Augmentasi Data Berbasis Progressive Growing GAN untuk Model Label Distribution Smoothing dalam Klasifikasi Citra Jerawat

Muhammad Rafly Indrawan, Arif Nurwidyantoro, S.Kom., M.Cs., Ph.D

2026 | Tesis | MAGISTER KECERDASAN ARTIFISIAL

Keterbatasan jumlah dan variasi citra jerawat masih menjadi hambatan utama dalam pengembangan model deep learning, terutama karena minimnya dataset medis berkualitas serta adanya batasan etis dan privasi dalam pengambilan citra wajah pasien. Teknik augmentasi konvensional seperti rotasi dan flipping hanya menghasilkan variasi sederhana tanpa menambah informasi visual baru, sehingga kurang efektif untuk domain medis yang membutuhkan keberagaman tekstur dan tingkat keparahan lesi. Untuk mengatasi hal tersebut, pendekatan generatif berbasis GAN dapat dimanfaatkan guna menghasilkan citra sintetis yang lebih realistis dan variatif. Meskipun DCGAN telah banyak digunakan dalam augmentasi citra medis, model ini masih menghadapi masalah seperti ketidakstabilan pelatihan dan keterbatasan resolusi sintetis. Penelitian ini menilai sejauh mana augmentasi berbasis Progressive Growing GAN (PGGAN) dapat meningkatkan performa model klasifikasi jerawat dengan cara membandingkan hasilnya terhadap model yang dilatih menggunakan data asli tanpa augmentasi, model dengan augmentasi konvensional, dan model yang memakai DCGAN sebagai pembanding dasar. Evaluasi dilakukan menggunakan metrik accuracy, precision, sensitivity, specificity, Mean Squared Error, dan Mean Absolute Error. Hasil penelitian menunjukkan bahwa augmentasi berbasis PGGAN memberikan peningkatan kinerja yang paling konsisten dibandingkan skenario lainnya. Model LDS yang dilatih dengan data hasil PGGAN mencapai akurasi sekitar 0,81, yang merupakan performa terbaik dibandingkan data asli, augmentasi konvensional, maupun DCGAN. Temuan ini menjadi dasar bahwa PGGAN dapat direkomendasikan sebagai strategi augmentasi yang lebih efektif untuk mengatasi keterbatasan data pada domain dermatologi.

The limited availability and diversity of acne images remain a major obstacle in developing deep learning models, primarily due to the scarcity of high-quality medical datasets and ethical restrictions and privacy in collecting patient facial data. Conventional augmentation techniques such as rotation and flipping generate only superficial variations without introducing new visual information, making them less effective for medical domains that require rich texture diversity and a wide range of lesion severities. To address this issue, generative approaches based on GANs can be utilized to produce more realistic and diverse synthetic images. Although DCGAN has been widely used for medical image augmentation, it often suffers from training instability and limited output resolution. This study investigates the extent to which augmentation using Progressive Growing GAN (PGGAN) can enhance acne severity classification performance by comparing it against models trained on original data without augmentation, models using conventional augmentation, and models employing DCGAN as the baseline generative approach. The evaluation incorporates accuracy, precision, sensitivity, specificity, Mean Squared Error, and Mean Absolute Error as performance metrics. The results show that PGGAN-based augmentation provides the most consistent improvement across all scenarios. The LDS model trained with PGGAN-generated images achieves an accuracy of 0.81, representing the best performance compared to the original data, conventional augmentation, and DCGAN. These findings demonstrate that PGGAN can serve as a more effective augmentation strategy to overcome data limitations in dermatology-related applications.

Kata Kunci : Progressive Growing GAN (PGGAN), DCGAN, Synthetic Data Augmentation, Acne Severity Classification, Deep Learning, Convolutional Neural Network (CNN)