Deteksi Diabetes Menggunakan Analisis Citra Kuku Berbasis Vision Transformer CNN-LSTM
Abstract
Diabetes mellitus is a chronic metabolic disease that requires early detection to prevent complications. However, commonly used diagnostic methods are still invasive and require laboratory testing. This study aims to develop a diabetes detection model based on nail image analysis using the Hybrid Vision Transformer–Convolutional Neural Network–Long Short-Term Memory (Vision Transformer–CNN–LSTM) method as a non-invasive approach. The study included dataset collection, image preprocessing, including resizing, normalization, segmentation, dataset partitioning, model training, and evaluation using a confusion matrix. The Vision Transformer was used to capture a global image representation, the Convolutional Neural Network extracted local features, and the Long Short-Term Memory enhanced the feature representation before the classification process. Test results showed that the model achieved 93.33% accuracy, 91.89% precision, 94.44% recall, 93.13% F1-score, and an Area Under the Curve of 0.972. These results demonstrate that the proposed model is capable of accurately detecting diabetes and has the potential to be a fast, easy, and non-invasive alternative for initial screening based on nail images.
Keywords: Diabetes mellitus; nail image; Vision Transformer; Convolutional Neural Network–Long Short-Term Memory; Early detection.
Abstrak
Diabetes mellitus menjadi penyakit metabolik kronis yang memerlukan deteksi dini untuk mencegah terjadinya komplikasi, namun metode diagnosis yang umum digunakan masih bersifat invasif dan memerlukan pemeriksaan laboratorium. Penelitian ini bertujuan mengembangkan model deteksi diabetes berbasis analisis citra kuku menggunakan metode Hybrid Vision Transformer–Convolutional Neural Network–Long Short-Term Memory (Vision Transformer–CNN–LSTM) sebagai pendekatan noninvasif. Penelitian dilakukan melalui tahapan pengumpulan dataset, preprocessing citra berupa resize, normalisasi, segmentasi, pembagian dataset, pelatihan model, dan evaluasi menggunakan confusion matrix. Vision Transformer dimanfaatkan untuk menangkap representasi global citra, Convolutional Neural Network mengekstraksi fitur lokal, sedangkan Long Short-Term Memory memperkuat representasi fitur sebelum proses klasifikasi. Hasil pengujian menunjukkan bahwa model menghasilkan accuracy 93,33%, precision 91,89%, recall 94,44%, F1-score 93,13%, dan Area Under Curve sebesar 0,972. Hasil tersebut menunjukkan bahwa model yang diusulkan mampu mendeteksi diabetes secara akurat serta berpotensi menjadi alternatif skrining awal berbasis citra kuku yang cepat, mudah, dan noninvasif.
Kata kunci: Diabetes mellitus; citra kuku; Vision Transformer; Convolutional Neural Network–Long Short-Term Memory; Deteksi dini
References
Indra, S. Anto, L. O. Ardiansyah, and R. Toding, “Hubungan Lama Menderita Dan Kepatuhan Diet Dengan Quality Of Life Pasien Diabetes Melitus Di Rumah Sakit Umum Bahteramas,” J. Media Keperawatan Univ. Widya Nusant., vol. 14, no. 2, pp. 64–68, 2023.
P. Greis, U. Kalsum, E. Wisudariani, R. Halim, and H. Suryani, “Faktor Risiko Kejadian Diabetes Melitus Tipe 2 pada Pegawai Pemerintah di Indonesia (Analisis Data SKI Tahun 2023),” J. Ilm. Kedokt. dan Kesehat., vol. 4, no. September, pp. 291–305, 2025.
Rista Riviani, Erna Mutiara, Heru Santosa, and Arifa Masyitah, “Analisis Spasial Kasus Diabetes Melitus dan Faktor Risiko di Provinsi Sumatera Utara Tahun 2023,” J. Pengabdi. Masy. dan Ris. Pendidik., vol. 4, no. 1, pp. 972–979, 2025, doi: 10.31004/jerkin.v4i1.1683.
I. Ema Purwaningsih, Ludiana, “Penerapan Senam Kaki Diabetes Untuk Meningkatkan Sensitivitas Kaki Pasien Diabetes Mellitus Tipe Ii Di Puskesmas Metro,” J. Cendikia Muda Vol. 3, Nomor 2, Juni 2023 ISSN 2807-3469, vol. 3, pp. 235–244, 2023.
P. H. Safitri, T. Mustaqim, and D. Muhajir, “Analisis Perbandingan Metode Preprocessing untuk Citra Retinopati Diabetik Menggunakan Deep learning,” J. Algoritm., vol. 22, no. 2, pp. 1814–1821, 2025, doi: 10.33364/algoritma/v.22-2.2324.
Hendra Irawan Wijaya Kusuma and Bagus Satrio Waluyo Poetro, “Deteksi Diabetic Retinopathy Menggunakan Convolutional Neural Network Berbasis Efficientnet Dan Grad-Cam Pada Citra Fundus Retina,” J. Rekayasa Sist. Inf. dan Teknol., vol. 3, no. 1, pp. 126–138, 2025, doi: 10.70248/jrsit.v3i1.2896.
Kenny Belle Lesmana and I Ketut Gede Suhartana, “Deteksi Penyakit Diabetes Menggunakan Gaussian Naive Bayes, Regresi Logistik, dan Random Forest,” J. Nas. Teknol. Inf. dan Apl., vol. 1, no. 4, pp. 1209–1214, 2023, doi: 10.24843/jnatia.2023.v01.i04.p25.
F. A. Shidik, K. Mustofa, A. P. Kartiningtyas, and T. Agustin, “Analisis Citra Medis Untuk Identifikasi Penyakit Mata Dengan Teknologi Convolutional Neural Networks,” Semin. Nas. Amikom Surakarta 2024, no. November, pp. 68–80, 2024.
H. S. Wulandari, A. Aziz, and K. Kunci, “Implementasi Model LSTM, CNN+LSTM Hybrid, dan Transformer untuk Prediksi Cuaca Harian Berbasis Data Multivariat,” Technol. Sci., vol. 7, no. 2, pp. 1005–1016, 2025, doi: 10.47065/bits.v7i2.7655.
W. M. Ardana and Kusrini, “Optimasi Algoritma Convolutional Neural Network dengan Arsitektur Efficientnet-B0 dan Resnet-50 untuk Klasifikasi Jenis Sampah,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 5, no. 4, pp. 1274–1286, 2025.
Anditya. I Gede Made Widi and Mastrika. Gst. Ayu Vida, “Klasifikasi Kematangan Tomat pada Citra Digital Menggunakan DeiT (Data-efficient Image Transformer),” J. Nas. Teknol. Inf. dan Apl., vol. 3, no. 4, pp. 737–744, 2025, [Online]. Available: https://www.kaggle.com/datasets/sujaykapadnis/tomato-maturity-detection-and-quality-grading.
R. Sari, A. E. Minarno, and Y. Azhar, “Implementasi Jaringan CNN-LSTM Untuk Deteksi Citra X-Ray Dada Covid-19,” J. Repos., vol. 4, no. 4, pp. 451–462, 2024, doi: 10.22219/repositor.v4i4.32290.
P. S. Gagah Daruhadi, “Metode Pengumpulan Data Penelitian,” J-CEKI J. Cendekia Ilm. Vol.3, No.5, 2024, vol. 3, no. 5, pp. 5423–5443, 2024.
Rio Subandi, Herman, and Anton Yudhana, “Pre-Processing Pada Klasifikasi Citra Medis Pneumonia,” Decod. J. Pendidik. Teknol. Inf., vol. 4, no. 1, pp. 86–93, 2023, doi: 10.51454/decode.v4i1.198.
F. Salim et al., “Jurnal Computer Science and Information Technology ( CoSciTech ) Klasifikasi Berita Palsu Menggunakan Pendekatan Hybrid CNN-LSTM Fake News Classification Using Hybrid CNN-LSTM Approach,” J. Comput. Sci. Inf. Technol., vol. 6, no. 1, pp. 55–59, 2025.
A. N. Juniar, S. Mahdi, H. Hendra, G. L. Wardhani, and R. Raudah, “Sistem Otomatisasi Blur Citra Wajah Menggunakan Gaussian Filter Dan Dlib CNN,” Elektr. Borneo, vol. 9, no. 2, pp. 109–113, 2023, doi: 10.35334/eb.v3i2.2307.
I. P. Surya Ario Pratama, Gasim, “Pengaruh Resize Citra terhadap Pengenalan Sidik Jari dengan Pendekatan Klasifikasi SVM,” J. Pendidik. Sains dan Komput., vol. 6, no. 02, pp. 144–155, 2026.
P. W. Bambang Irawan, Nur Ariesanto Ramdhan, “Optimasi Algoritma Adam untuk Peningkatan Akurasi Klasifikasi Penyakit Daun Padi Berbasis CNN,” Smart Comp Jurnalnya Orang Pint. Komput., vol. 13, no. 105, pp. 738–743, 2024.
Yudha Riwanto, Inggrid Yanuar Risca Pratiwi, and Muhammad Ainul Fikri, “Segmentasi Citra Menggunakan Pendekatan Trial and Error dan Metode Otsu untuk Identifikasi Objek,” J. Inform. Polinema, vol. 11, no. 3, pp. 371–378, 2025, doi: 10.33795/jip.v11i3.7046.
D. Mirwansyah, A. Solichin, R. Hardi, N. Wanti Wulan Sari, N. Arista Rizki, and D. Aldo, “Augmentasi Citra Pohon Kelapa Sawit untuk Deteksi Objek Berbasis Deep Learning,” Metik J., vol. 9, p. 2025, 2025, doi: 10.47002/metik.v9i1.1001.
Y. Darmayunata and L. F. Lhaura Van, “Benchmarking Cnn, Lstm, And Vision Transformer Models For Multilingual Sign Language Recognition: A Case Study On ASL, ISL, AND BISINDO,” J. Sist. Inf., vol. 8, no. 1, pp. 255–265, 2026.
How To Cite This :
Refbacks
- There are currently no refbacks.
