| Jerawat adalah masalah kulit umum yang memerlukan penanganan berbeda berdasarkan jenisnya, seperti komedo, conglobata, dan papulopustular. Penelitian ini mengembangkan sistem klasifikasi jenis jerawat otomatis menggunakan arsitektur Residual Network (ResNet-50) berbasis deep learning. Dengan 50 lapisannya, ResNet-50 efektif dalam klasifikasi gambar. Tujuan penelitian ini adalah mengklasifikasikan jenis jerawat dari gambar kulit pada wajah, sehingga dapat membantu diagnosis dan perawatan. Metode yang digunakan dalam penelitian ini mencakup beberapa tahap utama, yaitu pengumpulan dataset, pelatihan model menggunakan CNN dengan arsitektur ResNet-50, pengujian model, serta evaluasi kinerja. Dataset diperoleh dari Roboflow, terdiri dari tiga kelas: acne-comedonica, acne-conglobata, dan acne- papulopustulosa. Proses melibatkan preprocessing gambar, augmentasi data, dan penyesuaian parameter model, termasuk teknik dropout dan optimizer Adam. Model dapat mencapai akurasi 98.35% dengan loss 0.0489 dan akurasi validasi tertinggi sebesar 92.86% dengan loss validasi 0.1976. Selain itu, analisis confusion matrix menunjukkan hasil akurasi 93%, yang mengindikasikan kinerja model dalam membedakan antara kelas-kelas jerawat secara efektif. Hasil ini menunjukkan bahwa model efektif dalam mengklasifikasikan jenis jerawat dan dapat memberikan dampak signifikan dalam membantu diagnosis yang lebih akurat dan cepat. |
