Sistem Klasifikasi Lima Jenis Lesi Jerawat Berbasis Web dengan Transfer Learning MobileNetV2

Syauqi Thoriq Ramadhan; Nuroji

doi:10.56427/jcbd.v5i3.1042

Authors

Syauqi Thoriq Ramadhan Universitas Muhammadiyah Prof. Dr. Hamka
Nuroji Universitas Muhammadiyah Prof.Dr.Hamka

DOI:

https://doi.org/10.56427/jcbd.v5i3.1042

Keywords:

lesi jerawat , klasifikasi citra, MobileNetV2, transfer learning, aplikasi berbasis web

Abstract

Identifikasi jenis lesi jerawat secara visual sulit dilakukan karena beberapa kelas memiliki karakteristik yang serupa. Penelitian ini bertujuan mengembangkan sistem berbasis web untuk mengklasifikasikan lima jenis lesi jerawat menggunakan MobileNetV2 dengan transfer learning. Dataset Acne Dataset Image dari Kaggle berisi 2.778 citra yang mencakup blackheads, whiteheads, papules, pustules, dan cysts. Seluruh citra diubah ukurannya menjadi 224 × 224 piksel, sedangkan augmentasi hanya diterapkan pada data pelatihan. Model menggunakan bobot awal ImageNet dan fine-tuning pada 50 lapisan terakhir, kemudian dilatih selama 50 epoch dengan optimizer Adam, learning rate 0,00007, dan batch size 32. Kinerja model dievaluasi menggunakan akurasi, presisi, recall, F1-score, dan confusion matrix. Hasil pengujian menunjukkan bahwa model mencapai akurasi 99%, dengan presisi, recall, dan F1-score sebesar 0,98–1,00 pada lima kelas. Model selanjutnya diintegrasikan ke dalam aplikasi berbasis web untuk mengklasifikasikan citra yang diunggah pengguna dan menampilkan probabilitas setiap kelas. Hasil ini menunjukkan potensi MobileNetV2 sebagai pendukung klasifikasi awal lesi jerawat berbasis citra. Namun, pengujian pada data eksternal yang lebih beragam masih diperlukan untuk menilai kemampuan generalisasi model.

Downloads

Download data is not yet available.

References

[1] N. Esmiralda, K. Purwati, and A. Rahmawati, “Hubungan Perilaku Penggunaan Perawatan Kulit Wajah Terhadap Kejadian Akne Vulgaris Pada Mahasiswi Universitas Batam,” Mar. 2025. doi: 10.37776/zonakes.v19i1.1737.

[2] N. Hasanah and Y. S. Pane, “Antibiotic Use in Acne vulgaris: Pharmacological Perspectives and Emerging Resistance - A Brief Review,” International Journal of Ecophysiology, vol. 7, no. 2, pp. 101–109, Dec. 2025, doi: 10.32734/ijoep.v7i2.21003.

[3] S. Ramadhianti and B. Kurniawan, “Hubungan Kejadian Akne Vulgaris Terhadap Kepercayaan Diri Mahasiswi Fakultas Kedokteran Universitas Islam Sumatera Utara,” JURNAL KEDOKTERAN IBNU NAFIS, vol. 12, no. 2, 2023, doi: 10.30743/jkin.v12i2.547.

[4] C. D. Syafira, L. Yuniati, P. N. Hamzah, D. Amelia, and Nurfachanti, “Level of Knowledge and Behavior of Adolescents Regarding Acne Vulgaris Among Medical Students University of Muslim Indonesia,” Jurnal Kesehatan, vol. 18, no. 2, pp. 184–193, Sep. 2025, doi: 10.23917/jk.v16i1.19434.

[5] F. Ramadhani, S. Rahardiantoro, and M. Masjkur, “Acne Severity Classification Study Using Convolutional Neural Network Algorithm with MobileNetV2 Architecture,” Indonesian Journal of Statistics and Its Applications, vol. 8, no. 2, pp. 112–128, 2024, doi: 10.29244/ijsa.v8i2p112-128.

[6] C. N. Putri, W. D. Qornain, F. Bamahri, G. E. Yuliastuti, and M. Kurniawan, “Klasifikasi Jenis Jerawat pada Data Citra Jerawat Wajah Menggunakan Convolutional Neural Network,” TIN: Terapan Informatika Nusantara, vol. 5, no. 2, pp. 172–181, Jul. 2024, doi: 10.47065/tin.v5i2.5231.

[7] P. Sitompul, H. Okprana, A. Prasetio, and G. Artikel, “Identifikasi Penyakit Tanaman Padi Melalui Citra Daun Menggunakan DenseNet 201,” JOMLAI: Journal of Machine Learning and Artificial Intelligence, vol. 1, no. 2, pp. 2828–9102, Jun. 2022, doi: 10.55123/jomlai.v1i2.889.

[8] D. Gunawan and H. Setiawan, “Convolutional Neural Network dalam Analisis Citra Medis,” Dec. 2022. doi: 10.24002/konstelasi.v2i2.5367.

[9] V. D. Sebayang and I. G. N. L. W. Kusuma, “Klasifikasi Jenis Jerawat Berdasarkan Citra Menggunakan Convolutional Neural Network dengan Arsitektur MobileNetV2,” JURNAL FASILKOM, vol. 14, no. 3, Dec. 2024, doi: 10.37859/jf.v14i3.8202.

[10] J. S. Velasco et al., “International Journal of Emerging Technology and Advanced Engineering Classification of Skin Disease Using Transfer Learning in Convolutional Neural Networks,” International Journal of Emerging Technology and Advanced Engineering, vol. 13, no. 4, Apr. 2023, doi: 10.46338/ijetae0423_01.

[11] A. Christ Hartono and A. R. Muslikh, “Penerapan Transfer Learning MobileNetV2 Pada Klasifikasi Citra Jenis Buah-Buahan,” Journal of Information System and Application Development, vol. 3, no. 2, pp. 103–111, Sep. 2025, doi: 10.26905/jisad.v3i2.16187.

[12] Rismayani, A. A. Ilham, A. Achmad, and M. R. Y. Rachman, “Convolutional neural network architectural models for multiclass classification of aesthetic facial skin disorders,” International Journal of Advanced Technology and Engineering Exploration, vol. 12, no. 12, pp. 112–131, Jan. 2025, doi: 10.19101/IJATEE.2024.111101077.

[13] D. A. Agustina, “Klasifikasi Citra Jenis Kulit Wajah Dengan Algoritma Convolutional Neural Network (CNN) Resnet-50,” Jurnal Riset Sistem Informasi, vol. 1, no. 3, pp. 01–07, Jul. 2024, doi: 10.69714/13sbby24.

[14] S. Dewi, F. Ramadhani, and S. Djasmayena, “Klasifikasi Jenis Jerawat Berdasarkan Gambar Menggunakan Algoritma CNN (Convolutional Neural Network),” Hello World Jurnal Ilmu Komputer, vol. 3, no. 2, pp. 68–73, Jul. 2024, doi: 10.56211/helloworld.v3i2.518.

[15] A. Asyva Irfita, M. Muttaqin, S. Komputer, and F. Sains dan Teknologi, “Implementasi Convolutional Neural Network (CNN) untuk Klasifikasi Jenis Jerawat Berbasis Web Menggunakan Streamlit,” Jurnal Nasional Teknologi Komputer, vol. 5, no. 3, Jul. 2025, doi: 10.61306/jnastek.v5i3.214.