KLASIFIKASI PENYAKIT DIABETES MELLITUS DARI CITRA KULIT RNN

(Recurrent Neural Networks)

1. Latar Belakang
Kegiatan dalam melakukan prediksi terhadap berbagai penyakit telah banyak dilakukan dalam
berbagai bidang keilmuan.

2. Tujuan
Tujuan dari pengambilan data ini adalah untuk memprediksi secara diagnostik apakah seorang
pasien menderita diabetes atau tidak berdasarkan pengukuran diagnostik tertentu.

3. Kontribusi
Model dan dataset yang dibuat dalam klasifikasi penyakit diabetes mellitus dari kulit
berdasarkan parameter yang ditentukan.

4. Parameter
1. Akantosis nigrikans
2. Penebalan kulit diabetic
3. Diabetes LJM (Limited joint mobility)
4. Skleredema Diabetikorum (Scleredema Diabetivorum)
5. Erupsi Xanthoma (Eruptive Xanthomas)
6. Infeksi kulit
7. Ulkus Diabetik
8. Nekrobiosis Lipoidika (Necrobiosis Lipoidica)
9. Granuloma Anulare
10. Dermopati diabetik (Diabetic Dermopathy)
11. Kelainan perforasi didapat (Acquired Perforating Disorders)

5. Metode yang digunakan

Model RNN dapat terdiri dari beberapa lapisan LSTM (Long Short-Term Memory) untuk
memproses input dan menghasilkan output kelas. Output kelas dapat berupa kemungkinan
bahwa data tersebut termasuk dalam kelas diabetes atau tidak diabetes. Setelah model selesai
dibuat, perlu dilakukan pelatihan model dengan menggunakan set pelatihan. Pelatihan model
akan menyesuaikan bobot dan bias di dalam model agar model dapat memberikan hasil yang
lebih baik pada data yang tidak dilihat sebelumnya. Setelah pelatihan selesai, model dapat diuji
dengan menggunakan set pengujian. Dalam rangka evaluasi, model dapat diuji pada data
pengujian dan kemudian dihitung skor akurasi. Skor akurasi akan memberikan informasi tentang
seberapa baik model bekerja pada data pengujian. Kemudian, model dapat dijadikan dasar
untuk klasifikasi data yang tidak dilihat sebelumnya. Namun, penting untuk diingat bahwa RNN
mungkin tidak selalu merupakan pilihan terbaik untuk masalah klasifikasi diabetes. Ada banyak
arsitektur jaringan saraf lainnya seperti Convolutional Neural Network (CNN) atau Multi-Layer
Perceptron (MLP) yang dapat diterapkan pada masalah ini. Oleh karena itu, sebelum
 memutuskan untuk menggunakan RNN, penting untuk mempertimbangkan arsitektur jaringan
saraf lainnya dan memilih yang paling cocok untuk masalah klasifikasi diabetes.

6. Cara Kerja Algoritma

 Preprocessing
 Ekstraksi Fitur
 Pembuatan model lstm
 Pelatihan model
 Evaluasi model
 Prediksi