Analisis Komparatif Arsitektur MobileNet untuk Klasifikasi Tipe Jerawat pada Citra Wajah: Comparative Analysis of MobileNet Architectures for Acne Type Classification on Facial Images

Abstrak

Jerawat (acne vulgaris) adalah salah satu gangguan kulit wajah yang kerap dialami oleh banyak individu, serta dapat menimbulkan dampak fisik maupun psikologis bagi penderitanya. Proses identifikasi jenis jerawat secara manual memerlukan pengamatan visual yang teliti sehingga berpotensi menimbulkan kesalahan dalam proses diagnosis. Oleh sebab itu, diperlukan pengembangan sistem otomatis untuk mengidentifikasi dan mengklasifikasikan jenis jerawat secara lebih akurat. Penelitian ini dimaksudkan untuk membangun model klasifikasi jerawat berbasis citra menggunakan pendekatan Deep Learning dengan arsitektur MobileNet. Dataset yang digunakan berjumlah 3.500 citra jerawat yang terdiri dari lima kelas, yakni blackhead, whitehead, papules, pustules, dan cyst. Dataset dibagi menjadi data pelatihan, validasi, dan pengujian dengan perbandingan 80:10:10. Sebelum proses pelatihan model dilakukan, citra melalui tahap pre-processing yang meliputi image resizing, normalisasi citra, dan augmentasi data menggunakan pustaka OpenCV. Model dikembangkan menggunakan framework TensorFlow dan Keras. Penelitian ini membandingkan performa tiga arsitektur MobileNet, yaitu MobileNetV1, MobileNetV2, dan MobileNetV3. Hasil pengujian menunjukkan bahwa MobileNetV3 menghasilkan performa terbaik dengan akurasi sebesar 94,57%, precision 0,95, recall 0,95, dan F1-score 0,95. Penelitian ini berkontribusi dalam evaluasi komparatif arsitektur MobileNet untuk menentukan model ringan yang paling efektif dalam klasifikasi citra jerawat.