PERBANDINGAN ARSITEKTUR ALEXNET DAN MOBILENETV3-SMALL MENGGUNAKAN ATTENTION MECHANISM PADA PENYAKIT CACAR

Abstract

Indonesia menghadapi tantangan diagnosis penyakit cacar seperti cacar air, cacar monyet, dan cacar sapi, yang sulit dibedakan secara visual. Permasalahan utama adalah kebingungan diagnosis di daerah terpencil, membebani sistem kesehatan akibat keterbatasan perangkat. Penelitian ini bertujuan membandingkan empat model CNN berbasis transfer learning pada AlexNet dan MobileNetV3-Small dengan integrasi Channel Attention Mechanism untuk meningkatkan akurasi deteksi lesi kulit. Metode menggunakan dataset MSLD v2.0 (755 citra, 6 kelas: Monkeypox, Chickenpox, Cowpox, Measles, HFMD, Healthy) dengan split 80-10-10, preprocessing 224x224 piksel, augmentasi data, optimizer Adam (lr 0.0001/0.001, batch 16/32), 50 epoch, serta fine-tuning dengan custom head (Global Average Pooling, Channel Attention, Dense 256, Dropout 0.5, Softmax). Hasil evaluasi via confusion matrix menunjukkan model optimal berakurasi tertinggi, precision/recall/F1-score superior, waktu inferensi rendah, dan kompleksitas ringan, cocok untuk perangkat terbatas