Pengembangan Sistem Deteksi Herpes Kulit Menggunakan Metode Thresholding Dan Edge Detection
Main Article Content
Abstract
Herpes zoster merupakan infeksi virus yang menyerang kulit dan sistem saraf perifer, ditandai dengan kemunculan lesi kulit berwarna kemerahan berbentuk ruam atau lenting. Deteksi dini terhadap lesi herpes penting untuk mendukung diagnosis klinis dan mencegah komplikasi lanjut. Penelitian ini bertujuan untuk mengembangkan sistem deteksi otomatis lesi herpes berbasis segmentasi citra digital. Metode yang digunakan mencakup akuisisi citra pasien, pra-pemrosesan (konversi grayscale dan filtering Gaussian), serta segmentasi area terinfeksi menggunakan metode thresholding Otsu dan deteksi tepi Canny. Hasil segmentasi divisualisasikan dengan pemberian bounding box dan pelabelan numerik terhadap setiap area lesi. Pengujian dilakukan pada citra klinis penderita herpes dengan lima area lesi yang berhasil terdeteksi secara otomatis, masing-masing ditandai sebagai Area 1 hingga Area 5. Luas area tersegmentasi dihitung dalam satuan piksel dan diperoleh hasil sebagai berikut: Area 1 = 2.143 piksel, Area 2 = 1.912 piksel, Area 3 = 3.472 piksel, Area 4 = 1.165 piksel, dan Area 5 = 3.805 piksel. Evaluasi akurasi segmentasi dilakukan dengan perbandingan terhadap ground truth berbasis anotasi manual oleh ahli dermatologi. Hasil evaluasi menunjukkan tingkat akurasi sebesar 99,67%, sensitivitas 91,3%, dan spesifisitas 99,2%. Penelitian ini menunjukkan bahwa metode segmentasi citra digital efektif dalam mengidentifikasi lesi herpes pada kulit dengan tingkat akurasi yang tinggi. Sistem ini berpotensi menjadi alat bantu diagnosis awal yang bersifat non-invasif dan efisien, terutama pada fasilitas layanan kesehatan dengan keterbatasan sumber daya klinis.
Article Details

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
References
A. Irjayanti, A. Wambrauw, I. Wahyuni, and A. A. Maranden, “Personal Hygiene with the Incidence of Skin Diseases,” Jurnal Ilmiah Kesehatan Sandi Husada, vol. 12, no. 1, pp. 169–175, Jun. 2023, doi: 10.35816/jiskh.v12i1.926.
M. Maulana and H. ; Dedi Gunawan, “SISTEM KLASIFIKASI PENYAKIT KULIT PADA MANUSIA MENGGUNAKAN MACHINE LEARNING BERBASIS ANDROID.”
Y. Widya, A. Rustam, C. Chazar, and M. A. Ramdhani, “INFORMASI (Jurnal Informatika dan Sistem Informasi) Aplikasi Diagnosa Penyakit Kulit Menggunakan dengan Menggunakan Metode Convolutional Neural Networks.”
G. Ahli and M. Keperawatan, “LAPORAN KARYA TULIS ILMIAH ASUHAN KEPERAWATAN GASTRITIS DENGAN IMPLEMENTASI KOMPRES HANGAT PADA PASIEN NYERI ABDOMEN DI RSUD KABUPATEN REJANG LEBONG TAHUN 2023 Diajukan sebagai syarat untuk memperoleh.”
D. A. Priutomo, I. R. Magdalena, and N. Andini, “SIMULASI DAN ANALISIS SISTEM SMART TRAFFIC LIGHT BERBASIS PENGOLAHAN CITRA DIGITAL DENGAN METODE DETEKSI TEPI DAN SEGMENTASI Simulation and Analysis of System Smart Traffic Light Based on Digital Image Processing with Edge Detection and Segmentation.”
Ms. apt Dini Kesuma, Ms. apt Saeful Amin, Ms. Richa Mardianingrum, and Ms. Reva Eliftiana, IMMUNOINFORMATICS: DESAIN VAKSIN VARICELLA ZOSTER VIRUS (VZV) STRAIN DUMAS P09257. 2025. [Online]. Available: www.rcipress.rcipublisher.org
M. R. Kumaseh, L. Latumakulita, and N. Nainggolan, “SEGMENTASI CITRA DIGITAL IKAN MENGGUNAKAN METODE THRESHOLDING.”
F. Lavenia, C. M. Sidik Ramdani, and I. Hoeronis, “Klasifikasi Penyakit Pulpitis Pada Citra Radiografi Periapikal Menggunakan Metode Convolutional Neural Network (CNN),” Media Jurnal Informatika, vol. 16, no. 1, p. 61, Jun. 2024, doi: 10.35194/mji.v16i1.4098.
V. Muslimah et al., “Kemajuan dalam Ilmu Informatika Dari Decision Support System Menuju Artificial Intelligence.”
W. Maria Misela A., W. Rahayu, and U. Wirantasa, “9210-26643-1-PB”.
Y. Bagas Pattimura, M. Paitin Kanoena, and A. Dwi Hartanto, “Implementasi Algoritma Naïve Bayes dalam Identifikasi Citra Jenis Penyakit Cacar Dengan Image Processing,” Information Technology Journal, vol. 5, no. 1, 2023.
C. Lubis, D. Yuliarto, U. Tarumanagara Jakarta, R. Sakit Tiara Tangerang, and K. Kunci, “KLASIFIKASI PENYAKIT KULIT MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN) DENGAN ARSITEKTUR VGG16,” vol. 8, no. 1, 2023.
I. R. Agustin and M. B. N. Putra, “Prediction of Skin Diseases using Convolutional Neural Networks as an Effort to Prevent Their Spread in Islamic Boarding School Environments,” Khazanah Journal of Religion and Technology, vol. 1, no. 2, pp. 49–53, Dec. 2023, doi: 10.15575/kjrt.v1i2.296.
Y. Wiyandra, I. Fitri, and Yuhandri, “Development of Feature Extraction for CT-scan Images in Detecting Auditory Ossicle Erosion,” Journal of Advances in Information Technology, vol. 15, no. 12, pp. 1380–1391, 2024, doi: 10.12720/jait.15.12.1380-1391.
F. Yenila, Yuhandri, and Okfalisa, “Enhancing ECG Images Using Wave Translation Algorithm with CWT—The Coronary Atherosclerosis Detection,” Journal of Advances in Information Technology, vol. 16, no. 2, pp. 251–263, 2025, doi: 10.12720/jait.16.2.251-263.
Imam Fathurrahman, Mahpuz, Muhammad Djamaluddin, Lalu Kerta Wijaya, and Ida Wahidah, “Pengembangan Model Convolutional Neural Network (CNN) untuk Klasifikasi Penyakit Kulit Berbasis Citra Digital,” Infotek: Jurnal Informatika dan Teknologi, vol. 8, no. 1, pp. 298–308, Jan. 2025, doi: 10.29408/jit.v8i1.28655.