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

Sukma Syafika; Susi Marianingsih

doi:10.57152/malcom.v6i2.2643

Authors

Sukma Syafika Universitas Sains dan Teknologi Jayapura
Susi Marianingsih Universitas Sains dan Teknologi Jayapura

DOI:

https://doi.org/10.57152/malcom.v6i2.2643

Keywords:

Acne Vulgaris, Deep Learning, Klasifikasi Citra, MobileNet, Pengolahan Citra

Abstract

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.

Downloads

Download data is not yet available.

References

V. Marshalia, “Perancangan Pemanfaatan IoT dan Machine Learning Untuk Sistem Monitoring Kesehatan Kulit Wajah Berjerawat,” vol. 3, no. 1, pp. 135–145, 2024.

N. U. R. Sifatullah, “Jerawat ( Acne vulgaris ): Review Penyakit Infeksi Pada Kulit,” no. November, pp. 19–23, 2021.

M. I. Anshori, R. A. Yaqin, M. Ali, Z. Sidiq, and W. P. Agung, “Klasifikasi Jenis Jerawat Secara Otomatis Dengan Convolutional Neural Network Menggunakan Arsitektur Resnet-50 Automatic Acne Type Classification with Convolutional Neural Network Using Resnet-50 Architecture,” vol. 15, no. April, pp. 73–84, 2025.

V. Dalira, B. Sebayang, I. G. Ngurah, and L. Wijaya, “Klasifikasi Jenis Jerawat Berdasarkan Citra Menggunakan Convolutional Neural Network dengan Arsitektur MobileNetV2,” vol. 14, no. 3, pp. 766–774, 2024.

S. I. Ali and A. M. Abdulazeez, “Machine Learning Classification Algorithms-Based Smart Cities Applications: A Review,” Indones. J. Comput. Sci., vol. 12, no. 2, pp. 284–301, 2023, [Online]. Available: http://ijcs.stmikindonesia.ac.id/ijcs/index.php/ijcs/article/view/3135

F. Ramadhani, S. Rahardiantoro, and M. Masjkur, “Acne Severity Classification Study Using Convolutional Neural Network Algorithm with MobileNetV2 Architecture: Kajian Klasifikasi Tingkat Keparahan Jerawat Menggunakan Algoritma Convolutional Neural Network,” Indones. J. Stat. Its Appl., vol. 8, no. 2, pp. 112–128, 2024, [Online]. Available: https://app.dimensions.ai/details/publication/pub.1184056910%0Ahttps://doi.org/10.29244/ijsa.v8i2p112-128

F. N. Cahya, N. Hardi, D. Riana, and S. Hadianti, “Klasifikasi Penyakit Mata Menggunakan Convolutional Neural Network ( CNN ),” vol. 10, pp. 618–626, 2021.

H. A. Faudyta, J. T. Sinaga, and E. R. Subhiyakto, “Implementation of MobileNet Architecture for Skin Cancer Disease Classification,” J. Appl. Informatics Comput., vol. 8, no. 2, pp. 589–597, 2024, doi: 10.30871/jaic.v8i2.8771.

A. R. Andini and I. Yuadi, “Classification of Acne Type Based on Convolutional Neural Network Klasifikasi Jenis Jerawat Berdasarkan Convolutional Neural Network,” vol. 5, no. January, pp. 301–308, 2025.

A. G. Howard and W. Wang, “MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications,” 2017.

A. Howard et al., “Searching for MobileNetV3,” Proc. IEEE Int. Conf. Comput. Vis., pp. 1314–1324, 2019, doi: 10.1109/ICCV.2019.00140.

M. Sandler, A. Howard, M. Zhu, A. Zhmoginov, and L. C. Chen, “MobileNetV2: Inverted Residuals and Linear Bottlenecks,” Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit., pp. 4510–4520, 2018, doi: 10.1109/CVPR.2018.00474.

N. Rochmawati, H. B. Hidayati, Y. Yamasari, H. P. A. Tjahyaningtijas, W. Yustanti, and A. Prihanto, “Analisa Learning Rate dan Batch Size pada Klasifikasi Covid Menggunakan Deep Learning dengan Optimizer Adam,” J. Inf. Eng. Educ. Technol., vol. 5, no. 2, pp. 44–48, 2021, doi: 10.26740/jieet.v5n2.p44-48.

J. Zi, W. Hu, G. Fan, F. Chen, and Y. Chen, “SFL-MobileNetV3: A lightweight network for weed recognition in tropical cassava fields in China,” Expert Syst. Appl., vol. 277, no. December 2024, p. 127196, 2025, doi: 10.1016/j.eswa.2025.127196.

M. A. Hakiki and N. Rachmat, “Klasifikasi Spesies Jamur Menggunakan Convolutional Neural Network dengan Arsitektur MobileNetV2,” vol. 6, no. 1, pp. 11–24, 2025, doi: 10.35957/algoritme.v6i1.11077.

S. Ramdani and A. Rahmatulloh, “Implementasi MobileNet untuk Klasifikasi Gambar dan Deteksi Emosi Menggunakan KERAS MobileNet Implementation for Image Classification and Emotion Detection Using KERAS,” vol. 12, no. 2, pp. 259–264, 2024, doi: 10.26418/justin.v12i2.73389.

D. Aura, A. Sujjada, and I. Lucia, “Implementasi MobileNet dalam Klasifikasi Jenis Kulit Wajah untuk Penentuan Kandungan Skincare,” vol. 7, no. 1, pp. 17–24, 2025.

A. Kahfi, A. Shiddiq, and T. Dzikrullah, “Deteksi Penyakit pada Tanaman Padi Menggunakan MobileNet Transfer Learning Berbasis Android,” vol. 2, no. 2, 2022.

N. S. Suriani, S. S. A. Tarmizi, M. N. H. Mohd, and S. M. Shah, “Acne Severity Classification on Mobile Devices using Lighweight Deep Learning Approach,” Int. J. Adv. Comput. Sci. Appl., vol. 15, no. 6, pp. 680–687, 2024, doi: 10.14569/IJACSA.2024.0150668.

W. Bismi, D. Novianti, and M. Qomaruddin, “Analisis Perbandingan Klasifikasi Citra Genus Panthera dengan Pendekatan Deep learning Model MobileNet,” J. Inform. dan Rekayasa Perangkat Lunak, vol. 6, no. 1, pp. 1–9, 2024.

J. Arifianto, “Aplikasi Web Pendeteksi Jerawat Pada Wajah Menggunakan Algoritma Deep Learning dengan TensorFlow,” 2024.

S. Suara, A. Jha, P. Sinha, and A. A. Sekh, “Is Grad-CAM Explainable in Medical Images?,” Commun. Comput. Inf. Sci., vol. 2009 CCIS, pp. 124–135, 2024, doi: 10.1007/978-3-031-58181-6_11.