SISTEM REKOMENDASI DETEKSI PENYAKIT KUNING PADA BAYI MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK BERBASIS CITRA KULIT

Penyakit kuning pada bayi akibat hiperbilirubinemia berpotensi menyebabkan kernikterus, sehingga deteksi dini secara tepat waktu sangat dibutuhkan. Metode invasif seperti pengambilan sampel darah langsung dapat membuat stres pada bayi, sementara metode non-invasif saat ini memiliki keterbatasan aksesibilitas. Penelitian ini mengembangkan sistem rekomendasi deteksi penyakit kuning non-invasif berbasis analisis citra kulit bayi menggunakan pendekatan deep learning. Sebuah arsitektur Convolutional Neural Network (CNN) DeepLabv3+ diimplementasikan untuk segmentasi simultan area kulit relevan, dan EfficientNetb3 untuk klasifikasi tingkat keparahan berdasarkan Metode Kramer. Hasil penelitian menunjukkan bahwa model CNN segmentasi mencapai recall rata rata sebesar 84%, dan akurasi 80,4%. Kemudian, recall klasifikasi rata-rata sebesar 90,5%, dan akurasi 88,7%. Sistem ini tidak hanya mampu mendeteksi penyakit kuning secara non-invasif tetapi juga memberikan rekomendasi penanganan sesuai dengan tingkat keparahan yang terklasifikasi. Penelitian ini memiliki potensi untuk dikembangkan lebih lanjut melalui integrasi ke perangkat mobile, perluasan dataset dengan variasi jenis kulit yang lebih beragam, serta eksplorasi algoritma lainnya untuk meningkatkan kinerja dan akurasi sistem deteksi.

Kata Kunci: Sistem Rekomendasi, Penyakit Kuning, Bayi, Convolutional Neural Network, Metode Kramer.