Neural Network

Klasifikasi Jenis Jerawat Berdasarkan Gambar Menggunakan Algoritma CNN
(Convolutional Neural Network)
Sri Dewi 1*, Fanny Ramadhani 1, Selvia Djasmayena 2
1
2

Fakultas Matematika dan Ilmu Pengetahuan Alam, Ilmu Komputer, Universitas Negeri Medan, Medan, Indonesia
Sistem Informasi, STMIK Citra Mandiri Padangsidimpuan, Padang Sidempuan, Indonesia

INFORMASI ARTIKEL
Diterima Redaksi: 26 Mei 2024
Revisi Akhir: 30 Juni 2024
Diterbitkan Online: 01 Juli 2024

KATA KUNCI
Convolutional neural network (CNN), Jerawat,
Klasifikasi

KORESPONDENSI

A B S T R A K
Tujuan penelitian ini adalah untuk meningkatkan ketepatan dalam mengidentifikasi
jenis-jenis jerawat dengan memanfaatkan teknik klasifikasi menggunakan citra dan
Convolutional Neural Networks (CNN). Pemilihan CNN sebagai metode
didasarkan pada kemampuannya dalam mengekstrak fitur-fitur hierarki dari
gambar, memungkinkan pengenalan pola yang kompleks dari setiap jenis jerawat.
Penggunaan Model CNN dalam penelitian ini disesuaikan dengan efisiensi untuk
mengklasifikasi dengan penyesuaian khusus demi konteks identifikasi jerawat.
Tingkat akurasi mencapai 88%, yang dievaluasi dengan menggunakan confusion
matrix dan classification report. Penelitian ini memberikan kontribusi yang penting
dalam pengembangan teknik identifikasi jerawat dan mempertimbangkan variasi
kondisi guna meningkatkan ketepatan klasifikasi.

Phone: +62 823-8631-6426
E-mail: sridewi@unimed.ac.id

PENDAHULUAN
Jerawat merupakan kondisi kulit yang timbul akibat kelainan dalam produksi sebum di kelenjar minyak pada kulit yang
menjadi terlalu aktif. Proses kronis ini terjadi pada kelenjar sebasea dan ditandai dengan kemunculan komedo, papul,
pustula, serta nodul. Ini adalah salah satu kondisi kulit yang sering terjadi pada area wajah, ditandai dengan penampilan
bintik-bintik. Meskipun biasanya muncul di bagian wajah, jerawat juga dapat timbul di bagian leher, punggung, dan
dada. Kondisi ini dapat terjadi pada siapa pun, baik laki-laki maupun perempuan dan paling banyak terjadi pada usia
remaja. Diperkirakan sekitar 9,4% dari populasi dunia mengalami jerawat, menjadikan jerawat salah satu kondisi kulit
yang umum terjadi di dunia dan menempati peringkat kedelapan dalam daftar penyakit yang sering terjadi [1]. Membuat
aplikasi pendeteksi jerawat memiliki tantangan tersendiri karena ukuran jerawat yang kecil, sehingga memerlukan
algoritma yang akurat dalam pendeteksian ekstraksi fitur dan klasifikasi menggunakan gambar. Salah satu kunci
algoritma yang baik adalah algoritma tersebut dapat mengatasi overfitting, memastikan kecepatan konvergensi optimal,
dan mampu belajar secara tepat dari data yang telah diuji sebelumnya. Beberapa penelitian telah dilakukan terkait
penyakit kulit, termasuk diantaranya membahas tentang jerawat. Beberapa di antaranya mencakup penggunaan
ekstraksi fitur tekstur yang berbasis histogram menggunakan metode Naive Bayes untuk klasifikasi beberapa jenis
penyakit termasuk jerawat [2].
Seiring kemajuan berbagai bidang ilmu pengetahuan salah satunya dalam bidang kecerdasan buatan, sistem-sistem
cerdas telah menjadi penunjang penting bagi manusia dalam menyelesaikan berbagai masalah. Salah satu manfaatnya
adalah dalam menangani masalah-masalah terkait jerawat yang dialami seseorang. Pengembangan sistem cerdas
kesehatan kulit sering kali memanfaatkan citra-citra masalah pada jerawat. Oleh sebab itu, diperlukan suatu pendekatan
https://doi.org/10.56211/helloworld.v3i2.518

Attribution-ShareAlike 4.0 International Some rights reserved

SRI DEWI / HELLO WORLD JURNAL ILMU KOMPUTER - VOL. 3 NO. 2 (2024) EDISI JULI

ISSN: 2829-8616 (ONLINE)

yang mampu mempelajari pola dan fitur dari citra serta beradaptasi dengan data yang telah ada. Salah satu pendekatan
yang umum digunakan untuk masalah yang melibatkan gambar adalah Convolutional Neural Network (CNN). Metode
CNN merupakan alat klasifikasi yang efektif untuk mendeteksi atau mengenali objek pada citra digital. CNN memiliki
keunggulan dalam memahami struktur dan pola dalam citra, yang dapat meningkatkan kemampuan pengenalan dan
klasifikasi citra dengan tingkat akurasi yang tinggi [3]. Convolutional Neural Network (CNN) mengekstrak fitur dari
input berupa gambar, kemudian mengubah ukuran gambar menjadi lebih kecil untuk mengubah fitur gambar [4].
Studi-studi sebelumnya jarang melakukan klasifikasi spesifik terhadap jenis-jenis jerawat. Biasanya, fokus hanya pada
mendeteksi keberadaan jerawat atau mengidentifikasi jerawat dalam hubungannya dengan penyakit kulit lainnya seperti
bekas luka, bintik, noda atau kulit normal. Meskipun ada beberapa penelitian yang mencoba mengklasifikasikan
jerawat, tingkat akurasi hasilnya masih belum optimal. Hal ini mendorong kebutuhan untuk melakukan penelitian baru
yang memfokuskan pada klasifikasi jenis jerawat dengan pendekatan yang berbeda. Oleh sebab itu, peneliti
mengusulkan metode Convolutional Neural Network (CNN) untuk klasifikasi jerawat.

TINJAUAN PUSTAKA
Penelitian Terdahulu
Penelitian terdahulu mengenai Convolutional Neural Network (CNN) telah dibahas oleh banyak peneliti salah satunya
penelitian untuk Identifikasi Jenis Penyakit Kulit Menggunakan CNN. Tujuan dari penelitian ini adalah untuk
mengidentifikasi penyakit kulit dengan bantuan sistem image processing, Hasil dari penelitian penggunaan pengolahan
citra digital dengan metode CNN telah dapat mengenali penyakit kulit dengan nilai akurasi mencapai 85%.
Menggunakan sejumlah data yaitu 35 data citra digunakan untuk pengujian dan 137 citra digunakan untuk pelatihan.
Pengujian dan pelatihan ini menggunakan 7 jenis penyakit kulit [5].
Peneliti Zamah Sari juga pernah membahas Convolutional Neural Network (CNN) untuk klasifikasi jenis rempah,
Tujuan penelitian untuk meningkatkan efisiensi dalam industri rempah menggunakan klasifikasi berbasis CNN dengan
menggunakan berbagai jenis rempah, ada 10 jenis rempah yang menjadi bahan penelitian yaitu adas, merica, laos,
kencur, jahe, kunyit, jintan, kunci, ketumbar dan temulawak. Pengujian dilakukan menggunakan 6 arsitketur CNN,
yaitu MobileNetV2, DenseNet201, Xception, VGG19, VGG16, dan ResNet50. Hasil pengujian terbaik yaitu Xception
dengan nilai F1 Score sebesar 96.99% [6].
Penelitian dengan Convolutional Neural Network (CNN) juga dilakukan oleh Muhammad Farid Naufal untuk
klasifikasi resep obat yang ditulis oleh dokter. Tujuannya untuk mendeteksi nama-nama obat yang telah diresep oleh
dokter menggunakan CNN dengan transfer learning. Hasil penelitian menunjukkan arsitektur Resnet pada CNN
menghasilkan arsitektur terbaik untuk klasifikasi nama obat dengan nilai F1 Score sebesar 97.56% disbanding dengan
empat arsitektur lainnya yang menjadi pembanding yaitu GoogleNet, VGG16, LeNet, dan Xception [7].
Pengolahan Citra Digital
pengolahan citra digital (digital image processing) adalah salah satu cabang ilmu pengetahuan yang mempelajari teknik
pengolahan citra atau biasa disebut dengan gambar. Gambar yang dimaksud adalah gambar atau foto yang diambil
menggunakan kamera [8]. Dalam melakukan pengolahan citra digunakan komputer untuk mengolah data berupa
gambar digital [9].
Convolutional Neural Network
Convolutional Neural Network (CNN) merupakan salah satu algoritma Deep Learning yang mengambil masukan dalam
bentuk gambar dan menentukan aspek atau objek mana dalam gambar yang dapat digunakan oleh mesin untuk
"belajar" mengenali gambar yang digunakan untuk membedakan antara gambar yang satu dengan gambar yang lain
[10]. CNN juga di desain untuk mengolah gambar 2D [11]. Kemampuan CNN di anggap sebagai model terbaik untuk
memecahkan permasalahan dalam bidang object detection dan object recognition pada data citra sebuah gambar [12].

https://doi.org/10.56211/helloworld.v3i2.518

Sri Dewi 69

SRI DEWI / HELLO WORLD JURNAL ILMU KOMPUTER - VOL. 3 NO. 2 (2024) EDISI JULI

ISSN: 2829-8616 (ONLINE)

Confusion Matrix
confusion matrix merupakan salah satu cara yang dapat digunakan untuk mengukur performa suatu model klasifikasi
dengan melihat nilai akurasi dari model itu sendiri. Ada empa parameter yang digunakan dalam mencari nilai akurasi
antara lain true positif (TP), true negative (TN), false positive (FP), dan false negative (FN) [13]. Keempat parameter
ini menjadi dasar penentuan performance metrics seperti accuracy, precision, recalldan f1-score. Accuracy adalah nilai
prediksi yang bernilai benar atas keseluruhan data, precision adalah nilai prediksi yang bernilai benar positif
dibandingkan keseluruhan hasil yang diprediksi bernilai positif, recall adalah nilai prediksi benar positif
dibandingkan keseluruhan data yang bernilai benar positif, f1-score adalah rata-rata perbandingan dari hasil perolehan
nilai precision dan recall [14].
Jerawat
Jerawat adalah salah satu gangguan yang terjadi pada kulit terutama kulit wajah yang terjadi karena produksi minyak
berlebih. Jerawat biasanya terjadi pada kulit remaja maupun kulit dewasa. Gangguan kulit ini dapat terjadi pada
beberapa bagian tubuh seperti wajah, leher, bagian atas dada, dan punggung [15]. Jerawat terdiri dari berbagai jenis
diantaranya yaitu papula, kista, blackhead dan whitehead [16].

METODOLOGI
Pada dasarnya, proses klasifikasi data menggunakan Algoritma CNN dimulai dengan mengumpulkan data di lapangan
sebagai dataset. Data ini digunakan untuk training dan testing. Setelah itu, dilakukan preprocessing untuk merancang
model Algoritma CNN, kemudian diuji untuk mendapatkan akurasi. Tahap terakhir melibatkan pengujian Algoritma
CNN menggunakan Confusion Matrix.
Convolutional Neural Network (CNN) digunakan pada penelitian ini untuk mengklasifikasikan jenis jerawat
berdasarkan gambar. CNN dipilih karena kemampuannya mengekstraksi fitur hierarkis dari data gambar,
memungkinkan penangkapan pola kompleks dari setiap jenis jerawat. Penulis menyesuaikan arsitektur CNN yang sudah
terbukti efektif dalam klasifikasi gambar untuk konteks klasifikasi jerawat.
Langkah-langkah dalam penelitian ini mencakup beberapa tahap:
1. Pengumpulan Data
Proses pengumpulan data diambil dengan menentukan beberapa kategori yang akan dipakai. Dataset terdiri
dari 150 citra dengan 50 citra untuk setiap kategori. Data ini diambil dari dataset umum yang tersedia secara
langsung yang diperoleh dilapangan.
2. Preprocessing Data
Persiapan awal sebelum pengolahan data melibatkan normalisasi intensitas piksel, resize gambar, dan
augmentasi data untuk mengatasi overfitting. Teknik augmentasi seperti flipping dan rotasi digunakan untuk
menambah keberagaman dataset. Data dibagi menjadi 80% untuk pelatihan dan 20% untuk pengujian.
3. Implementasi CNN
Convolutional Neural Network (CNN) digunakan untuk klasifikasi data gambar yang berlabel dengan
supervised learning. Arsitektur CNN diadaptasi dengan menggunakan framework seperti Tensor Flow atau
PyTorch, disesuaikan dengan karakteristik jerawat dan dieksperimenkan melalui konfigurasi lapisan konvolusi,
aktivasi dan pooling.
4. Pelatihan Model:
Model CNN dioptimalkan dengan menggunakan dataset pelatihan, melalui proses training untuk mengatur
bobot dan bias. Fungsi loss yang digunakan adalah categorical cross-entropy, dan optimisasi model
menggunakan algoritma Adam.
5. Evaluasi Model
Performa model dievaluasi dengan menggunakan dataset pengujian, menghitung metrik akurasi, presisi, recall,
dan F1-score untuk mengukur kinerja klasifikasi.
6. Analisis Hasil
Hasil klasifikasi dianalisis secara mendalam untuk memahami kelebihan dan kekurangan model. Perbandingan
antara hasil klasifikasi dengan label sebenarnya dari dataset pengujian dilakukan untuk mendapatkan
pemahaman yang lebih baik.
70 Sri Dewi

https://doi.org/10.56211/helloworld.v3i2.518

SRI DEWI / HELLO WORLD JURNAL ILMU KOMPUTER - VOL. 3 NO. 2 (2024) EDISI JULI

ISSN: 2829-8616 (ONLINE)

HASIL DAN PEMBAHASAN
Pada bagian ini peneliti akan menunjukkan hasil yang didapat menggunakan metode Convolutional Neural Network
(CNN). dengan membuat data latih sebanyak 42 data, data uji sebanyak 8 data dan data validasi sebanyak 8 data.

Gambar 1. Grafik Loss

Gambar 2. Grafik Train

Gambar 3.Classification Report
Gambar 3 menunjukkan bahwa hasil evaluasi model ini mendapatkan akurasi sebesar 88%, dengan nilai precision untuk
label Comedo adalah 100%, precision untuk label Cystic adalah 100% dan precision untuk label Pustule adalah 73%.
Kemudian untuk nilai recall setiap label dimulai dari Comedo adalah 100%, label Cystic adalah 62% dan label Pustule
adalah 100%. Terakhir adalah nilai f1-score label Comedo adalah 100%, label Cystic adalah 77% dan label Pustule
adalah 84%.

https://doi.org/10.56211/helloworld.v3i2.518

Sri Dewi 71

SRI DEWI / HELLO WORLD JURNAL ILMU KOMPUTER - VOL. 3 NO. 2 (2024) EDISI JULI

ISSN: 2829-8616 (ONLINE)

Gambar 4. Confusion Matrix
Bisa dilihat pada gambar 3 model mampu melakukan identifikasi dengan baik pada setiap jenis jerawat, seperti label
Comedo bisa diprediksi dengan benar sebesar 100. Pada label Cystic model mampu memprediksi dengan benar sebesar
62% sedangkan 38% nya diprediksi sebagai label Pustule. Pada label Pustule model mampu memprediksi dengan benar
sebesar 100%.

KESIMPULAN DAN SARAN
Hasil penelitian menunjukkan bahwa model Convolutional Neural Network (CNN) yang digunakan untuk melakukan
klasifikasi jenis jerawat pada citra wajah menggunakan 42 data pelatihan dan 8 data pengujian mampu mendapatkan
akurasi sebesar 88%, dengan evaluasi model menggunakan confussion matrix dan classification report. Tinggi
rendahnya akurasi yang didapatkan tergantung dari kualitas citra yang dimiliki. tidak hanya itu, penting untuk
memahami bagaimana cara mengolah citra agar model mengerti apa yang sedang kita buat.

DAFTAR PUSTAKA
[1]
[2]
[3]

[4]
[5]

[6]

[7]

[8]

R. J. Hay et al., “The global burden of skin disease in 2010: An analysis of the prevalence and impact of skin
conditions,” J. Invest. Dermatol., vol. 134, no. 6, pp. 1527–1534, 2014, doi: 10.1038/jid.2013.446.
I. S. Hafsah, “Deteksi Otomatis Penyakit Kulit Menggunakan Algoritma Naive Bayes,” J. Kesehat., no. 5, pp.
1–6, 2015.
Nurkhasanah and Murinto, “Klasifikasi Penyakit Kulit Wajah Menggunakan Metode Convolutional Neural
Network Classification of Facial Skin Diseases Using the Method of the Convolutional Neural Network,”
Sainteks, vol. 18, no. 2, pp. 183–190, 2021, [Online]. Available: https://www.kaggle.com/datasets.
I. Hasan, Suprayogi, and H. B. D, “Klasifikasi Jenis Jerawat Menggunakan Convolutional Neural Networks,” eProceeding Eng., vol. 8, no. 1, pp. 358–372, 2021.
S. N. Ria, M. Walid, and B. A. Umam, “Pengolahan Citra Digital Untuk Identifikasi Jenis Penyakit Kulit
Menggunakan Metode Convolutional Neural Network (CNN),” Energy - J. Ilm. Ilmu-Ilmu Tek., vol. 12, no. 2,
pp. 9–16, 2022, doi: 10.51747/energy.v12i2.1118.
A. E. Putra, M. F. Naufal, and V. R. Prasetyo, “Klasifikasi Jenis Rempah Menggunakan Convolutional Neural
Network dan Transfer Learning,” J. Edukasi dan Penelit. Inform., vol. 9, no. 1, p. 12, 2023, doi:
10.26418/jp.v9i1.58186.
M. F. Naufal, J. Siswantoro, and M. G. K. Wicaksono, “Klasifikasi Tulisan Tangan Pada Resep Obat
Menggunakan Convolutional Neural Network,” Techno.Com, vol. 22, no. 2, pp. 508–526, 2023, doi:
10.33633/tc.v22i2.8075.
A. Chairi and R. Mukhaiyar, “Sistem Kontrol Color Sorting Machine Dengan Pengolahan Citra Digital,” JTEIN

72 Sri Dewi

https://doi.org/10.56211/helloworld.v3i2.518

SRI DEWI / HELLO WORLD JURNAL ILMU KOMPUTER - VOL. 3 NO. 2 (2024) EDISI JULI

[9]

[10]

[11]

[12]

[13]

[14]

[15]

[16]

ISSN: 2829-8616 (ONLINE)

J. Tek. Elektro Indones., vol. 4, no. 1, pp. 387–396, 2023, doi: 10.24036/jtein.v4i1.393.
I. G. Perwati, N. Suarna, and T. Suprapti, “ANALISIS KLASIFIKASI GAMBAR BUNGA LILY
MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK ( CNN ) DALAM
PENGOLAHAN CITRA,” vol. 8, no. 3, pp. 2908–2915, 2024.
I. M. Karo Karo, J. A. Karo Karo, Y. Yunianto, H. Hariyanto, and M. Falah, “Klasifikasi Mutu Fisik Tempe
Menggunakan Metode Convolutional Neural Network (CNN),” STRING (Satuan Tulisan Ris. dan Inov. Teknol.,
vol. 8, no. 2, p. 209, 2023, doi: 10.30998/string.v8i2.17596.
F. H. Hawari, F. Fadillah, M. R. Alviandi, and T. Arifin, “Klasifikasi Penyakit Tanaman Padi Menggunakan
Algoritma Cnn (Convolutional Neural Network),” J. Responsif Ris. Sains dan Inform., vol. 4, no. 2, pp. 184–
189, 2022, doi: 10.51977/jti.v4i2.856.
P. A. H. Pratama, R. Teguh, A. S. Sahay, and V. Wilentine, “Deteksi COVID-19 Berdasarkan Hasil Rontgen
Dada (Chest Xray) Menggunakan Python,” J. Inf. Technol. Comput. Sci., vol. 1, no. 1, pp. 58–67, 2021, doi:
10.47111/jointecoms.v1i1.2956.
I. Wulandari, H. Yasin, and T. Widiharih, “Klasifikasi Citra Digital Bumbu Dan Rempah Dengan Algoritma
Convolutional Neural Network (Cnn),” J. Gaussian, vol. 9, no. 3, pp. 273–282, 2020, doi:
10.14710/j.gauss.v9i3.27416.
H. I. Islam, M. Khandava Mulyadien, U. Enri, U. Singaperbangsa, and K. Abstract, “Penerapan Algoritma C4.5
dalam Klasifikasi Status Gizi Balita,” J. Ilm. Wahana Pendidik., vol. 8, no. 10, pp. 116–125, 2022, [Online].
Available: https://doi.org/10.5281/zenodo.6791722.
M. A. Hanin, R. Patmasari, and R. Y. Nur, “Sistem Klasifikasi Penyakit Kulit Menggunakan Convolutional
Neural Network ( Cnn ) Skin Disease Classification System Using Convolutional Neural Network ( Cnn ),” eProceeding Eng., vol. 8, no. 1, pp. 273–281, 2021.
F. Sudana Putra, Kusrini, and M. P. Kurniawan, “Deteksi Otomatis Jerawat Wajah Menggunakan Metode
Convolutional Neural Network (CNN),” J. Inf. Technol., vol. 1, no. 2, pp. 30–34, 2021, doi:
10.46229/jifotech.v1i2.308.

https://doi.org/10.56211/helloworld.v3i2.518

Sri Dewi 73