Ramadhan, Putri Wulan (2026) PEMODELAN CONVOLUTIONAL NEURAL NETWORK MENGGUNAKAN YOLOv8 DAN RESNET-50 UNTUK DIAGNOSA JERAWAT CITRA WAJAH. S1 thesis, Universitas Mercu Buana Jakarta - Menteng.
![[img]](https://repository.mercubuana.ac.id/style/images/fileicons/text.png) |
Text (COVER)
41522010038 - Putri Wulan Ramadhan - 01 Cover - PUTRI WULAN RAMADHAN.pdf Download (673kB) |
|
Text (BAB 1)
41522010038 - Putri Wulan Ramadhan - 02 Bab 1 - PUTRI WULAN RAMADHAN.pdf Restricted to Registered users only Download (339kB) |
|
Text (BAB 2)
41522010038 - Putri Wulan Ramadhan - 03 Bab 2 - PUTRI WULAN RAMADHAN.pdf Restricted to Registered users only Download (726kB) |
|
Text (BAB 3)
41522010038 - Putri Wulan Ramadhan - 04 Bab 3 - PUTRI WULAN RAMADHAN.pdf Restricted to Registered users only Download (473kB) |
|
Text (BAB 4)
41522010038 - Putri Wulan Ramadhan - 05 Bab 4 - PUTRI WULAN RAMADHAN.pdf Restricted to Registered users only Download (2MB) |
|
Text (BAB 5)
41522010038 - Putri Wulan Ramadhan - 06 Bab 5 - PUTRI WULAN RAMADHAN.pdf Restricted to Registered users only Download (317kB) |
|
Text (DAFTAR PUSTAKA)
41522010038 - Putri Wulan Ramadhan - 07 Daftar Pustaka - PUTRI WULAN RAMADHAN.pdf Restricted to Registered users only Download (296kB) |
|
Text (LAMPIRAN)
41522010038 - Putri Wulan Ramadhan - 08 Lampiran - PUTRI WULAN RAMADHAN.pdf Restricted to Registered users only Download (596kB) |
Abstract
Jerawat adalah salah satu gangguan kulit yang sering dialami banyak orang dan sering membuat rasa percaya diri menurun. Selama ini, penilaian kondisi jerawat umumnya dilakukan secara manual, sehingga hasilnya sangat dipengaruhi oleh subjektivitas pengamat. Penelitian ini bertujuan untuk mengembangkan model pendeteksian jerawat pada gambar wajah dengan pendekatan deep learning yang lebih objektif dan dapat diukur. Dalam prosesnya, metode YOLOv8 digunakan untuk menemukan lokasi jerawat dengan membuat bounding box pada area wajah yang terindikasi. Setelah tahap deteksi selesai, model ResNet50 dimanfaatkan untuk mengklasifikasikan tingkat keparahan jerawat ke dalam tiga kategori: ringan, sedang, dan parah. Penggabungan kedua model ini memungkinkan proses identifikasi jerawat dilakukan dengan lebih akurat, karena mengombinasikan kemampuan deteksi spasial dan analisis fitur visual secara mendalam. Hasil pengujian menunjukkan bahwa pendekatan hybrid antara YOLOv8 dan ResNet50 mampu mengenali jerawat serta tingkat keparahannya dengan konsistensi yang lebih baik dibandingkan jika hanya menggunakan satu model saja. Temuan ini mengindikasikan bahwa kombinasi dua model deep learning tersebut memiliki potensi besar sebagai solusi efektif untuk analisis jerawat berbasis citra. Kata kunci: Deteksi Jerawat, YOLOv8, ResNet-50, Deep Learning, Klasifikasi Citra, Deteksi Objek
| Item Type: | Thesis (S1) |
|---|---|
| NIM/NIDN Creators: | 41522010038 |
| Uncontrolled Keywords: | Deteksi Jerawat, YOLOv8, ResNet-50, Deep Learning, Klasifikasi Citra, Deteksi Objek |
| Subjects: | 000 Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 000. Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 006 Special Computer Methods/Metode Komputer Tertentu > 006.3 Artificial Intelligence/Kecerdasan Buatan |
| Divisions: | Fakultas Ilmu Komputer > Informatika |
| Depositing User: | RAIHAN GUSRI HIDAYAT |
| Date Deposited: | 22 Aug 2026 02:03 |
| Last Modified: | 22 Aug 2026 02:03 |
| URI: | http://repository.mercubuana.ac.id/id/eprint/103258 |
Actions (login required)
 |
View Item |
