Deteksi Penyakit Kulit pada Wajah Menggunakan Pendekatan Semi-Supervised Deep Learning Berbasis Mobilenetv2 dengan Visualisasi Grad-Cam (Studi Kasus: Klinik Astrit Harianto Dermatologi)

yun muntarti (Universitas Halu Oleo)
LM. Bahtiar Aksara Aksara (Program Studi Teknik Informatika, Fakultas Teknik, Universitas Halu Oleo, Kendari, Sulawesi Tenggara, Indonesia.)
Adha Mashur Sajiah (Program Studi Teknik Informatika, Fakultas Teknik, Universitas Halu Oleo, Kendari, Sulawesi Tenggara, Indonesia.)

Jurnal SITECH : Sistem Informasi dan Teknologi
Vol. 9 No. 1 (2026): JURNAL SITECH VOLUME 9 NO 1 TAHUN 2026

Penyakit kulit wajah seperti jerawat (acne), melasma, dan milia merupakan gangguan dermatologis yang sering ditemukan serta dapat memengaruhi kesehatan dan kepercayaan diri penderitanya. Proses diagnosis sebagian besar pemeriksaan hingga saat ini masih mengandalkan pengamatan langsung yang dilakukan oleh dokter spesialis kulit yang menyebabkan prosesnya membutuhkan durasi yang lebih lama dan keahlian khusus. Penelitian ini difokuskan pada pengembangan sistem yang mampu mendeteksi penyakit kulit wajah dengan memanfaatkan pendekatan Semi-Supervised learning berbasis MobileNetV2 dengan metode pseudo-labeling dan visualisasi Grad-CAM. Dataset penelitian terdiri atas empat kelas, yaitu jerawat, melasma, milia, dan normal. Sebanyak 2.000 citra berlabel digunakan sebagai data utama yang dibagi menjadi 1.600 data pelatihan dan 400 data validasi. Selain itu, penelitian memanfaatkan 500 citra tidak berlabel yang diproses menggunakan metode pseudo-labeling dengan confidence threshold sebesar 0,90. Hasil proses pseudo-labeling menghasilkan 297 citra pseudo-label yang kemudian digabungkan dengan data berlabel sehingga membentuk dataset Semi-Supervised learning sebanyak 2.297 citra. Pada tahap prapemrosesan, citra diubah ukurannya menjadi 224×224 piksel, kemudian dilakukan normalisasi serta augmentasi data. Model MobileNetV2 dikembangkan melalui penerapan transfer learning dan fine-tuning, kemudian kinerjanya dievaluasi berdasarkan metrik accuracy, precision, recall, dan F1-score. Berdasarkan hasil pengujian, model yang diusulkan menunjukkan penerapan Semi-Supervised learning meningkatkan accuracy model dari 90,75% menjadi 91,75%. Model akhir memperoleh accuracy sebesar 91,75%, precision sebesar 93,33%, recall sebesar 91,00%, dan F1-score sebesar 92,15%. Selain itu, visualisasi Grad-CAM menunjukkan bahwa model dapat mengidentifikasi dan memberikan fokus pada bagian lesi yang relevan dengan karakteristik masing-masing penyakit kulit wajah sehingga meningkatkan interpretabilitas hasil prediksi. Hasil penelitian menunjukkan bahwa pendekatan Semi-Supervised learning berbasis MobileNetV2 dengan pseudo-labeling dan Grad-CAM mampu memanfaatkan data tidak berlabel secara efektif serta menghasilkan performa klasifikasi yang baik untuk mendukung skrining awal penyakit kulit wajah.