Penyakit kulit merupakan salah satu masalah kesehatan yang sering terjadi pada manusia, mulai dari yang bersifat ringan hingga berpotensi serius seperti kanker kulit. Salah satu jenis kanker kulit yang umum adalah Basal Cell Carcinoma (BCC), sedangkan Benign Keratosis-like Lesions (BKL) termasuk kategori lesi jinak. Deteksi dini sangat penting untuk mencegah perkembangan penyakit menjadi lebih parah. Namun, proses identifikasi secara manual oleh dokter sering memakan waktu, biaya, serta bergantung pada keahlian dan pengalaman. Oleh karena itu, dibutuhkan sistem berbasis teknologi yang dapat membantu mendiagnosis lesi kulit secara otomatis. Salah satu metode deep learning yang efektif dalam analisis citra medis adalah Convolutional Neural Network (CNN). Pada penelitian ini digunakan arsitektur CNN AlexNet untuk klasifikasi citra kulit dengan data dari ISIC 2019 yang berjumlah 6.114 gambar. Seluruh data diproses melalui tahap pelatihan, validasi, dan pengujian. Hasil penelitian menunjukkan bahwa model AlexNet mampu menghasilkan akurasi sebesar 83.3% dalam membedakan citra BCC dan BKL. Dengan demikian, sistem ini berpotensi mendukung deteksi dini penyakit kulit yang lebih cepat, efisien.

Skin disease is one of the most common health problems in humans, ranging from mild conditions to more serious cases such as skin cancer. One of the most common types of skin cancer is Basal Cell Carcinoma (BCC), while Benign Keratosis-like Lesions (BKL) are classified as benign lesions. Early detection is crucial to prevent the disease from progressing to a more severe stage. However, manual identification by dermatologists often requires time, cost, and depends heavily on expertise and experience. Therefore, a technology-based system is needed to assist in the automatic diagnosis of skin lesions. One of the most effective deep learning methods for medical image analysis is the Convolutional Neural Network (CNN). In this study, the AlexNet CNN architecture was used for skin image classification with the ISIC 2019 dataset consisting of 6,114 images. All data were processed through training, validation, and testing phases. The results show that the AlexNet model achieved an accuracy of 83.3% in distinguishing BCC and BKL images. Thus, this system has the potential to support early detection of skin diseases in a faster and more efficient manner.