Pendeteksian manual jerawat seringkali melibatkan pemeriksaan visual oleh dermatolog yang memerlukan perhatian detail, terutama dalam kasus dengan banyak lesi atau kondisi kulit yang kompleks. Proses ini tidak hanya melelahkan tetapi juga rentan terhadap variasi interpretasi antar dokter, yang dapat mengurangi efisiensi dalam memberikan perawatan. Penelitian ini bertujuan untuk mengembangkan sistem otomatis berbasis Convolutional Neural Network (CNN) untuk mendeteksi jerawat, yang dapat digunakan dalam aplikasi perawatan kulit dan analisis dermatologi. Metode CNN dengan arsitektur Alexnet dipilih berdasarkan keberhasilannya dalam berbagai kasus pengenalan objek dan deteksi citra. Dalam penelitian ini, dataset yang digunakan dibagi menjadi 70% untuk data latih, 15% untuk data uji, dan 15% untuk data validasi, dengan total 1.309 gambar. Model yang dihasilkan berhasil mencapai tingkat akurasi sebesar 85%, menunjukkan kemampuan yang baik dalam mengklasifikasikan jenis jerawat secara otomatis. Hasil ini menunjukkan potensi sistem untuk membantu dokter dalam memberikan diagnosis yang lebih konsisten dan efisien.

Manual detection of acne often involves visual examination by a dermatologist which requires attention to detail, especially in cases with multiple lesions or complex skin conditions. This process is not only tedious but also prone to variations in interpretation between physicians, which can reduce efficiency in providing care. This research aims to develop an automatic system based on Convolutional Neural Network (CNN) to detect acne, which can be used in skin care applications and dermatological analysis. The CNN method with the Alexnet architecture was chosen based on its success in various cases of object recognition and image detection. In this study, the dataset used was divided into 70% for training data, 15% for test data, and 15% for validation data, with a total of 1,309 images. The resulting model managed to achieve an accuracy rate of 85%, showing good ability in automatically classifying acne types. These results demonstrate the system's potential to assist physicians in providing more consistent and efficient diagnoses.