DETEKSI ACNE VULGARIS DAN JENIS KULIT PADA CITRA WAJAH BERBASIS YOLOV7 DAN RESNET50
Article Sidebar
Main Article Content
Abstract
Penelitian ini bertujuan untuk membangun sistem otomatis yang mampu mendeteksi jerawat (acne vulgaris) dan mengklasifikasikan jenis kulit wajah berdasarkan citra menggunakan dua pendekatan deep learning, yaitu YOLOv7 untuk deteksi objek dan ResNet-50 untuk klasifikasi citra. Dataset citra wajah diperoleh dari platform Kaggle dan dibagi menjadi dua bagian: citra berjerawat untuk pelatihan model deteksi, serta citra berlabel jenis kulit (normal, kering, berminyak) untuk klasifikasi. Proses preprocessing mencakup resize, normalisasi, dan augmentasi data. Model YOLOv8 menunjukkan performa stabil dengan mAP, precision, dan recall pada kisaran 0.55–0.60. Sementara itu, model ResNet-50 berhasil mencapai akurasi validasi 80,32% dan akurasi uji 77,22%, dengan kinerja terbaik pada kelas kulit berminyak. Seluruh model diimplementasikan dalam sistem berbasis web untuk analisis kulit secara real-time. Hasil akhir menunjukkan bahwa pendekatan gabungan ini efektif untuk analisis kulit otomatis dan dapat dikembangkan lebih lanjut untuk aplikasi konsultasi dermatologi daring dan personalisasi perawatan kulit.
Downloads
Article Details
Section
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
How to Cite
References
[1] Hasanah, R. L., & Hasan, M. (2022). Deteksi lesi acne vulgaris pada citra jerawat wajah menggunakan metode k-means clustering. Indonesian Journal on Software Engineering (IJSE), 8(1), 46-51.
[2] Zhang, D., Jin, C., Zhang, Z., Cao, X., & Xue,C. (2024). Automatic acne detection model based on improved YOLOv7. IEEE Access.
[3] Astiadewi, E., Martanto, M., Dikananda, A. R., & Rohman, D. (2025). Algoritma YOLOv8 Untuk Meningkatkan Analisa Gambar Dalam Mendeteksi Jerawat. Jurnal Informatika Teknologi dan Sains (Jinteks), 7(1), 346-353.
[4] R. Agustina, D. A. (2024). Klasifikasi citra jenis kulit wajah dengan algoritma convolutional neural network (CNN) ResNet-50. Jurnal Riset Sistem Informasi (JISSI), 1(3), 1–7
[5] Zakiah, Z., Patmasari, R., & Saidah, S. (2021). Klasifikasi jenis kulit wajah menggunakan metode convolutional neural network. e-Proceeding of Engineering, 8(6), 11610–11616.
[6] Nurhakiki, J., & Yahfizham, Y. (2024). Studi Kepustakaan: Pengenalan 4 Algoritma Pada Pembelajaran Deep Learning Beserta Implikasinya. Pendekar: Jurnal Pendidikan Berkarakter, 2(1), 270-281.
[7] Agustin, G. V., Ayub, M., & Liliawati, S. L. (2024). Deteksi dan Klasifikasi Tingkat Keparahan Jerawat: Perbandingan Metode You Only Look Once. Jurnal Teknik Informatika dan Sistem Informasi, 10(3), 468-481.
[8] Maulana, I., Khairunisa, N., & Mufidah, R. (2023). Deteksi bentuk wajah menggunakan convolutional neural network (CNN). JATI (Jurnal Mahasiswa Teknik Informatika), 7(6), 3348-3355. [9] K. Alahmadi, S. Alharbi, J. Chen, and X. Wang, “Generalizing sentiment analysis: a review of progress, challenges, and emerging directions,” Dec. 01, 2025, Springer. doi: 10.1007/s13278-025-01461-8.
[9] Anthony, B., & Yohannes, Y. (2023, April). Verifikasi Kinship Dengan Arsitektur ResNet50. In MDP Student Conference (Vol. 2, No. 1, pp. 265-273).
[10] Eben Haezer, E. H. Y. K., & Setiyawati, N. (2022). Pembangunan Aplikasi Virtual Inventory System (Vis) Berbasis Web Menggunakan Flask Framework. Jurnal Mnemonic, 5(2), 128–135. https://doi.org/10.36040/mnemonic.v5i2.479 9.
[11] Nurlailah, E., & Nova Wardani, K. R. (2023). Perancangan Website Sebagai Media Informasi Dan Promosi Oleh-Oleh Khas Kota Pagaralam. JIPI (Jurnal Ilmiah Penelitian Dan Pembelajaran Informatika), 8(4), 1175–1185. https://doi.org/10.29100/jipi.v8i4.4006.
[12] Polgan, J. M., & Technology, I. (2025). AI dalam Skincare : Teknologi Cerdas untuk Menemukan Pelembab yang Tepat untuk Jenis Kulit Anda. 14, 231–238.
[13] Setianingsih, C. (2024). Pengembangan Sistem Backend Menggunakan . Net Pada Aplikasi Konsultasi Makanan Diet Menggunakan Deep Learning. 11(4), 3085–3090.