KOMPARASI ARSITEKTUR VGG16 DAN RESNET50 DENGAN EKSTRAKSI FITUR GLCM DALAM MENDETEKSI MONKEYPOX

Najla Qurrata Aini Putri Yusrizal; Isa Faqihuddin Hanif;

ABSTRAK

Komparisasi Arsitektur VGG16 dan RESNET50 dengan Ekstraksi Fitur GLCM dalam Mendeteksi Monkeypox

Najla Qurrata Aini Putri Yusrizal

Meningkatnya jumlah kasus cacar monyet telah menjadi masalah kesehatan global yang menuntut
diagnosis yang cepat dan akurat. Di Indonesia, kasus cacar monyet mencapai 88 korban per Agustus
2024. Gejala kompleks cacar monyet, yang sering menyerupai penyakit lain membutuhkan
teknologi canggih untuk membedakannya dalam waktu singkat. Tujuan dari penelitian ini adalah
untuk meningkatkan akurasi dan efisiensi model dalam mengidentifikasi lesi kulit cacar monyet
secara otomatis dan cepat, sehingga mendukung proses diagnosis medis dengan lebih efektif. Studi
ini mengusulkan pendekatan inovatif dengan menggabungkan ekstraksi fitur Gray Level Co-
occurrence Matrix (GLCM) dengan arsitektur pembelajaran mendalam ResNet50 dan VGG16 untuk
mendeteksi cacar monyet pada gambar lesi kulit. Hasilnya menunjukkan peningkatan yang
signifikan dalam akurasi klasifikasi untuk ResNet50 dan VGG16. Model GLCM-VGG16 mencapai
akurasi 95,75%, peningkatan 18,57% dari 77,18% aslinya tanpa fitur GLCM. Model GLCM-
ResNet50 mencapai akurasi 98,07%, menandai peningkatan 44,82% dari awal 53,25%. Waktu
pelatihan model dengan fitur GLCM juga lebih cepat dibandingkan dengan model tanpa GLCM.
Integrasi GLCM berhasil menangkap karakteristik tekstur unik pada lesi cacar monyet, sehingga
meningkatkan kemampuan model untuk membedakannya dari penyakit kulit lainnya. Penelitian ini
menunjukkan bahwa kombinasi GLCM dengan arsitektur CNN dapat menjadi pendekatan yang
efektif untuk mendeteksi penyakit kulit secara akurat dan efisien.

Kata kunci: GLCM; Monkeypox; ResNet50; VGG16

Comparison of VGG16 and ResNet50 Architectures Using GLCM Feature Extraction in Detecting Monkeypox

Najla Qurrata Aini Putri Yusrizal

The increasing number of monkeypox cases has become a global health issue that de-mands rapid
and accurate diagnosis. In Indonesia, monkeypox cases reached 88 victims as of August, 2024. The
complex symptoms of monkeypox, which often resemble those of other diseases, require advanced
technology to distinguish them in a short amount of time. The purpose of this research is to enhance
the accuracy and efficiency of the model in identifying monkeypox skin lesions automatically and
quickly, thereby supporting the medical diagnosis process more effectively. This study proposes an
innovative approach by combining Gray Level Co-occurrence Matrix (GLCM) feature extraction
with deep learning architectures ResNet50 and VGG16 for detecting monkeypox in skin lesion im-
ages The results show a significant improvement in classification accuracy for both Res-Net50 and
VGG16. The GLCM-VGG16 model achieved an accuracy of 95.75%, an im-provement of 18.57%
from its original 77.18% without GLCM features. The GLCM-ResNet50 model reached an accuracy
of 98.07%, marking a 44.82% increase from the initial 53.25%. The training time of models with
GLCM features was also faster compared to models without GLCM. The integration of GLCM
successfully captured unique texture characteristics in monkeypox lesions, thereby enhancing the
model's ability to distinguish them from other skin diseases. These findings indicate that the
combination of GLCM with CNN architectures can be an effective approach for accurately and
efficiently detect-ing skin diseases.

Keywords: GLCM; Monkeypox; ResNet50; VGG16