Analisis Performa Pre-Trained Model CNN pada Citra Termogram dalam Deteksi Dini Pasien Diabetes

Abstract

Ulkus kaki, komplikasi serius diabetes, dapat dideteksi dini melalui citra termogram yang mengukur perbedaan suhu pada area kaki. Penelitian ini menilai efektivitas empat model Convolutional Neural Network (CNN) yang telah dilatih sebelumnya—MobileNetV2, VGG16, InceptionV3, dan ResNet101—dalam menganalisis citra termogram untuk deteksi ulkus diabetik. Pengujian melibatkan tiga skenario peningkatan citra: gambar asli, Adaptive Histogram Equalization (AHE), dan Gamma Correction. Evaluasi dilakukan melalui pelatihan, validasi, dan pengujian dengan fokus pada akurasi, presisi, dan efisiensi waktu. Hasil penelitian ini menunjukkan bahwa Gamma Correction meningkatkan performa model MobileNetV2 dengan mencatat peningkatan akurasi hingga 88%, dan model VGG16 mencapai presisi 92%. Studi ini juga menemukan bahwa aplikasi Gamma Correction mengurangi waktu pelatihan dan meningkatkan efisiensi pengolahan citra secara signifikan, menunjukkan potensi besar dalam aplikasi klinis untuk deteksi dini ulkus diabetik. Penggunaan model CNN yang telah dilatih sebelumnya mempercepat proses adaptasi teknologi ini dalam pengaturan klinis, memberikan dasar yang kuat untuk implementasi lebih lanjut dalam praktik medis.