IMPLEMENTASI MODEL DEEP LEARNING UNTUK DETEKSI MULTI-KELAS JERAWAT PADA CITRA WAJAH MENGGUNAKAN YOLOV11

Jerawat merupakan permasalahan kulit umum, khususnya pada remaja dan dewasa muda, yang berdampak pada kenyamanan fisik maupun kesehatan mental. Seiring dengan berkembangnya teknologi, deteksi otomatis jerawat hadir sebagai salah satu pendekatan yang potensial untuk membantu penanganan masalah ini. Penelitian ini mengimplementasikan model deep learning berbasis YOLOv11 untuk mendeteksi enam jenis jerawat pada citra wajah, yaitu blackheads, whiteheads, papules, pustules, nodules, dan cysts, sekaligus mengatasi permasalahan ketidakseimbangan kelas pada dataset melalui strategi augmentasi. Dataset yang digunakan merupakan gabungan dari beberapa sumber Roboflow berjumlah 1.884 citra yang diperluas menjadi 6.116 citra dengan augmentasi kelas minor dan teknik mosaic. Model dilatih menggunakan transfer learning pada YOLOv11m selama 150 epochs dan menghasilkan mAP@50 sebesar 87.1%, mAP@50-95 64.9%, precision 85%, recall 82.9%, F1-Score 84%, serta kecepatan inferensi 26 FPS (near real-time). Hasil menunjukan performa tinggi pada sebagian besar kelas, dengan cysts sebagai yang tertinggi (99%), dan whiteheads sebagai yang terendah (75%). Penelitian ini menegaskan bahwa kualitas representasi data, teknik augmentasi, dan kapasitas model lebih berpengaruh daripada keseimbangan jumlah data antar kelas. Tantangan utama terdapat pada komputasi yang cukup tinggi, keterbatasan mendeteksi jerawat kecil, serta generalisasi model pada kondisi luar dataset masih perlu ditingkatkan. Penelitian selanjutnya disarankan untuk menerapkan teknik feature enhancement untuk meningkatkan deteksi jerawat kecil, optimasi knowledge distillation agar model lebih efisien, serta melibatkan dermatolog dalam validasi hasil guna memastikan relevansi klinis.

Kata Kunci: Deep Learning, Deteksi Objek, Citra Wajah, Jerawat, YOLOv11.