Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Malcom: Indonesian Journal of Machine Learning and Computer Science
Syafika, Sukma
Unknown Affiliation
Computer Science & IT

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Analisis Komparatif Arsitektur MobileNet untuk Klasifikasi Tipe Jerawat pada Citra Wajah: Comparative Analysis of MobileNet Architectures for Acne Type Classification on Facial Images Syafika, Sukma; Marianingsih, Susi
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 2 (2026): MALCOM April 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i2.2643

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.
Co-Authors Marianingsih, susi