Deep Learning Pada Detektor Jerawat: Model YOLOv5

Hendra Kusumah (Universitas Raharja)
Muhammad Suzaki Zahran (Universitas Raharja)
Kadek Naufal Rifqi (Universitas Raharja)
Devi Alawiyah Putri (Universitas Raharja)
Ety Meina Wakti Hapsari (Universitas Raharja)

Journal Sensi: Strategic of Education in Information System
Vol 9 No 1 (2023): Journal Sensi

Jerawat (Acne Vulgaris) merupakan masalah utama yang sulit untuk dihindari pada masyarakat daerah perkotaan, seperti Jakarta dan sekitarnya. Penyebab utama dari jerawat yaitu tingginya polusi udara yang disebabkan oleh hasil pembakaran transportasi dan sektor industri. Sisa pembakaran ini umumnya mengandung PM (Particulate Matter) dengan ukuran yang cukup kecil (PM2.5 dan PM10) yang mampu masuk ke dalam kulit melalui pori-pori dan bereaksi dengan beberapa senyawa diudara sehingga menyebabkan banyak permasalahan kulit lainnya. Penelitian ini berfokus pada pendeteksian jerawat dengan menggunakan model Deep Learning, yaitu YOLOv5. YOLOv5 dilatih dengan menggunakan tiga optimizer berbeda (SGD, Adam, dan AdamW) sebanyak 100 epochs. Setelah dilakukan pelatihan, didapatkan hasil F1-score dengan optimizer SGD sebesar 43%, Adam 39%, dan AdamW sebesar 40%. Pada penelitian ini, optimizer SGD memiliki nilai F1 tertinggi sehingga dijadikan sebagai optimizer teroptimum yang dapat digunakan pada permasalahan di penelitian ini.