Pudyowati, Monica Dyah (0226) IMPLEMENTASI YOLOV8 & RESNET50 UNTUK DIAGNOSA JERAWAT BERBASIS CITRA WAJAH. S1 thesis, Universitas Mercu Buana Jakarta- Menteng.
![[img]](https://repository.mercubuana.ac.id/style/images/fileicons/text.png) |
Text (COVER)
41522010028-Monica Dyah Pudyowati-01 Cover - Monica Dyah.pdf Restricted to Registered users only Download (570kB) |
|
Text (BAB 1)
41522010028-Monica Dyah Pudyowati-02 Bab 1 - Monica Dyah.pdf Restricted to Registered users only Download (50kB) |
|
Text (BAB 2)
41522010028-Monica Dyah Pudyowati-03 Bab 2 - Monica Dyah.pdf Restricted to Registered users only Download (181kB) |
|
Text (BAB 3)
41522010028-Monica Dyah Pudyowati-04 Bab 3 - Monica Dyah.pdf Restricted to Registered users only Download (58kB) |
|
Text (BAB 4)
41522010028-Monica Dyah Pudyowati-05 Bab 4 - Monica Dyah.pdf Restricted to Registered users only Download (6MB) |
|
Text (BAB 5)
41522010028-Monica Dyah Pudyowati-06 Bab 5 - Monica Dyah.pdf Restricted to Registered users only Download (30kB) |
|
Text (DAFTAR PUSTAKA)
41522010028-Monica Dyah Pudyowati-08 Daftar Pustaka - Monica Dyah.pdf Restricted to Registered users only Download (106kB) |
|
Text (LAMPIRAN)
41522010028-Monica Dyah Pudyowati-09 Lampiran - Monica Dyah.pdf Restricted to Registered users only Download (483kB) |
Abstract
Diagnosis dan pemantauan kondisi jerawat saat ini seringkali bersifat subjektif dan terkendala aksesibilitas ke tenaga medis. Penelitian ini bertujuan untuk mengembangkan sistem diagnostik jerawat berbasis citra wajah menggunakan metode pembelajaran mendalam (Deep Learning) yang terintegrasi dengan klinik kecantikan. Sistem yang dibangun mengintegrasikan pendekatan hibrid (Ensemble Learning) dengan menggabungkan model YOLOv8 untuk deteksi objek jerawat yang presisi dan model ResNet50 untuk klasifikasi tingkat keparahan (severity classification) berdasarkan tekstur kulit. Sistem dikembangkan sebagai Full-Stack Web Application dengan arsitektur Client-Server. Sisi Front-End menggunakan React.js dan Vite untuk antarmuka pengguna yang responsif. Sisi Back-End dibangun menggunakan Express.js yang berperan sebagai middleware untuk mengelola otentikasi serta memfasilitasi komunikasi antara sistem web dengan Inference Service berbasis FastAPI yang menjalankan model AI secara terpusat. Keunggulan dari pendekatan hibrid ini adalah kemampuannya dalam memvalidasi hasil deteksi YOLOv8 melalui analisis fitur tekstur oleh ResNet50, sehingga menghasilkan akurasi diagnosa yang lebih objektif dan reliabel. Hasil pengujian menunjukkan bahwa sistem mampu memberikan diagnosa tingkat keparahan jerawat secara real-time, mendukung pemantauan berkelanjutan, dan memberikan rekomendasi produk serta tindakan medis yang tepat bagi pengguna. Kata kunci: Deep Learning, YOLOv8, ResNet50, Ensemble Learning, Diagnosa Jerawat
| Item Type: | Thesis (S1) |
|---|---|
| NIM/NIDN Creators: | 41522010028 |
| Uncontrolled Keywords: | Deep Learning, YOLOv8, ResNet50, Ensemble Learning, Diagnosa Jerawat |
| 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 > 004 Data Processing, Computer Science/Pemrosesan Data, Ilmu Komputer, Teknik Informatika |
| Divisions: | Fakultas Ilmu Komputer > Informatika |
| Depositing User: | RAIHAN GUSRI HIDAYAT |
| Date Deposited: | 14 Sep 2026 03:16 |
| Last Modified: | 14 Sep 2026 03:16 |
| URI: | http://repository.mercubuana.ac.id/id/eprint/103839 |
Actions (login required)
 |
View Item |
