Klasifikasi Penyakit Berdasarkan Warna Kuku Menggunakan Pengolahan Sinyal Digital
DOI:
https://doi.org/10.34818/eoe.v9i6.18989Abstract
Abstrak—Pada manusia, berbagai penyakit sistemik dan dermatologis dapat dengan mudah didiagnosis dengan pemeriksaan kuku kedua tangan dan kaki. Banyak penyakit kuku telah ditemukan sebagai tanda-tanda awal dari berbagai penyakit sistemik yang mendasar. Warna, tekstur atau perubahan bentuk pada kuku adalah gejala dari berbagai Penyakit terutama yang mempengaruhi kuku. Masalah umum yang terjadi masih banyak orang yang tidak tahu bahwa perubahan kuku dapat mengindikasikan kesehatan manusia, yang dapat dilihat langsung dari perubahan kuku dan lunula atau biasa disebut bulan sabit yang terdapat pada kuku (half moon fingernails Berdasarkan permasalahan umum yang terjadi maka dibuatlah suatu sistem yang dapat memprediksi suatu penyakit dengan memanfaatkan image processing sebagai solusinya. Dari proses image processing tersebut maka suatu citra dapat dikelompokan berdasarkan kebutuhan medis yang diperlukan yang dapat menganalisis kuku manusia Hasil yang didapatkan dari penelitian untuk klasifikasi tiga kelas penyakit kuku yaitu Terry’s Nails, Yellow Nail Syndrom, dan yang terakhir Muehrcke lines mendapat nilai akurasi 94% dari parameter terbaik, yaitu epoch = 25 dan batch = 30. Menggunakan data sebesar 166 data citra yg di uji. Kata Kunci — kuku, image processing, convolutional neural network, VGG16netDownloads
References
[1] R. Purnamasari, A. B. Suksmono, I. Zakia, and I. J. M. Edward, “Compressive Sampling of Polarimetric Doppler Weather Radar Processing Via Inverse Fast Fourier Transform,” IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 14, pp. 5269–5284, 2021, doi: 10.1109/JSTARS.2021.3081265
[2] M. B. Priatama, L. Novamizanti, S. Aulia, and E. B. Candrasari, “Hand gesture recognition using discrete wavelet transform and convolutional neural network,” Bulletin of Electrical Engineering and Informatics, vol. 9, no. 3, pp. 996–1004, Jun. 2020, doi: 10.11591/eei.v9i3.1977.
[3] Scott E. Umbaugh. Digital Image Processing and Analysis. 3th ed. CRC Press; 2017
[4] Putra D. Pengolahan citra digital. 1th ed. Penerbit Andi; 2010
[5] S. Loncaric, A. P. Dhawan, D. Cosic, D. Kovacevic, J. Broderick, and T. Brott, “Quantitative intracerebral brain hemorrhage analysis,” Medical Imaging 1999: Image Processing, vol. 3661, pp. 886–894, May 1999, doi: 10.1117/12.348648.
[6] R. Rahmadewi and R. Kurnia, “Klasifikasi Penyakit Paru Berdasarkan Citra Rontgen dengan Metoda Segmentasi Sobel”, JNTE, vol. 5, no. 1, pp. 7–12, Jan. 2016.
[7] Bolia R, “Terry’s Nails in a Child”. Journal of Pediatrics, vol. 235. pp. 292, April. 2021, doi:10.1016/j.jpeds.2021.04.020
[8] M. N. Zaiac and A. Walker, “Nail abnormalities associated with systemic pathologies,” Clinics in Dermatology, vol. 31, no. 5, pp. 627–649, Sep. 2013. doi: 10.1016/j.clindermatol.2013.06.018.
[9] Kaggle, “nail disease image augmentation”, Kaggle, accessed December 8, 2021, https://www.kaggle.com/
[10]. Feneis HDW. Pocket Atlas of Human Anatomy 4th Edition. 4th ed. Thieme; 2000.
[11] Douglas Schoon. Nail Structure and Product Chemistry. 2th ed. Thomson Delmar Learning; 2005.
[12] Pitukweerakul S, Pilla S, “Terry’s Nails and Lindsay’s Nails: Two Nail Abnormalities in Chronic Systemic Diseases”. Journal of General Internal Medicine, vol 8, no. 31, pp. 970, Aug. 2016, doi:10.1007/s11606-016-3628-z
[13] Vignes S, Baran R, “Yellow nail syndrome,” Orphanet Journal of Rare Diseases, vol 1, pp. 1-10, Des. 2017, doi:10.1186/s13023-017-0594-4
[14] Singal A, Arora R, “Nail as a window of systemic diseases,” Indian Dermatology Online Journal. vol 2, pp. 67, Feb. 2015, doi:10.4103/2229-5178.153002
[15] Kholik A, Harjoko A, Wahyono W, “Classification of Traffic Vehicle Density Using Deep Learning,” IJCCS (Indonesian Journal of Computing and Cybernetics Systems), vol 14, pp. 69-80, januari 2020, doi:10.22146/ijccs.50376
[16] Kholik A. “KLASIFIKASI MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN) PADA TANGKAPAN LAYAR HALAMAN INSTAGRAM,” JDMSI, vol 2, pp. 10-20, Feb 2021, doi: /10.33365/jdmsi.v2i2.1345
[17] Sugiartha, I Gusti Rai Agung, Sudarma, Made widyantara, I Made Oka, “Ekstraksi Fitur Warna, Tekstur dan Bentuk untuk Clustered-Based Retrieval of Images (CLUE),” Majalah Ilmiah Teknologi Elektro, [S.l.], v. 16, no. 1, pp. 85-90, july 2016. ISSN 2503-2372 doi: 10.24843/MITE.1601.12
[18] Bezdan T, Bačanin Džakula N, “Convolutional Neural Network Layers and Architectures,” Singidunum University, vol 5, pp 445-451, 2019, doi:10.15308/sinteza
[19] SRIVASTAVA, Nitish, “Dropout: a simple way to prevent neural networks from overfitting,” The journal of machine learning research, vol 15, no. 56, pp. 1929-1958, januari 2014, doi : 10.26483/ijarcs.v11i4.6632
[20] IOFFE, Sergey; SZEGEDY, Christian, “Batch normalization: Accelerating deep network training by reducing internal covariate shift,” In: International conference on machine learning,PMLR, 2015. p. 448-456.
[21] Guo Y, Xia Y, Wang J, Yu H, Chen RC, “Real-Time Facial Affective Computing on Mobile Devices”, Sensors (Basel), vol 20, no. 3, pp.870, feb 2020, doi: 10.3390/s20030870. PMID: 32041323; PMCID: PMC7039298
[22] Kim J, Sangjun O, Kim Y, Lee M, “Convolutional Neural Network with Biologically Inspired Retinal Structure”, In: Procedia Computer Science, vol 88, pp. 145-154, juli 2016, doi:10.1016/j.procs.2016.07.418
[23] Xie, Siying, Daniel Kaiser, and Radoslaw M. Cichy, “Visual imagery and perception share neural representations in the alpha frequency band,” Elsevier Inc, vol 30, no. 13, pp. 2621-2627, July 2020, doi:10.1016/j.cub.2020.04.074
[24] D. Soydaner, “A Comparison of Optimization Algorithms for Deep Learning,” International Journal of Pattern Recognition and Artificial Intelligence, vol. 34, no. 13, Dec. 2020, doi:



