Klasifikasi Citra Kulit Sehat Dan Tidak Sehat Menggunakan Metode Simsiam

Penelitian ini bertujuan mengklasifikasikan citra kulit sehat dan tidak sehat menggunakan metode Self-Supervised Learning (SSL) SimSiam untuk memitigasi keterbatasan ketersediaan data berlabel pada domain medis. Sistem ini menggunakan arsitektur ResNet-18 sebagai backbone encoder yang dilatih dengan teknik dual stochastic augmentation untuk mempelajari representasi fitur visual secara mandiri. Pengujian dilakukan menggunakan total 800 dataset citra, yang terdiri dari 200 data primer hasil akuisisi kamera smartphone dan 600 data sekunder dari repositori Kaggle serta Dermnet. Hasil menunjukkan model mampu beroperasi stabil dengan tingkat akurasi 96,67%, sensitivitas (recall) 98,46%, dan spesifisitas 94,55%. Melalui visualisasi Grad-CAM, sistem terbukti secara presisi mampu mengidentifikasi area lesi patologis pada citra kulit. Sistem ini diharapkan dapat membantu proses klasifikasi kondisi kulit secara digital dengan tingkat efisiensi anotasi yang lebih tinggi.