Klasifikasi Tingkat Keparahan Jerawat Menggunakan Metode K-Nearest Neighbor (KNN) dan Random Forest - Dalam bentuk buku karya ilmiah

GLORIA FLOURIN MAITIMU

Informasi Umum

Kode

25.04.6600

Klasifikasi

000 - General Works

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Data Science

Dilihat

35 kali

Informasi Lainnya

Abstraksi

<h3><strong>Abstrak</strong></h3> Kemajuan dalam pembelajaran mesin —khususnya di bidang dermatologi— telah membuka prospek yang kuat untuk penilaian otomatis terhadap gangguan kulit seperti jerawat. Penelitian ini mengimplementasikan dan membandingkan dua pengklasifikasi, K Nearest Neighbors (KNN) dan Random Forest, untuk mengkategorikan tingkat keparahan jerawat menjadi ringan, sedang, dan berat. Dua fitur numerik —kepadatan jerawat dan rata-rata tingkat kepercayaan— diperoleh dari hasil akhir YOLOv8 berdasarkan kotak pembatas jerawat dan kemudian digunakan sebagai input untuk pengklasifikasi. Model KNN mencapai akurasi 94%, sementara Random Forest mencapai 99%, dengan presisi, recall, dan F1-score yang lebih tinggi. Hasil ini menunjukkan bahwa memasangkan fitur turunan YOLOv8 dengan pengklasifikasi Random Forest merupakan pendekatan yang akurat dan menjanjikan untuk klasifikasi tingkat keparahan jerawat secara otomatis di bidang dermatologi.<br /> <br /> Kata kunci: <em>Jerawat, Pembelajaran Mesin, K-Nearest Neighbors, Random Forest, YOLOv8</em>

<h3><strong>Abstract</strong></h3> Advances in machine learning —particularly in the field of dermatology — have opened up strong prospects for automated assessment of skin disorders such as acne. This study implements and compares two classifiers, K-Nearest Neighbors (KNN) and Random Forest, to categorize acne severity into mild, moderate, and severe. Two numerical features —acne density and average confidence score — were derived from the YOLOv8 output based on the acne bounding box and then used as inputs to the classifiers. The KNN model achieved 94% accuracy, while Random Forest achieved 99%, with higher precision, recall and F1-scores. These results show that pairing YOLOv8-derived features with a Random Forest classifier is an accurate and promising approach for automated acne severity classification in dermatology.<br /> <br /> Keywords: <em>Acne, Machine Learning, K-Nearest Neighbors, Random Forest, YOLOv8</em>