untuk meningkatkan hasil klasifikasi. Dataset yang digunakan berupa citra digital luka ulkus kaki yang telah diproses melalui teknik peningkatan kualitas gambar dan seleksi fitur. Hasil evaluasi menunjukkan bahwa kombinasi MobileNet dengan XGBoost menghasilkan kinerja terbaik dengan tingkat akurasi 89%, disusul oleh VGG16 yang dikombinasikan dengan XGBoost dengan akurasi 86%. Temuan ini menunjukkan bahwa model yang dikembangkan memiliki potensi besar sebagai alat bantu diagnosis berbasis AI yang cepat, objektif, dan akurat dalam mendukung proses klinis dan mengurangi risiko komplikasi pada pasien diabetes.References
V. Sathya Preiya and V. D. A. Kumar, “Deep Learning-Based Classification and Feature Extraction for Predicting Pathogenesis of Foot Ulcers in Patients with Diabetes,†Diagnostics, vol. 13, no. 12, pp. 1–16, 2023, doi: 10.3390/diagnostics13121983.
S. Nagaraju et al., “Automated Diabetic Foot Ulcer Detection and Classification Using Deep Learning,†IEEE Access, vol. 11, no. October, pp. 127578–127588, 2023, doi: 10.1109/ACCESS.2023.3332292.
A. M. Reza, “Realization of the contrast limited adaptive histogram equalization (CLAHE) for real-time image enhancement,†J. VLSI Signal Process. Syst. Signal Image. Video Technol., vol. 38, no. 1, pp. 35–44, 2004, doi: 10.1023/B:VLSI.0000028532.53893.82.
A. Davradou, E. Protopapadakis, M. Kaselimi, A. Doulamis, and N. Doulamis, Diabetic foot ulcers monitoring by employing super resolution and noise reduction deep learning techniques, vol. 1, no. 1. Association for Computing Machinery, 2022. doi: 10.1145/3529190.3529214.
M. Emhandyksa, I. Soesanti, and R. Susilowati, “Pengembangan Deep Learning untuk Sistem Deteksi Dini Komplikasi Kaki Diabetik Menggunakan Citra Termogram,†J. Teknol. Inf. dan Ilmu Komput., vol. 10, no. 6, pp. 1241–1252, 2023, doi: 10.25126/jtiik.1067382.
M. S. A. Toofanee et al., “DFU-SIAM a Novel Diabetic Foot Ulcer Classification With Deep Learning,†IEEE Access, vol. 11, no. August, pp. 98315–98332, 2023, doi: 10.1109/ACCESS.2023.3312531.
C. Sharma and S. Parikh, “Comparison of CNN and Pre-trained models: A Study,†no. April, 2022.
S. Biswas, R. Mostafiz, B. K. Paul, K. M. M. Uddin, M. A. Hadi, and F. Khanom, “DFU_XAI: A Deep Learning-Based Approach to Diabetic Foot Ulcer Detection Using Feature Explainability,†Biomed. Mater. Devices, no. March, 2024, doi: 10.1007/s44174-024-00165-5.
O. Güley, S. Pati, and S. Bakas, “Classification of Infection and Ischemia in Diabetic Foot Ulcers Using VGG Architectures,†Lect. Notes Comput. Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics), vol. 13183 LNCS, no. 2021, pp. 76–89, 2022, doi: 10.1007/978-3-030-94907-5_6.
A. Mahbod, G. Schaefer, R. Ecker, and I. Ellinger, “Automatic Foot Ulcer Segmentation Using an Ensemble of Convolutional Neural Networks,†Proc. - Int. Conf. Pattern Recognit., vol. 2022-Augus, pp. 4358–4364, 2022, doi: 10.1109/ICPR56361.2022.9956253.
U. P. Indonesia et al., “Klasifikasi ulkus kaki diabetik menggunakan neural konvolusional jaringan ( CNN ) pada pasien diabetes,†vol. 14, pp. 196–202, 2022.
F. Amin, Y. Haskas, and E. Arna Abrar, “Hubungan Perilaku Pencarian Pengobatan Dan Perawatan kaki Terhadap Risiko Ulkus Kaki Diabetes di Wilayah Kerja Puskesmas Tamangapa Kota Makassar,†JIMPK J. Ilm. Mhs. Penelit. Keperawatan, vol. 4, no. 2, pp. 204–2011, 2024.
G. A. Pradipta, P. D. W. Ayu, M. Liandana, and D. P. Hostiadi, “Enhanced Fetal Arrhythmia Classification by Non-invasive ECG Using Cross Domain Feature and Spatial Differences Windows Information,†IEEE Access, vol. 13, no. December 2024, pp. 6729–6749, 2025, doi: 10.1109/ACCESS.2025.3526586.
W. Li, Y. Peng, and K. Peng, “Diabetes prediction model based on GA-XGBoost and stacking ensemble algorithm,†PLoS One, vol. 19, no. 9, p. e0311222, 2024, doi: 10.1371/journal.pone.0311222.
T. Chen and C. Guestrin, “XGBoost: A scalable tree boosting system,†Proc. ACM SIGKDD Int. Conf. Knowl. Discov. Data Min., vol. 13-17-Augu, pp. 785–794, 2016, doi: 10.1145/2939672.2939785.
M. Goyal, N. D. Reeves, S. Rajbhandari, N. Ahmad, C. Wang, and M. H. Yap, “Recognition of ischaemia and infection in diabetic foot ulcers: Dataset and techniques,†Comput. Biol. Med., vol. 117, 2020, doi: 10.1016/j.compbiomed.2020.103616.
A. Khandakar et al., “A machine learning model for early detection of diabetic foot using thermogram images,†Comput. Biol. Med., vol. 137, 2021, doi: 10.1016/j.compbiomed.2021.104838.
M. H. Yap et al., “Deep learning in diabetic foot ulcers detection: A comprehensive evaluation,†Comput. Biol. Med., vol. 135, pp. 1–19, 2021, doi: 10.1016/j.compbiomed.2021.104596.
L. N. Azizah, I. N. Istiqomah, A. Abdillah, M. Mashuri, and R. Rondhianto, “Pengembangan Aplikasi Risiko Kaki Diabetik (Si RiDa) sebagai Alat Deteksi yang Efektif,†J. Keperawatan, vol. 16, no. 2, pp. 751–760, 2024.
