Penyakit kulit seperti jerawat (acne) merupakan salah satu masalah dermatologi yang paling umum dialami. Mengidentifikasi jenis jerawat secara manual pada pasien membutuhkan ketelitian serta wawasan klinis, terutama saat wajah memiliki banyak lesi jerawat yang berbeda jenis. Untuk mengotomatisasikan proses identifikasi ini, pengembangan sistem Object Detection menjadi sebuah solusi yang menjanjikan. Pada proyek ini, kami menggunakan framework deep learning dari PyTorch untuk mendeteksi empat kelas utama jerawat, yaitu comedone, nodules, papules, dan pustules. Model dilatih dengan menggunakan unit pemrosesan grafis (GPU) NVIDIA RTX A4000 yang mampu mempercepat proses training model.
+-----------------------------------------------------------------------------------------+
| NVIDIA-SMI 550.144.03 Driver Version: 550.144.03 CUDA Version: 12.4 |
|-----------------------------------------+------------------------+----------------------+
| GPU Name Persistence-M | Bus-Id Disp.A | Volatile Uncorr. ECC |
| Fan Temp Perf Pwr:Usage/Cap | Memory-Usage | GPU-Util Compute M. |
| | | MIG M. |
|=========================================+========================+======================|
| 0 NVIDIA RTX A4000 Off | 00000000:00:05.0 Off | Off |
| 41% 43C P8 15W / 140W | 2MiB / 16376MiB | 0% Default |
| | | N/A |
+-----------------------------------------+------------------------+----------------------+
+-----------------------------------------------------------------------------------------+
| Processes: |
| GPU GI CI PID Type Process name GPU Memory |
| ID ID Usage |
|=========================================================================================|
| No running processes found |
+-----------------------------------------------------------------------------------------+
Metodologi
Penelitian ini diawali dengan pengumpulan data gambar dari dataset berformat COCO yang memuat label bounding box dari berbagai tipe jerawat. Setelah data dikumpulkan, kami menerapkan proses pra-pemrosesan serta augmentasi data secara dinamis pada saat training berlangsung. Pustaka Albumentations digunakan secara intensif untuk melakukan transformasi visual seperti rotasi, penyesuaian kontras (contrast), kecerahan (brightness), hingga refleksi horizontal. Hal ini sangat krusial guna meningkatkan keragaman citra latih agar model tidak mengalami overfitting serta mampu membedakan tekstur dan warna jerawat yang kompleks. Kemudian, model dilatih dan dievaluasi secara iteratif menggunakan standar metrik mean Average Precision (mAP).
Model & Arsitektur
Arsitektur yang dikembangkan yaitu Faster R-CNN (Region-Convolutional Neural Network), sebuah arsitektur object detection. Backbone model kami menggunakan ResNet50 yang digabungkan dengan Feature Pyramid Network (FPN). Mekanisme FPN ini berfungsi agar model mampu mendeteksi jerawat dalam berbagai ukuran, baik jerawat kecil (comedone) hingga jerawat yang bengkak membesar (nodules). Setelah fitur diekstraksi, komponen RPN bertugas menghasilkan usulan lokasi (proposals) yang kemudian diproses melalui RoI Align sebelum akhirnya diklasifikasikan dan diregresi oleh Fast R-CNN Predictor.
Dataset
Dataset yang digunakan berasal dari sekumpulan citra wajah yang sudah diberi anotasi secara manual oleh ahlinya. Anotasi tersebut direpresentasikan dalam standar COCO format yang mengandung koordinat letak jerawat (x, y, panjang, lebar) serta kategori dari jerawat tersebut. Pada proses eksplorasi data, kita mendapati adanya empat anomali kelas berupa comedone, nodules, papules, dan pustules. Total sampel yang ada dipartisi menjadi himpunan pelatihan, validasi, dan pengujian.
| Kategori ID | Nama Kelas | Tipe Super-Kategori | Deskripsi |
|---|---|---|---|
| 1 | comedone | Acne | Komedo tertutup atau terbuka |
| 2 | nodules | Acne | Jerawat meradang dan bengkak di bawah kulit |
| 3 | papules | Acne | Benjolan merah kecil pada permukaan |
| 4 | pustules | Acne | Jerawat bernanah dengan ujung putih |
Results
Berdasarkan serangkaian evaluasi yang komprehensif pada pengujian, model Faster R-CNN ini sukses mengenali dan memposisikan letak jerawat dengan performa yang memuaskan. Metrik unggulan dalam evaluasi Object Detection, yakni mAP (mean Average Precision) dan mAR (mean Average Recall), diukur dengan rentang Intersection over Union (IoU) yang ketat. Walaupun mendeteksi objek kecil seperti jerawat sangat menantang karena warna yang seringkali menyerupai warna kulit asli, nilai loss multi-task dapat menurun secara stabil berkat penggunaan algoritma optimisasi parameter yang mutakhir.
Hasil prediksi memperlihatkan bahwa model berhasil memberikan label beserta confidence score sebuah bounding box tepat di sekitar entitas jerawat. Model prediksi mendemonstrasikan perbandingan yang selaras apabila disandingkan dengan ground truth atau data akurat dari dokter kulit, sehingga sistem ini berpotensi kuat untuk diaplikasikan dalam sistem diagnostik klinik digital.
Kesimpulan
Proyek ini menunjukkan bahwa arsitektur Faster R-CNN dengan backbone ResNet50-FPN sangat efektif untuk mendeteksi berbagai jenis jerawat meskipun objeknya berukuran sangat kecil dan memiliki kemiripan warna dengan kulit. Berdasarkan hasil pengujian, model mencapai performa yang stabil dengan nilai mAP sebesar 0.4766 dan mAR sebesar 0.5127 pada data pengujian (test set).
Penggunaan mekanisme Feature Pyramid Network (FPN) terbukti krusial dalam menangkap detail lesi kecil seperti comedone sekaligus mengidentifikasi area peradangan yang lebih luas seperti nodules. Implementasi ini memiliki potensi besar untuk diintegrasikan ke dalam sistem bantuan diagnostik digital guna mendukung screening dermatologi yang lebih cepat, efisien, dan objektif. Untuk pengembangan ke depan, akurasi dapat ditingkatkan lebih jauh melalui penambahan variasi dataset serta eksplorasi teknik finetuning pada arsitektur yang lebih modern demi mencapai performa deteksi real-time yang lebih mumpuni.
Mau dibuatin juga?
Apakah kamu sedang mengerjakan tugas akhir, skripsi, atau riset publikasi di bidang Object Detection, Faster R-CNN, atau Computer Vision?
Tenang, Cordivai bisa bgt kok bantuin kamu. Cordivai udah berpengalaman selama 5 tahun membantu berbagai macam riset mulai dari tugas, paper, skripsi, thesis, disertasi bahkan kami telah menerbitkan paper di jurnal internasional Q1.
Cordivai BUKAN kayak joki-joki yang cuma dibuatin terus ditinggal kok, kita juga bakal ngebimbing kamu, ngajarin kamu dan bahkan jadi temen diskusi untuk proyek-proyek kamu. Masalah harga, kita bisa nego-nego di whatsapp ya.
Project kamu juga mau kita bantu? Ngobrol yuk. Walaupun belum bisa jadi client kita, seenggaknya kamu bisa jadi temen kita.