<![CDATA[Abstrak—Penelitian ini bertujuan untuk mengembangkan sistem identifikasi penyakit kulit manusia (Monkeypox, Herpes, dan Chickenpox) menggunakan arsitektur Convolutional Neural Network (CNN). Pendekatan ini memanfaatkan metode transfer learning dengan mengevaluasi backbone Xception untuk mengekstraksi fitur visual lesi kulit secara efisien. Dataset yang digunakan adalah Dataset Penyakit Kulit bersumber dari platform publik Roboflow Universe terdiri dari 4.423 citra. Hasil penelitian menunjukkan penggunaan arsitektur Xception menghasilkan performa paling optimal pada data uji dengan nilai validasi akurasi mencapai 0,9836 pada skenario pembagian dataset 70:30. Hasil tersebut mencerminkan kemampuan model sangat baik dalam melakukan fit data dan mempertahankan kemampuan generalisasi tinggi. Dibuktikan dengan nilai precision, recall, dan F1-score seimbang secara berturut-turut 0,9836, 0,9836, dan 0,9820, sehingga sistem terbukti tidak memiliki bias pada kelas tertentu dan mumpuni untuk mengklasifikasikan penyakit kulit secara akurat untuk diimplementasikan pada aplikasi berbasis mobile. Kata Kunci— : Identifikasi Penyakit Kulit, Convolutional Neural Network, Xception, Transfer Learning, Robotflow Universe.]]>
Copyrights © 2026
