Edu Komputika 10 (1) (2023)
Edu Komputika Journal
DETEKSI CACAR MONYET PADA MANUSIA DI KABUPATEN
KARAWANG MENGGUNAKAN ALGORITMA CONVOLUTIONAL
NEURAL NETWORK (CNN)
Daffa Rifqi Abyansyah1), Al Fathir Rizal Januar2), dan Muhammad Nurryan Akbar3)
1
Jurusan Teknik Informatika, Fakultas Ilmu Komputer, Universitas Buana Perjuangan Karawang,
Indonesia
Info Artikel
_________________
Keywords:
Cacar monyet, Penyakit
Kulit, Convolutional Neural
Network, Klasifikasi
____________________
http://journal.unnes.ac.id/sju/index.php/edukom
Abstrak
_______________________________________________________________
Kulit memegang peranan vital dalam melindungi organ dalam tubuh manusia dari ancaman
yang berasal dari lingkungan di luar tubuh manusia. Beberapa jenis penyakit kulit yang sering
diderita oleh manusia diantaranya seperti scabies/kudis, kusta, frambusia, dermatitis dan
sebagainya. Kurangnya pengetahuan tentang jenis penyakit kulit serta tidak mengetahui cara
pencegahannya mengakibatkan sesorang dapat terkena penyakit kulit tingkat akut. Untuk
melakukan penelitian deteksi objek penyakit pada cacar menggunakan CNN diperlukan
dataset gambar yang telah dilabeli. Dataset ini bersumber dari internet dalam website kaggle
dengan jumlah data 228 citra, 102 citra cacar monyet, 126 citra cacar lainnya. Data akan dibagi
menjadi train set, test set dan validasi set. Metodelogi yang dilakukan untuk deteksi penyakit
pada kulit menggunakan algoritma CNN. Cacar monyet adalah infeksi virus yang ditandai
dengan bintil bernanah di kulit. penyakit cacar monyet memiliki gejala yang serupa dengan
cacar air, yaitu bintil berair. Seiring perkembangan penyakit, bintil berair berubah menjadi
bernanah dan menimbulkan benjolan di leher, ketiak, atau selangkangan akibat
pembengkakan kelenjar getah bening. maka tujuan penelitian artikel ini adalah membangun
sistem untuk mendeteksi penyakit kulit manusia pada gambar. Algoritma yang digunakan
dalam pembuatannya menggunakan algoritma Convolutional Neural Network. Judul
penelitian ini adalah “Deteksi Cacar Monyet Pada Manusia Di Kabupaten Karawang
Menggunakan Algoritma Convolutional Neural Network (CNN)“ Penelitian ini diharapkan
dapat membantu membedakan penyakit kulit yang menyerang masyarakat umum, dan
informasi yang diperoleh juga dapat bermanfaat bagi mereka yang membutuhkan
Berdasarkan penelitian yang dilakukan Dengan menggunakan metode Waterfall, nilai
intensitas piksel pada gambar diatur antara 0 dan 1. Selama evaluasi model, kami menemukan
bahwa nilai epoch berbanding lurus dengan kemampuan model dalam mengidentifikasi kelas
Monkeypox. Sedangkan pada epoch 5 diperoleh model terbaik dengan nilai matriks konfusi
yaitu precision, recall, dan FI-Score sebesar 85%.
Abstract
_________________________________ ____________ _________
The skin plays a vital role in protecting organs in the human body from threats originating from the
environment outside the human body. Several types of skin diseases that humans often suffer from include
scabies, leprosy, yaws, dermatitis and so on. Lack of knowledge about the types of skin diseases and not
knowing how to prevent them can result in someone being exposed to acute skin diseases. To carry out
research on disease object detection in smallpox using CNN, a labeled image dataset is needed. This dataset
is sourced from the internet on the Kaggle website with a total of 228 images of data, 102 images of monkey
pox, 126 images of other small pox. The data will be divided into train set, test set and validation set. The
methodology used to detect skin diseases uses the CNN algorithm. Monkey pox is a viral infection
characterized by festering pustules on the skin. Monkey pox has symptoms similar to chicken pox, namely
watery pustules. As the disease progresses, the watery nodules turn festering and cause lumps in the neck,
armpits or groin due to swollen lymph nodes. So the research objective of this article is to build a system to
detect human skin diseases in images. The algorithm used in making it uses the Convolutional Neural
Network algorithm. The title of this research is "Detection of Monkey Pox in Humans in Karawang
Regency Using the Convolutional Neural Network (CNN) Algorithm." This research is expected to help
differentiate skin diseases that attack the general public, and the information obtained can also be useful
for those who need it. Based on the research conducted Using the Waterfall method, the pixel intensity
value in the image is set between 0 and 1. During model evaluation, we found that the epoch value is
38
 Daffa Rifqi Abyansyah, Al Fathir Rizal Januar, dan Muhammad Nurryan Akbar / Edu Komputika (2023)
directly proportional to the model's ability to identify the Monkeypox class. Meanwhile, at epoch 5, the
best model was obtained with confusion matrix values, namely precision, recall and FI-Score of 85%.
© 2023 Universitas Buana Perjuangan Karawang
Alamat korespondensi: Jl. HS.Ronggo Waluyo, Puseurjaya,
Telukjambe Timur, Karawang, Jawa Barat 41361
E-mail: if21.daffaabyansyah@mhs.ubpkarawang.ac.id
PENDAHULUAN
Kulit memegang peranan vital dalam
melindungi organ dalam tubuh manusia dari
ancaman yang berasal dari lingkungan di luar
tubuh manusia. Oleh karena fungsinya tersebut,
kulit menjadi sensitif dan rentan terhadap
serangan bakteri, virus, dan jamur yang bisa
menimbulkan penyakit pada kulit. Penyakit kulit
dapat menyerang siapa saja dan dapat menyerang
pada bagian tubuh mana pun. Penyakit kulit salah
satu penyakit yang sering dijumpai pada negara
beriklim tropis seperti Indonesia khusus nya Kota
Karawang. Beberapa jenis penyakit kulit yang
sering diderita oleh manusia diantaranya seperti
scabies/kudis, kusta, frambusia, dermatitis dan
sebagainya. Scabies pada manusia adalah
disebabkan oleh Sarcoptesscabieivar hominis.
Tungau mikroskopis menggali ke dalam kulit dan
bertelur, akhirnya memicu respons imun inang
yang menyebabkan rasa gatal dan ruam yang
hebat. Infestasi kudis mungkin diperumit oleh
infeksi bakteri, menyebabkan perkembangan luka
kulit yang pada gilirannya dapat menyebabkan
perkembangan konsekuensi yang lebih serius
seperti septikemia, penyakit jantung, dan penyakit
ginjal kronis (Irjayanti et al, 2023)
Kurangnya pengetahuan tentang jenis
penyakit kulit serta tidak mengetahui cara
pencegahannya mengakibatkan sesorang dapat
terkena penyakit kulit tingkat akut. Sehingga
dengan adanya bantuan teknologi komputer
diharapkan penyakit yang menyerang kulit tubuh
manusia dapat diketahui secara dini dan hal
tersebut dapat memperkecil terjadinya penyakit
yang lebih berbahaya. Dengan berkembangnya
teknologi image processing proses pendekteksian
penyakit kulit bisa dilakukan melalui pengolahan
citra digital. Menggunakan pengolahan citra
digital sebuah citra berpenyakit kulit diekstrak
fitur tekstur dan fitur bentuk, kemudian dianalis
dan diklasifikasikan sehingga bisa diketahui jenis
penyakit kulit tersebut. Persoalan penyakit kulit
terkadang membuat seorang kurang percaya diri.
(Putri, 2018).
Menurut Muhammad Rizqi Efrian et al
(2022), Jaringan saraf konvolusional berisi metode
berbasis pembelajaran mendalam yang digunakan
39
ISSN 2252-6811
E-ISSN 2599-297X
untuk memecahkan masalah terkait deteksi objek
dan klasifikasi gambar. Jaringan saraf
konvolusional berisi metode berbasis pembelajaran
mendalam yang digunakan untuk memecahkan
masalah terkait deteksi objek dan klasifikasi
gambar. Metode ini sering digunakan karena
akurasinya yang tinggi dan hasil yang baik dalam
pengenalan objek pada pengenalan gambar.
Cacar monyet adalah infeksi virus yang
ditandai dengan bintil bernanah di kulit. Cacar
monyet atau monkeypox pertama kali muncul di
negara Republik Demokratik Kongo pada tahun
1970. Pada awalnya, penyakit cacar monyet
memiliki gejala yang serupa dengan cacar air,
yaitu bintil berair. Seiring perkembangan
penyakit, bintil berair berubah menjadi bernanah
dan menimbulkan benjolan di leher, ketiak, atau
selangkangan akibat pembengkakan kelenjar
getah bening. Cacar monyet merupakan penyakit
yang dapat menular dari orang ke orang, tetapi
sumber utamanya adalah hewan pengerat dan
primata, seperti tikus, monyet, atau tupai yang
terinfeksi
Berdasarkan pembahasan di atas, maka
tujuan penelitian artikel ini adalah membangun
sistem untuk mendeteksi penyakit kulit manusia
pada gambar. Algoritma yang digunakan dalam
pembuatannya menggunakan algoritma
Convolutional Neural Network. Judul penelitian ini
adalah “DETEKSI CACAR MONYET PADA
MANUSIA DI KABUPATEN KARAWANG
MENGGUNAKAN ALGORITMA
CONVOLUTIONAL NEURAL NETWORK
(CNN)“ Penelitian ini diharapkan dapat
membantu membedakan penyakit kulit yang
menyerang masyarakat umum, dan informasi
yang diperoleh juga dapat bermanfaat bagi
mereka yang membutuhkannya.
METODE PENELITIAN
Metodologi penelitian untuk klasifikasi
Cacar monyet pada manusia menggunakan
metode Waterfall. Metode Waterfall memiliki
beberapa langkah yang harus diikuti (Tristianto,
2018), yaitu.
1. Requirement Analisis merupakan tahap dimana
pengembang perangkat lunak memerlukan
 Daffa Rifqi Abyansyah, Al Fathir Rizal Januar, dan Muhammad Nurryan Akbar / Edu Komputika (2023)
kajian atau penelitian lebih lanjut mengenai
aplikasi atau sistem yang akan dibangun.
Pengumpulan informasi biasanya dilakukan
dengan mempelajari dokumen-dokumen dan
sumber-sumber yang berkaitan dengan
penelitian. Informasi yang diperoleh akan
dianalisis untuk memperoleh data.
2. System Design merupakan tahap lanjutan
dimana berdasarkan hasil analisis
pengembang dapat mempersiapkan rancangan
sistem atau aplikasi yang akan dibangun.
3. Implementation pada tahap ini merupakan hasil
perancangan sistem yang telah dibuat pada
tahap sebelumnya dan akan
diimplementasikan seiring dengan proses
pengembangan sistem.
4. Intergration and Testing merupakan tahap
dimana sistem yang dibangun diintegrasikan
menjadi satu kesatuan. Setelah integrasi,
seluruh sistem akan diuji dengan berbagai
kasus uji untuk memeriksa kegagalan dan
kesalahan sistem.
5. Operation and Maintenance merupakan tahap
akhir. Apabila terdapat ketidaksesuaian maka
akan dilakukan review terhadap sistem yang
telah dikembangkan.
Analisis kasus dilakukan dengan cara
mengumpulkan data melalui dataset dengan
tujuan mendapatkan sample kasus dari penelitian
yang bersangkutan. Data yang diperoleh berupa
dataset gambar gejala-gejala cacar pada penyakit
kulit pada manusia beserta diagnosanya sebanyak
288 data. Data gejala yang digunakan dibagi
menjadi 2 jenis yaitu ada 102 citra cacar monyet
dan 126 citra cacar lainnya.
Alat yang digunakan dalam penelitian ini
meliputi software Google collab berguna untuk
beroperasi sebagai lingkungan enkripsi dalam
browser dan windows 11 sebagai system operasi
pada laptop. Ada juga Hardware yang digunakan
penelitian memiliki 11th Gen Intel(R) Core(TM)
i5- 1135G7 @ 2.40GHz 2.42 GHz, RAM 8,00 GB,
64-bit operating system, x64- based processor.
Adapun diagram alir penelitian dapat
dilihat pada Gambar 1.
Gambar 1. Diagram Alir Penelitian
40
Berdasarkan Gambar 1 dapat dijelaskan
alur tahapan penelitian yang akan dilakukan
yaitu:
A. Pengumpulan Data
Pada penelitian ini dataset berupa citra
cacar monyet dan cacar lainnya, dengan jumlah
total dataset yaitu 288 data citra dengan resolusi
rata-rata 224 x 224 pixel. Citra diperoleh dari
dataset publik yang tersedia di Kaggle
(https://www.kaggle.com/datasets/nafin59/mo
nkeypox-skin-lesion-dataset) dan telah divalidasi
oleh Joydep Paul, Md Tahzuddin Ahmed dan
Tasnim Jahan Peana. Sampel dataset dapat
dilihat pada Gambar 2.
Gambar 2. Sampel dataset
B. Pembagian Data
Dalam penelitian ini dataset terdiri dari
dua jenis data yaitu data latih dan data uji.
Seluruh dataset dibagi menjadi dua kelas ini,
yang terdiri dari 80% data pelatihan dan 20% data
pengujian (Minarno et al., 2021). Pembagian
dataset dapat ditunjukkan pada Tabel 1.
Tabel 1. Pembagian Data
No Kategori Data Train Data Test
1. MonkeyPox 980 20
2. Cacar lainnya 1162 25
C. Preprocessing
Preprocessing pada penelitian ini hanya
melewati satu tahap yaitu resize (megubah
resolusi) pada citra penyakit kulit dari ukuran
sebelumnya, dimana ukuran citra yang tidak
sama diubah menjadi 244 x 244 pixel.
Preprocessing bertujuan agar data citra lebih
mudah untuk diproses pada langkah selanjutnya
D. Augmentasi Data
Langkah selanjutnya setelah preprocessing
adalah augmentasi data. Augmentasi data
melibatkan peningkatan ukuran data pelatihan
untuk meminimalkan overfitting. Augmentasi
data yang dilakukan pada penelitian ini meliputi
 Daffa Rifqi Abyansyah, Al Fathir Rizal Januar, dan Muhammad Nurryan Akbar / Edu Komputika (2023)

Shear range, Zoom range, Rotation range, Fill mode, score. Tabel dari Confusion Matrix dapat dijelaskan
width shift range, Height shift range, horizontal flip pada Persamaan berikut.
dan rescale. Tahapan domain geser dilakukan
dengan menggunakan metode transformasi
geser. Cara kerjanya adalah memutar gambar
sesuai jumlah derajat yang ditentukan.
Pencerminan horizontal dilakukan
dengan memutar gambar 90 derajat secara
horizontal dan mengalikan datanya. Pencerminan
vertikal dilakukan dengan memutar gambar 90
derajat. Tingkat rentang zoom merupakan
tingkat untuk memperbesar suatu gambar hingga Keterangan:
skala yang ditentukan dari gambar aslinya TP = Nilai True Positive
(Solihin et al., 2022). Rescaling adalah tahapan FP = Nilai False Positive
mengubah nilai piksel dari [0,255] menjadi [0,1]. TN = Nilai True Negative
Memodifikasi nilai piksel bertujuan untuk FN = Nilai False Negative
mengurangi kerugian dan meningkatkan akurasi
selama pelatihan (Minarno et al., 2021). Gambar G. Identifikasi Citra
3 menjelaskan alur proses augmentasi data. Pada tahap ini dilakukan identifikasi citra
untuk melihat apakah citra tersebut tergolong
cacar monyet atau cacar lainnya.
Identifikasi dilakukan berdasarkan data
baru yang tidak digunakan pada saat pelatihan
model. Data baru diproses menggunakan
preprocessing. Hasil prapemrosesan
diidentifikasi berdasarkan model yang disimpan
selama pelatihan model. Hasil identifikasi
ditampilkan dalam bentuk tanda yang
menunjukkan apakah gambar tersebut
mengandung penyakit cacar monyet atau
penyakit cacar lainnya.

HASIL DAN PEMBAHASAN

Gambar 3. Alur Augmentasi
E. Klasifikasi CNN
Langkah selanjutnya dalam augmentasi
data adalah membangun model arsitektur CNN
yang dirancang untuk memproses gambar dan
mengklasifikasikan hasil gambar. Langkah
selanjutnya dalam augmentasi data adalah
membangun model arsitektur CNN yang
dirancang untuk memproses gambar dan
mengklasifikasikan hasil gambar. Setelah
pelatihan selesai, langkah selanjutnya adalah
proses pengujian. Ini merupakan tahap akhir dari
keseluruhan metode penelitian. Proses pengujian
dilakukan untuk mengevaluasi keakuratan
klasifikasi dengan menganalisis indeks yang
dihasilkan oleh model CNN yang dilatih
(Aryanto Wijaya et al., 2023)
F. Evaluasi Hasil
Evaluasi dilakukan untuk menguji
presentase keakuratan sebuah model yang sudah
dibuat. Evaluasi hasil pada Confusion Matrix
diperoleh nilai accuracy, precision, recall, dan F1-
Proses Pengolahan Data Citra berikut
merupakan tahapan-tahapan yang dilakukan
dalam pengolahan data citra, pengklasifikasian
data citra, hingga menghasilkan aplikasi yang
dapat memberikan interprestasi hasil diagnosa
penyakit kulit.
A. Preprocessing
Preprocessing dilakukan untuk mengubah
ukuran atau mengubah gambar asli. Hal ini
dilakukan untuk memastikan semua gambar
masukan memiliki ukuran piksel yang sama
sehingga memudahkan dalam mengolah gambar
ke tahap selanjutnya baik pada tahap data latih
maupun tahap data uji (Qomaruddin et al.,
2021). Fase ini juga bertujuan untuk memastikan
bahwa klasifikasi tidak memerlukan konvolusi
dan pooling dalam jumlah besar, yang dapat
mempengaruhi hasil akhir klasifikasi.
Dimensi gambar masukan tetap seragam
dengan dimensi piksel yang sama. Tujuannya
adalah untuk memudahkan proses pemrosesan
gambar dan memungkinkan pemrosesan dengan
dimensi piksel yang serupa untuk setiap gambar.
Perbedaan dimensi piksel menghambat proses
konvolusi dan pengumpulan. Hal ini karena

41
 Daffa Rifqi Abyansyah, Al Fathir Rizal Januar, dan Muhammad Nurryan Akbar / Edu Komputika (2023)

heterogenitas dimensi menyebabkan variasi

jumlah node yang tidak konsisten. Akibatnya,
tahapan konvolusi dan pooling yang digunakan
untuk mengolah gambar juga berbeda.

B. Augmentasi Data

Augmentasi data adalah salah satu teknik

untuk menghindari overfitting. Augmentasi data
dilakukan dengan meningkatkan ukuran
kumpulan data menggunakan parameter
tertentu. Dalam studi ini, parameter berikut
digunakan untuk augmentasi data: Shear range,
C. Model Arsitektur CNN
Zoom range, Rotation range, Fill mode, width shift
Model arsitektur CNN yang dibuat pada
range, Height shift range, horizontal flip, dan rescale.
penelitian ini terdiri dari lapisan input, lapisan
Nilai setiap parameter yang digunakan
konvolusi, lapisan pooling, dan lapisan terhubung
dijelaskan pada Tabel 2.
penuh. Konfigurasi lapisan konvolusional
memiliki 32, 64, dan 128 filter. Perhatikan bahwa
Tabel 2. Parameter Augmentasi Data
(3.3) digunakan sebagai ukuran kernel. Setiap
lapisan konvolusional diberi lapisan aktivasi
No Parameter Value
menggunakan fungsi Relu. Pooling layer yang
digunakan adalah max pooling dengan nilai pool
1 Shear range 0,3
size (2,2). Hasil lapisan konvolusional diubah
menjadi vektor satu dimensi menggunakan
2. Zoom range 0,1 perataan. Hasil planarisasi diproses dengan
lapisan yang terhubung sepenuhnya.
3. Horizontal flip True
D. Training Model
4. Rescale 1/255 Pelatihan dilakukan dalam 10 dan 5 epoch.
Langkah untuk setiap epoch dihitung berdasarkan
5. Rotation range 30 panjang data kereta, dibagi dengan ukuran batch.
Ukuran batch yang digunakan dalam penelitian
6. Fill mode nearest ini adalah 32. Entropi silang biner digunakan
sebagai fungsi kerugian dan pengoptimal Adam
7. Width_shift_range 0,2 digunakan. Model mencapai hasil pelatihan
terbaik dengan 10 epoch. Grafik Training
8. Height_shift_range 0,2 Accuracy, Training Loss, Val Accuracy, dan Val Loss
dapat dilihat pada gambar di bawah ini.

Terdapat beberapa parameter seperti Shear

range, Zoom range, Rotation range, Fill mode, width
shift range, Height shift range, horizontal flip, dan
rescale.

Gambar 4. Training Accuracy

42
 Daffa Rifqi Abyansyah, Al Fathir Rizal Januar, dan Muhammad Nurryan Akbar / Edu Komputika (2023)

Tabel 3. Evaluasi Model

Epoch Precision Recall FI-Score Acuraccy

5 0.88 0.86 0.85 0.85

10 0.67 0.65 0.62 0.62

Gambar 5. Training Loss

Dari Tabel 3 terlihat bahwa test epoch 5

memiliki rata-rata skor F1 tertinggi sebesar
0,85, disusul test epoch 10 dengan nilai 0,62.
Model dengan nilai recall tertinggi adalah
epoch 5 dengan nilai 0.86, disusul epoch 10
dengan nilai 0.65. Nilai akurasi tertinggi
Gambar 6. Val Accuracy
adalah epoch 5 dengan nilai 0.88, disusul
epoch 10 dengan nilai 0.67. Nilai akurasi
tertinggi antar epoch adalah 0,86 untuk epoch
5 dan 0,62 untuk epoch 10. Arsitektur model
dan jumlah zaman berdampak besar pada
waktu pelatihan, namun perbedaan hasilnya
tidak besar. Jumlah kesalahan klasifikasi
juga akan semakin tinggi sehingga dapat
menurunkan nilai akurasi dan FI-Score.
Gambar 7. Val Loss
Namun setidaknya tes ini dapat
mengklasifikasikan secara lengkap cacar
monyet dan non-cacar monyet.

Gambar 8. Model training accuracy
E. Evaluasi
Model yang dibuat dievaluasi
menggunakan curve pembelajaran dan Confusion
Matrix. Dalam penelitian ini, perhitungan
matriks konfusi dilakukan menggunakan
perpustakaan Sklearn. Evaluasi dilakukan
dengan menggunakan total 45 buah data uji.
Evaluasi hasil model secara keseluruhan
dijelaskan pada Tabel 3.
SIMPULAN
Berdasarkan penelitian yang dilakukan,
diperoleh kesimpulan sebagai berikut: Dengan
menggunakan metode Waterfall, nilai intensitas
piksel pada gambar diatur antara 0 dan 1.
Selama evaluasi model, kami
menemukan bahwa nilai epoch 10 berbanding
terbalik dengan kemampuan model dalam
mengidentifikasi kelas Monkeypox. Sedangkan
pada epoch 5 diperoleh model terbaik dengan nilai
Confusion matrix yaitu precision, recall, dan FI-Score
sebesar 85%.
DAFTAR PUSTAKA
Irjayanti, A., Wambrauw, A., Wahyuni, I., &
Maranden, A. A. (2023). Personal hygiene
with the incidence of skin diseases. Jurnal

43
 Daffa Rifqi Abyansyah, Al Fathir Rizal Januar, dan Muhammad Nurryan Akbar / Edu Komputika (2023)

Ilmiah Kesehatan Sandi Husada, 12(1), 169– Tristianto, C. (2018). Penggunaan Metode
175. Waterfall Untuk Pengembangan Sistem
https://doi.org/10.35816/jiskh.v12i1.926 Monitoring Dan Evaluasi Pembangunan
Pedesaan. Jurnal Teknologi Informasi
Putri, D. D., Furqon, M. T., & Perdana, R. S. ESIT, 12(1).
(2018). Klasifikasi Penyakit Kulit Pada
Manusia Menggunakan Metode Binary
Decision Tree Support Vector Machine
(BDTSVM) (Studi Kasus: Puskesmas Dinoyo
Kota Malang). Jurnal Pengembangan Teknologi
Informasi Dan Ilmu Komputer, 2, 1912–1920.
https://j- ptiik.ub.ac.id/index.php/j-
ptiik/article/download/1425/499/10275

Efrian, M. R., & Latifa, U. (2022). Image

Recognition Berbasis Convolutional Neural
Network (Cnn) Untuk Mendeteksi Penyakit
Kulit Pada Manusia. Jurnal POLEKTRO:
Jurnal Power Elektronik, 11.
https://www.neliti.com/id/publications/52
2719/image-recognition-berbasis-
convolutional-neural-network-cnn-untuk-
mendeteksi-pen

Minarno, A. E., Hazmi Cokro Mandiri, M.,

Munarko, Y., & Hariyady, H. (2021).
Convolutional neural network with
hyperparameter tuning for Brain Tumor
Classification. Kinetik: Game Technology,
Information System, Computer Network,
Computing, Electronics, and Control.
https://doi.org/10.22219/kinetik.v6i2.1219

Solihin, A., Mulyana, D. I., & Yel, M. B. (2022).

Klasifikasi Jenis Alat Musik Tradisional
Papua menggunakan Metode Transfer
Learning dan Data Augmentasi. Jurnal
SISKOM-KB (Sistem Komputer Dan
Kecerdasan Buatan), 5(2), 36–44. doi:
10.47970/siskomkb.v5i2.279

Aryanto Wijaya, D., Triayud, A., & Gunawan,

A. (2023). Penerapan Artificial Intelligence
Untuk Klasifikasi Penyakit Kulit Dengan
Metode Convolutional Neural Network
Berbasis Web. Journal of Computer System
and Informatics (JoSYC), 4(3), 685–692.
https://doi.org/10.47065/josyc.v4i3.3519

Qomaruddin, M., Riana, D., & Anton, A. (2021).

Segmentasi K-Means Citra Daun Tin
Dengan Klasifikasi Ciri Gray Level Co
Occurance Matrix. Jurnal Sistem Dan
Teknologi Informasi (Justin), 9(2), 223.
https://doi.org/10.26418/justin.v9i2.4413
9

44