Sistem Deteksi Otomatis Jenis Jerawat Berbasis Convolution Neural Network (CNN) dan Framework Flask

Abstract

Jerawat (acne vulgaris) merupakan masalah kulit yang umum terjadi pada remaja dan dewasa muda serta sering menimbulkan dampak psikologis seperti penurunan rasa percaya diri dan kecemasan sosial. Proses identifikasi jenis jerawat yang selama ini dilakukan secara manual oleh tenaga medis berpotensi menghasilkan diagnosis yang kurang konsisten. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan sistem deteksi jenis jerawat secara otomatis dan real-time menggunakan algoritma Convolutional Neural Network (CNN) guna meningkatkan akurasi dan efisiensi dalam proses diagnosis awal. Metode yang digunakan dalam penelitian ini adalah pendekatan kuantitatif dengan algoritma CNN sebagai inti klasifikasi citra. Dataset terdiri dari tiga jenis jerawat, yaitu papula, pustula, dan nodul, yang diperoleh dari platform Roboflow dan dibagi menjadi data pelatihan, validasi, dan pengujian. Sistem dikembangkan menggunakan metode Rapid Application Development (RAD), dengan alur kerja berupa pengambilan gambar wajah secara real-time, pemrosesan oleh model CNN, dan tampilan hasil melalui antarmuka web berbasis Flask. Evaluasi performa dilakukan menggunakan metrik precision, recall, F1-score, dan akurasi keseluruhan. Hasil pengujian menunjukkan bahwa sistem mampu mengklasifikasikan jenis jerawat dengan akurasi sebesar 90,5%. Nilai F1-score tertinggi diperoleh pada kelas nodul sebesar 93,33%, diikuti pustula 89,40%, dan papula 89,10%. Hasil ini menunjukkan bahwa CNN dapat digunakan secara efektif dalam mendeteksi jenis jerawat secara otomatis dan real-time serta berpotensi menjadi alat bantu diagnosis awal yang praktis dalam layanan klinik kecantikan.