Aplikasi Klasifikasi Jenis Jerawat Menggunakan Algoritma Convolutional  Neural Network (CNN) Berbasis Transfer Learning untuk  Rekomendasi Penanganan dan Perawatan Kulit

Siti Muyassaroh; Tri Widodo

doi:10.24252/instek.v11i2.73149

Authors

Siti Muyassaroh Universitas Teknologi Yogyakarta
Tri Widodo Universitas Teknologi Yogyakarta

DOI:

https://doi.org/10.24252/instek.v11i2.73149

Keywords:

acne vulgaris, aplikasi web, convolutional neural network, klasifikasi jerawat, transfer learning, EfficientNetB1

Abstract

Jerawat (acne vulgaris) merupakan masalah kulit yang umum dan dapat memengaruhi kondisi psikologis penderitanya. Identifikasi jenis jerawat yang masih dilakukan secara visual dan mandiri bersifat subjektif serta berisiko menimbulkan pemilihan perawatan yang kurang tepat. Penelitian ini bertujuan mengembangkan aplikasi web untuk mengklasifikasikan lima jenis jerawat, yaitu blackheads, cyst, papules, pustules, dan whiteheads, menggunakan Convolutional Neural Network (CNN) berbasis transfer learning dengan arsitektur EfficientNetB1, dilengkapi rekomendasi penanganan dan perawatan kulit. Dataset publik dari Kaggle dan Roboflow dibagi menjadi 3.066 data latih, 928 data validasi, dan 927 data uji. Citra diubah ukurannya menjadi 224×224 piksel, kemudian model dilatih menggunakan optimizer Adam dengan variasi jumlah epoch dan learning rate. Model diintegrasikan ke dalam aplikasi web yang menerima citra dari galeri perangkat maupun hasil pengambilan gambar langsung melalui kamera. Pengujian menggunakan tiga seed menghasilkan rata-rata accuracy sebesar 88,35 ± 2,30%, precision makro 89,44 ± 2,42%, recall makro 86,68 ± 3,32%, dan F1-score makro 87,78 ± 3,06%. Untuk keperluan integrasi ke dalam aplikasi web yang membutuhkan satu model definitif, model dari iterasi seed 42 dipilih karena menunjukkan performa evaluasi tertinggi dengan accuracy mencapai 90,83%. Kesalahan klasifikasi paling sering terjadi antara papules dan pustules yang memiliki kemiripan visual. Aplikasi menampilkan jenis jerawat, confidence score, dan rekomendasi perawatan secara otomatis sehingga berpotensi membantu identifikasi awal yang lebih cepat dan objektif.

Downloads

Download data is not yet available.

References

[1] A. R. Andini and I. Yuadi, “Klasifikasi Jenis Jerawat Berdasarkan Convolutional Neural Network,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 5, no. 1, pp. 301–308, Jan. 2025, doi: 10.57152/malcom.v5i1.1678.

[2] M. Vasam, S. Korutla, and R. A. Bohara, “Acne vulgaris: A review of the pathophysiology, treatment, and recent nanotechnology based advances,” Dec. 01, 2023, Elsevier B.V. doi: 10.1016/j.bbrep.2023.101578.

[3] R. V. Reynolds et al., “Guidelines of care for the management of acne vulgaris,” J. Am. Acad. Dermatol., vol. 90, no. 5, pp. 1006.e1-1006.e30, May 2024, doi: 10.1016/j.jaad.2023.12.017.

[4] M. B. Islam, M. S. Junayed, A. Sadeghzadeh, N. Anjum, A. A. Jeny, and A. F. M. S. Shah, “Acne Vulgaris Detection and Classification: A Dual Integrated Deep CNN Model,” Informatica (Slovenia), vol. 47, no. 4, pp. 577–592, Dec. 2023, doi: 10.31449/inf.v47i4.4384.

[5] Prayitno and M. Abduh, “Optimalisasi Model Deep Learning CNN Berbasis Android untuk Identifikasi Jenis Jerawat dan Rekomendasi Perawatan Kulit Wajah,” in Seminar Keinsinyuran, 2024.

[6] S. Sharmin et al., “A Hybrid CNN Framework DLI-Net for Acne Detection with XAI,” J. Imaging, vol. 11, no. 4, Apr. 2025, doi: 10.3390/jimaging11040115.

[7] A. Y. Pramono and K. Kusnawi, “Multi-Class Facial Acne Classification using the EfficientNetV2-S Deep Learning Model,” Aviation Electronics, Information Technology, Telecommunications, Electricals, and Controls (AVITEC), vol. 7, no. 3, pp. 299–309, Aug. 2025, doi: 10.28989/avitec.v7i3.3157.

[8] X. Zhao, L. Wang, Y. Zhang, X. Han, M. Deveci, and M. Parmar, “A review of convolutional neural networks in computer vision,” Artif. Intell. Rev., vol. 57, no. 4, Apr. 2024, doi: 10.1007/s10462-024-10721-6.

[9] J. Plested, M. Phiri, and T. Gedeon, “Deep transfer learning for image classification: a survey,” Artif. Intell. Rev., vol. 59, no. 3, Jan. 2026, doi: 10.1007/s10462-026-11491-z.

[10] R. Rianto and D. R. Listianto, “Convolutional Neural Network untuk mengklasifikasi tingkat keparahan jerawat,” AITI: Jurnal Teknologi Informasi, vol. 20, pp. 167–176, Aug. 2023.

[11] A. Nast et al., “Update of the EuroGuiDerm evidence-based guideline for the treatment of acne—Short version,” Journal of the European Academy of Dermatology and Venereology, vol. 40, no. 7, pp. 1162–1172, Jul. 2026, doi: 10.1111/jdv.70331.

[12] National Institute for Health and Care Excellence, “Acne vulgaris: management,” London, 2021. [Online]. Available: www.nice.org.uk/guidance/ng198

[13] tiswan14, “Acne dataset Image ,” Kaggle. Accessed: Sep. 29, 2026. [Online]. Available: https://www.kaggle.com/datasets/tiswan14/acne-dataset-image

[14] acne-label, “Whiteheads Kaggle,” Roboflow Universe. Accessed: Sep. 29, 2026. [Online]. Available: https://universe.roboflow.com/acne-label/whiteheads-kaggle-37ey8/dataset/1

[15] A. P. Gani and E. Poerwandono, “Pengembangan Aplikasi Android Berbasis Machine Learning untuk Pendeteksi Jenis Kulit Wajah Menggunakan Deep learning,” Jurnal Mahasiswa Teknik Informatika, vol. 9, no. 6, Dec. 2025.

[16] N. Tarisafitri and A. Aljabar, “Classification of Skin Diseases using Digital Image Processing with MobileNetV2 Architecture,” Nusantara Journal of Artificial Intelligence and Information Systems, vol. 1, no. 1, pp. 35–44, Jun. 2025, doi: 10.47776/nuai.v1i1.1594.

[17] S. M. Saia, N. G. Nelson, S. N. Young, S. Parham, and M. Vandegrift, “Ten simple rules for researchers who want to develop web apps,” PLoS Comput. Biol., vol. 18, no. 1, Jan. 2022, doi: 10.1371/journal.pcbi.1009663.

[18] W. Chen, K. Yang, Z. Yu, Y. Shi, and C. L. P. Chen, “A survey on imbalanced learning: latest research, applications and future directions,” Artif. Intell. Rev., vol. 57, no. 6, Jun. 2024, doi: 10.1007/s10462-024-10759-6.