SKRIPSI IF

KLASIFIKASI CITRA LIDAH BERBASIS CNN MENGGUNAKAN MODEL YOLOV11

---

ABSTRAK

Masalah defisiensi zat besi masih menjadi tantangan serius dalam sektor kesehatan masyarakat di Indonesia. Kekurangan zat besi dapat memicu berbagai gangguan kesehatan, termasuk stunting pada anak, yang berdampak jangka panjang terhadap perkembangan fisik dan kognitif. Salah satu indikator visual awal dari kondisi ini adalah perubahan pada warna dan tekstur lidah. Sayangnya, metode identifikasi manual seperti observasi langsung atau penggunaan alat bantu visual seperti Tongue Spoon masih memiliki keterbatasan objektivitas akibat faktor pencahayaan, sudut pandang, dan persepsi individu. Oleh karena itu, diperlukan pendekatan berbasis teknologi yang lebih akurat dan konsisten dalam mendeteksi tanda-tanda awal kekurangan zat besi.

Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi kondisi lidah menggunakan algoritma YOLOv11, sebuah model deep learning berbasis Convolutional Neural Network (CNN) yang dirancang untuk deteksi objek secara real-time. Model ini dilatih untuk mendeteksi area lidah dalam citra dan menganalisis karakteristik visual seperti warna dominan dan tekstur permukaan. Warna lidah sehat umumnya merah muda cerah, sementara lidah yang mengalami defisiensi zat besi tampak pucat atau keputihan. Dengan memanfaatkan citra lidah dan algoritma deteksi otomatis, sistem ini mampu mengidentifikasi kondisi visual lidah secara konsisten dan objektif. Diharapkan, penerapan teknologi ini dapat membantu masyarakat dalam mendeteksi gangguan gizi secara mandiri dan lebih awal, serta menjadi alat bantu dalam edukasi dan pemantauan kesehatan berbasis citra digital.

Kata Kunci: Defisiensi Zat Besi, Kesehatan Lidah, YOLO, Mesin Pembelajaran, Visi Komputer




ABSTRACT

Iron deficiency remains a significant public health challenge in Indonesia. A lack of iron can lead to various health issues, including stunting in children, which has long-term impacts on physical and cognitive development. One of the early visual indicators of this condition is a change in the color and texture of the tongue. Unfortunately, manual identification methods—such as direct observation or the use of visual aids like the Tongue Spoon—still suffer from subjectivity due to lighting conditions, viewing angles, and individual perception. Therefore, a technology-based approach is needed to provide more accurate and consistent detection of early signs of iron deficiency.

This study aims to develop a tongue condition classification system using the YOLOv11 algorithm, a deep learning model based on Convolutional Neural Networks (CNN) designed for real-time object detection. The model is trained to detect the tongue area in images and analyze its visual characteristics, such as dominant color and surface texture. A healthy tongue typically appears bright pink, whereas a tongue affected by iron deficiency tends to look pale or whitish. By utilizing tongue images and automated detection algorithms, this system can identify tongue conditions consistently and objectively. It is expected that the implementation of this technology can assist the public in detecting nutritional disorders independently and at an early stage, while also serving as a tool for health education and digital image-based monitoring.

Keyword: Iron Deficiency, Infant Tongue, YOLO, Machine Learning, Computer Vision

---

Ketersediaan

S250925015

607.2 PER k

Perpustakaan STMIK AMIKBANDUNG

Tersedia

Informasi Detil

Judul Seri

-

No. Panggil

607.2 PER k

Penerbit

: ., 2025

Deskripsi Fisik

-

Bahasa

Indonesia

ISBN/ISSN

-

Klasifikasi

NONE

Tipe Isi

-

Tipe Media

-

Tipe Pembawa

-

Edisi

-

Subyek

-

Info Detil Spesifik

-

Pernyataan Tanggungjawab

-

Versi lain/terkait

Lampiran Berkas

Komentar

---

You must be logged in to post a comment