SMARTSCAN-DFU: SISTEM DETEKSI DINI LUKA KAKI DIABETES MENGGUNAKAN DEEP CONVOLUTIONAL NEURAL NETWORK (CNN)

Diabetes melitus merupakan penyakit tidak menular kronis dengan prevalensi global yang terus meningkat. Jumlah penderita diabetes di dunia mencapai sekitar 589 juta orang dewasa, dengan 252 juta di antaranya belum terdiagnosis. Salah satu komplikasi serius yang sering terjadi adalah Diabetic Foot Ulcer (DFU). Penelitian ini mengembangkan SmartScan-DFU, yaitu sistem deteksi dini luka kaki diabetes berbasis deep learning dengan membandingkan empat arsitektur model CNN. Dataset terdiri atas 4.446 citra yang diperoleh dari platform Roboflow Universe. Hasil evaluasi menunjukkan bahwa ResNet-50 memberikan performa terbaik dengan accuracy 87,19%, precision 0,87, recall 0,87, dan F1-score 0,87. Model ResNet-50 menunjukkan kinerja lebih baik dibandingkan ResNet-18 (81,22%), EfficientNet-B3 (72,44%), dan Custom CNN (61,00%). Perbandingan tersebut menunjukkan bahwa arsitektur CNN yang lebih maju dan kaya fitur, khususnya ResNet-50, memiliki kemampuan ekstraksi fitur spasial dan generalisasi yang lebih unggul terhadap variasi citra luka. Model terbaik kemudian diintegrasikan ke dalam antarmuka web berbasis Flask, yang memungkinkan klasifikasi citra DFU secara otomatis, cepat, dan akurat. Sistem ini diharapkan dapat membantu proses diagnosis awal luka kaki diabetes secara digital, mempercepat pengambilan keputusan klinis, dan mendukung pencapaian Sustainable Development Goals (SDGs) poin ke-3 tentang kehidupan sehat dan kesejahteraan.