Skin disease is a condition when the outer layer of the body experiences inflammation or irritation caused by bacteria, viruses, parasites, and fungi. Skin diseases are distinguished in several ways, depending on the infecting organism. This study aims to determine the classification of skin disease images in the detection of Psoriasis,
Ringworm, and Scabies using the Convolutional Neural Network (CNN) method which is based on helping ordinary people in early screening of psoriasis, ringworm, and scabies skin diseases. Thus, a method is needed to identify the type of skin disease using an image processing system and artificial neural networks. The Convolutional Neural Network (CNN) method was used in this study, by detecting skin diseases Psoriasis, Ringworm, and Scabies with the Mobilenetv2 architecture as a result of making CNN models deployed into Mobile Applications. The training results in the study obtained the best accuracy of 75.00% while in the Confusion Matrix accuracy test obtained 74.33%.

Penyakit kulit merupakan kondisi saat lapisan luar tubuh mengalami radang atau iritasi disebabkan bakteri, virus, parasite, dan jamur. Penyakit kulit dibedakan dalam beberapa
cara, tergantung pada organisme yang menginfeksi. Penelitian ini bertujuan untuk mengetahui pengklasifikasian citra penyakit kulit pada deteksi Psoriasis, Ringworm, dan Scabies menggunakan metode Convolutional Neural Network (CNN) yang didasari untuk membantu masyarakat awam dalam screening awal penyakit kulit Psoriasis, Ringworm, dan Scabies. Maka, diperlukan suatu metode untuk mengidentifikasi jenis
penyakit kulit dengan menggunakan sistem image processing dan jaringan syaraf tiruan. Metode Convolutional Neural Network (CNN) digunakan dalam penelitian ini, dengan
mendeteksi penyakit kulit Psoriasis, Ringworm, dan Scabies dengan arsitektur Mobilenetv2 hasil dari pembuatan model CNN di deployed ke dalam Aplikasi Mobile. Hasil Training pada penelitian didapatkan akurasi terbaik sebesar 75.00% sedangkan pada pengujian akurasi Confusion Matrix didapatkan 74.33%.