Deteksi Dini Penyakit Kulit Pada Wajah Berdasarkan Citra Dengan Pendekatan Convolutional Neural Network (CNN)
DOI:
https://doi.org/10.70609/jusifor.v4i1.7058Keywords:
CNN, Deteksi Dini, Citra Wajah, Penyakit Kulit, Deep LearningAbstract
Penyakit kulit wajah seperti jerawat dan melasma dapat memengaruhi kesehatan serta kepercayaan diri seseorang. Deteksi dini sangat penting untuk mendukung penanganan yang lebih cepat dan efektif. Penelitian ini bertujuan mengembangkan sistem klasifikasi penyakit kulit wajah berbasis citra digital menggunakan pendekatan Convolutional Neural Network (CNN). Model dikembangkan untuk mengklasifikasikan lima kategori: jerawat, flek hitam, herpes, kutil, dan tahi lalat, dengan total 380 citra. Data melalui tahapan pra-pemrosesan seperti pengubahan ukuran, normalisasi, dan augmentasi. Arsitektur CNN terdiri dari dua lapisan konvolusi, dua max pooling, dan dua fully connected. Hasil evaluasi menunjukkan akurasi rata-rata sebesar 90,58%, presisi 82,28%, recall 76%, dan F1-score 74,82%. Meskipun model menunjukkan performa baik pada beberapa kelas, masih ditemukan indikasi overfitting dan kesalahan klasifikasi antar kategori. Keterbatasan utama terletak pada jumlah data dan kemampuan generalisasi model. Dengan demikian, model CNN memiliki potensi dalam mendukung diagnosis awal penyakit kulit wajah, namun masih memerlukan pengembangan lanjutan melalui penggunaan dataset yang lebih besar dan arsitektur yang lebih kompleks.
References
[1] A. Maya, K. Putri, and A. F. Rozi, “Implementasi Convolutional Neural Network Dalam Menentukan Tingkat Kematangan Mentimun dan Tomat Berdasarkan Warna Kulit,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 5, pp. 10388–10394, 2024.
[2] Y. J. Krisnawan and W. Setiawan, “Implementasi Convolutional Neural Network ( CNN ) untuk Deteksi Katarak pada Citra Mata,” J. Ekon. Manaj. Sist. Inf., vol. 6, no. 1, pp. 443–450, 2024.
[3] R. Triginandri and E. R. Subhiyakto, “Deteksi Dini Cacar Monyet menggunakan Convolutional Neural Network (CNN) dalam Aplikasi Mobile,” Edumatic J. Pendidik. Inform., vol. 8, no. 2, pp. 516–525, 2024, doi: 10.29408/edumatic.v8i2.27625.
[4] I. W. Prastika et al., “Deteksi Penyakit Kulit Wajah Menggunakan Tensorflow Dengan Metode Convolutional Neural Network,” MISI (Jurnal Manaj. Inform. Sist. Informasi), vol. 4, no. 2, pp. 84–91, 2021.
[5] Nurkhasanah and Murinto, “Klasifikasi Penyakit Kulit Wajah Menggunakan Metode Convolutional Neural Network,” SAINTEKS, vol. 18, no. 2, pp. 183–190, 2021.
[6] I. Purwati, A. Bayu, D. Nandiyanto, and T. Kurniawan, “Jurnal Pengabdian Isola Education About the Importance of Maintaining and Care for Health of Facial Skin in Generation Z Community Through Digital Based Media,” J. Pengabdi. Isola, vol. 1, no. 229, pp. 1–8, 2022.
[7] Z. Mustafidah and A. Utami, “Sistem Pakar Identifikasi Masalah Kulit Wajah Menggunakan Metode Case Based Reasoning,” J. Komtika (Komputasi dan Inform., vol. 8, no. 2, pp. 190–199, 2024.
[8] WHO, “Skin Diseases and Public Health,” World Health Organization, 2021. .
[9] M. Sander, M. S. Dmd, T. Burbidge, and J. Beecker, “The Efficacy and Safety of Sunscreen Use For the Prevention of Skin Cancer,” C. Med. Assoc. J., vol. 192, no. 50, pp. 1802–1808, 2020, doi: 10.1503/cmaj.201085.
[10] S. S. Thiansin, P. Hasan, and A. F. Maulana, “Sistem Pakar Diagnosa Penyakit Kulit Manusia Menggunakan Metode Backward Chaining Berbasis Website,” J. Tek. Inform. dan Sist. Inf., vol. 11, no. 4, pp. 449–462, 2024.
[11] N. I. Khani and S. Rakasiwi, “Penerapan Convolutional Neural Network dengan ResNet-50 untuk Klasifikasi Penyakit Kulit Wajah Efektif,” Edumatic J. Pendidik. Inform., vol. 9, no. 1, pp. 217–225, 2025, doi: 10.29408/edumatic.v9i1.29572.
[12] A. N. A. Thohari, L. Triyono, I. Hestiningsih, B. Suyanto, and A. Yobioktobera, “Performance Evaluation of Pre-Trained Convolutional Neural Network Model for Skin Disease Classification,” JUITA J. Inform., vol. 10, no. 1, pp. 9–18, 2022.
[13] K. V. Prakusa, S. S. P. R, and T. D. Putra, “STUDI ANALITIS KLASIFIKASI PENYAKIT KULIT WAJAH MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK (CNN),” in SEMINAR NASIONAL AMIKOM SURAKARTA (SEMNASA), 2024, no. ovember, pp. 191–200.
[14] M. Akbar, S. Nurmaini, and R. U. Partan, “The deep convolutional networks for the classification of multi- class arrhythmia,” Bull. Electr. Eng. Informatics, vol. 13, no. 2, pp. 1325–1333, 2024, doi: 10.11591/eei.v13i2.6102.
[15] A. R. Pratama and A. F. Cobantoro, “Klasifikasi Citra Pneumonia Menggunakan Arsitektur Concolutional Neural Network (CNN),” J. Ilm. NERO, vol. 8, no. 2, pp. 133–144, 2023.
[16] N. Fadhilah and A. Desiani, “Klasifikasi Nyeri Punggung Bawah Menggunakan Algoritma K-Nearest Neighbor Dan Support Vector Machine,” J. Tek. Elektro dan Komputasi Vol., vol. 7, no. 1, pp. 91–98, 2025.
[17] A. Fahrizal, D. Rusirawan, and L. Lidyawati, “Pemodelan Produksi Energi Pembangkit Listrik Tenaga Surya 1000 WP dengan Algoritma Naive Bayes,” J. Tekno Insentif, vol. 16, no. 2, pp. 105–118, 2022.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Sisi Apriyani, Novi Lestari, Tri Hasanah Bimastari Aviani, Nelly Kahirani Daulay
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
