KLASIFIKASI TINGKAT KEPARAHANLUKABAKARBERBASIS AUTO-ROI (REGION OF INTEREST)MENGUNAKANYOLOv11DAN EFFICIENTNET

Klasifikasi tingkat keparahan luka bakar sangat penting untuk penanganan medis yang tepat, namun penilaian manual bersifat subjektif dan rentan terhadap kesalahan. Meskipun model deep learning digunakan untuk tugas ini, kinerjanya sering terhambat oleh gangguan latar belakang yang tidak relevan pada gambar klinis mentah. Penelitian ini mengusulkan kerangka kerja deep learning otomatis dan end-to-end yang mengintegrasikan YOLOv11s untuk ekstraksi Region of Interest (ROI) yang akurat serta EfficientNetB0 untuk klasifikasi tingkat keparahan. Karena kurangnya anotasi medis, mekanisme pseudo labeling yang memanfaatkan pengelompokan K Means diterapkan untuk mengkategorikan luka bakar menjadi luka bakar derajat pertama, kedua, dan ketiga. Model YOLOv11s mengisolasi lesi luka bakar dengan menerapkan kotak pembatas (bounding box) yang dilengkapi padding adaptif, sehingga mengekstraksi data visual yang bersih untuk klasifikator EfficientNetB0. Analisis perbandingan dilakukan antara model yang dilatih pada gambar utuh (tanpa pemotongan) dan model yang dilatih pada gambar ROI yang diekstraksi. Hasil eksperimen menunjukkan bahwa pendekatan berbasis ROI secara signifikan meningkatkan kinerja prediksi. Model YOLOv11s mencapai nilai “[email protected]” yang luar biasa sebesar 0,991 untuk deteksi lesi. Akibatnya, akurasi klasifikasi EfficientNetB0 meningkat dari 98,55% saat menggunakan gambar utuh menjadi 98,72% saat menggunakan gambar ROI, disertai dengan penurunan yang signifikan pada nilai validasi loss dari 0,2601 menjadi 0,2265. Dengan berhasil menghilangkan kebisingan latar belakang, kapasitas komputasi jaringan dapat difokuskan pada ciri-ciri patologis yang esensial, sehingga menghasilkan alat diagnostik yang sangat andal dan tangguh untuk penilaian tingkat keparahan luka bakar.

Kata kunci: Klasifikasi Luka Bakar, Deep Learning, EfficientNetB0, Region of Interest, YOLOv11s.