Kulit merupakan organ tubuh manusia yang cukup vital karena kulit menjadi bagian terluar tubuh yang melapisi organ dalam tubuh manusia dan kulit juga langsung menerima rangsangan langsung dari luar seperti sentuhan dan rasa sakit. data sekitar 300 juta kasus infeksi penyakit kulit terjadi setiap tahunnya yang dipaparkan oleh WHO. Sedangkan di Indonesia Penyakit kulit menjadi penyakit urutan ketiga dari sepuluh penyakit terbanyak sebesar 4,60% - 12,95% penyakit yang ada di Indonesia. Penelitian ini bertujuan untuk mengklasifikasikan penyakit kulit wajah menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur DenseNet-201 dan Xception. CNN dipilih karena kemampuannya dalam mengenali pola-pola pada gambar dengan tingkat akurasi yang tinggi. Dua arsitektur CNN yang berbeda, yaitu DenseNet-201 dan Xception, digunakan untuk membandingkan performa dalam mengklasifikasikan berbagai jenis penyakit kulit wajah. Dataset yang digunakan terdiri dari beberapa kategori penyakit kulit seperti acne, basal cell carcinoma, actinic keratosis, rosacea, dan eczema. Penelitian ini mencakup tahap preprocessing data, pelatihan model, dan evaluasi performa model menggunakan confusion matrix yang terdiri dari akurasi, precision, F1-score dan recall. Hasil penelitian menunjukkan bahwa kedua arsitektur memiliki kelebihan masing-masing dalam klasifikasi penyakit kulit wajah, dengan DenseNet-201 sedikit unggul dalam akurasi keseluruhan.

Skin is a vital organ of the human body, serving as the outermost layer that protects internal organs and directly receives external stimuli such as touch and pain. According to WHO, approximately 300 million cases of skin infections occur annually worldwide. In Indonesia, skin diseases rank third among the ten most common diseases, accounting for 4.60% - 12.95% of all diseases in the country. This study aims to classify facial skin diseases using the Convolutional Neural Network (CNN) method with DenseNet-201 and Xception architectures. CNN was chosen for its ability to recognize patterns in images with high accuracy. Two different CNN architectures, DenseNet-201 and Xception, were used to compare their performance in classifying various types of facial skin diseases. The dataset used includes several categories of skin diseases such as acne, basal cell carcinoma, actinic keratosis, rosacea, and eczema. This research involves data preprocessing, model training, and model performance evaluation using metrics such as accuracy, precision, and recall. The results show that both architectures have their advantages in classifying facial skin diseases, with DenseNet-201 slightly outperforming in overall accuracy