PERBANDINGAN KINERJA MODEL EFFICIENTNET UNTUK KLASIFIKASI LUKA LUAR BERDASARKAN CITRA DIGITAL

Klasifikasi luka luar secara cepat dan akurat penting dalam menentukan penanganan medis. Untuk mendukung proses tersebut, penelitian ini menerapkan seluruh varian EfficientNet dari EfficientNetB0 hingga EfficientNetB7 dengan pendekatan Transfer Learning untuk mengklasifikasikan enam jenis luka luar. Ketidakseimbangan pada 462 citra awal diatasi dengan oversampling hingga menghasilkan 834 citra yang kemudian diperkaya melalui augmentasi data. Seluruh model dilatih menggunakan optimizer Adam serta dioptimalkan dengan EarlyStopping dan ReduceLROnPlateau. Hasil pengujian menunjukkan bahwa EfficientNetB2 memberikan performa paling stabil dengan akurasi 95.24% dan F1 Score Macro 0.95. Sementara itu, model berukuran lebih besar seperti EfficientNetB7 mengalami overfitting meskipun akurasi pelatihannya tinggi. Berdasarkan temuan tersebut, EfficientNetB2 direkomendasikan sebagai arsitektur yang paling efektif untuk klasifikasi luka luar pada dataset berukuran terbatas.

Kata Kunci: Deep Learning, EfficientNet, Klasifikasi Citra, Luka Luar, Transfer Learning