Optimasi Model Deep Learning untuk Klasifikasi Penyakit Kulit Multikelas Menggunakan CNN dan Vision Transformer
DOI:
https://doi.org/10.65344/practic.v1i2.206Keywords:
Multiclass Skin Disease, Deep Learning, Ensemble Learning, CNN, Swin-ViT-EfficientNetB4Abstract
Penyakit kulit merupakan tantangan kesehatan global yang signifikan, memerlukan diagnosis akurat dan tepat waktu untuk pengobatan yang efektif. Dalam penelitian ini, kami membahas secara mendalam ranah klasifikasi penyakit kulit yang rumit, dengan memanfaatkan teknik pembelajaran mendalam tingkat lanjut. Penyakit kulit, yang dapat disebabkan oleh peradangan, infeksi, tumor, atau kondisi autoimun, dapat muncul sebagai ruam, bintik-bintik, benjolan, atau sisik, atau tetap tanpa gejala sampai menjadi parah. Pendekatan diagnostik konvensional seperti inspeksi visual dan palpasi seringkali kurang akurat. Kecerdasan buatan (AI) meningkatkan ketepatan diagnostik dengan menganalisis sejumlah besar gambar kulit untuk mendeteksi pola halus yang mungkin tidak dikenali oleh dokter. Penelitian ini menyajikan model diagnostik penyakit kulit multikelas yang dikembangkan menggunakan dataset publik (Kaggle). Dataset dikategorikan menjadi tujuh kelas penyakit untuk pelatihan model. Sebanyak 25 model pra-terlatih, termasuk jaringan saraf konvolusional (CNN) dan transformator visi (ViT), disempurnakan. Tiga model teratas digabungkan menjadi sebuah ensemble menggunakan model Transfer Learning dari CNN. Untuk memastikan keberhasilannya, model tersebut diuji melalui lima eksperimen acak dan divalidasi menggunakan teknik holdout. Model ensemble yang diusulkan, Swin-ViT-EfficientNetB4, mencapai akurasi pengujian tertinggi sebesar 97,5%, menunjukkan potensi yang kuat untuk diagnosis penyakit kulit yang akurat sejak dini.
References
Ahmed, S., Sakib, K. M. S., & Hany, U. (2026). Hybrid deep learning architecture for skin disease classification. Franklin Open, 15(03), 426–451. https://doi.org/10.1016/j.fraope.2026.100556
Asaduzzaman, A., Thompson, C. C., & Uddin, M. J. (2024). Machine Learning Approaches for Skin Neoplasm Diagnosis. ACS Omega. https://doi.org/10.1021/acsomega.4c03640
Cha, J. (2022). Features Selection and Extreme Learning Machine.
Chiu, T. M., Chi, I. C., Li, Y. C., & Tseng, M. H. (2025). Deep Ensemble Learning for Multiclass Skin Lesion Classification. Bioengineering, 12(9), 1–16. https://doi.org/10.3390/bioengineering12090934
Deshmukh, A. A., Wanjale, K., Jadhav, T. A., Khankal, D. V., Diwate, A. D., & Athawale, S. V. (2023). Multi-Class Skin Diseases Classification Using Hybrid Deep Convolutional Neural Network. International Journal of Intelligent Systems and Applications in Engineering, 11(10s), 11–22.
Houssein, E. H., Abdelkareem, D. A., Hu, G., Hameed, M. A., Ibrahim, I. A., & Younan, M. (2024). An effective multiclass skin cancer classification approach based on deep convolutional neural network. Cluster Computing, 27(9), 12799–12819. https://doi.org/10.1007/s10586-024-04540-1
Ibrahim, A. T., Abdullahi, M., Kana, A. F. D., Mohammed, M. T., & Hassan, I. H. (2025). Categorical classification of skin cancer using a weighted ensemble of transfer learning with test time augmentation. Data Science and Management, 8(2), 174–184. https://doi.org/10.1016/j.dsm.2024.10.002
K, M. R., Krishna, G. S., Supriya, K., & Sorgile, M. (2025). LesionAid: vision transformers-based skin lesion generation and classification – A practical review. Multimedia Tools and Applications, 84(33), 41405–41426. https://doi.org/10.1007/s11042-025-20797-z
Kim, G. K., & Del Rosso, J. Q. (2009). Skin cancer in Asians part 1: Nonmelanoma skin cancer. Journal of Clinical and Aesthetic Dermatology, 2(8), 39–42.
Liu, X., Yu, Z., Tan, L., Yan, Y., & Shi, G. (2024). Enhancing Skin Lesion Diagnosis with Ensemble Learning. 2024 4th International Conference on Computer Science and Blockchain, CCSB 2024, 94–98. https://doi.org/10.1109/CCSB63463.2024.10735675
Lubis, C., & Yuliarto, D. (2023). Menggunakan Convolutional Neural Network ( Cnn ) Dengan Arsitektur Vgg16. 8(1), 135–140.
Maheswari, S., & Gunawan, D. (2025). Deteksi Dini Kanker Kulit Menggunakan Cnn, Dnn, Dan Efficientnet: Pendekatan Deep Learning Berbasis Web. Rabit : Jurnal Teknologi Dan Sistem Informasi Univrab, 10(2), 932–944. https://doi.org/10.36341/rabit.v10i2.6417
Nurkhasanah, N., & Murinto, M. (2022). Klasifikasi Penyakit Kulit Wajah Menggunakan Metode Convolutional Neural Network. Sainteks, 18(2), 183. https://doi.org/10.30595/sainteks.v18i2.13188
Pendi, D., Doni, K., & Convolutional, M. (2025). Jurnal Teknologi Terpadu NETWORK MENGGUNAKAN ARSITEKTUR VGG19. 11(2), 87–93.
Rachmawati, S., Minarno, A. E., & Azhar, Y. (2024). Klasifikasi Lesi Kulit Menggunakan Convolutional Neural Network. Jurnal Repositor, 4(3), 363–372. https://doi.org/10.22219/repositor.v4i3.32327
Sao, J., & Kushwaha, S. (2024). Automated Multi-Class Skin Disease Classification Via Convolutional Neural Network in Matlab Environment. ShodhKosh: Journal of Visual and Performing Arts, 5(6), 1930–1937. https://doi.org/10.29121/shodhkosh.v5.i6.2024.5107
Setiyani, S. H., & Krissyanio, Y. N. (2026). Penerapan Convolutional Neural Network ( CNN ) Untuk Deteksi dan Klasifikasi Penyakit Kulit Pada Citra Dermatoskop. 8–16.
Sinaga, J. T., Faudyta, H. A., & Subhiyakto, E. R. (2024). Klasifikasi Kanker Kulit menggunakan Convolutional Neural Network dengan Optimasi Arsitektur. Building of Informatics, Technology and Science (BITS), 6(3), 446–457. https://doi.org/10.47065/bits.v6i3.6141
Taşar, B. (2023). SkinCancerNet: Automated Classification of Skin Lesion Using Deep Transfer Learning Method. Traitement Du Signal, 40(1), 285–295. https://doi.org/10.18280/ts.400128
Thwin, S. M. (2018). Applied Sciences. Early Writings on India, 124–134. https://doi.org/10.4324/9781315232140-14
Vuran, S., Ucan, M., Akin, M., & Kaya, M. (2025). Multi-Classification of Skin Lesion Images Including Mpox Disease Using Transformer-Based Deep Learning Architectures. Diagnostics, 15(3). https://doi.org/10.3390/diagnostics15030374
Wona Maria Misela A, Rahayu Wanti, & Wirantasa Umar. (2025). Klasifikasi Dan Deteksi Penyakit Kulit MelaluiPengolahan Citra Dengan Metode Cnn. Jurnal Riset Dan Aplikasi Mahasiswa Informatika (JRAMI), 06(01), 43–51.
Ye, C., Li, J., & Shuai, Q. (2025). Evaluating the Performance and Clinical Applications of Multiclass Deep Learning Models for Skin Cancer Pathology Diagnosis (ISIC): A Comparative Analysis of CNN, ViT, and VLM. February 2025, 92–103. https://doi.org/10.1145/3731763.3731793
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Fachri Ayudi Fitrony, Muhamad Arief Muhaimin (Author)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
This work is licensed under the Creative Commons Attribution-ShareAlike 4.0 license.
