Penyakit kulit
memiliki berbagai penyebab, seperti paparan bahan kimia, sinar matahari, virus,
bakteri, dan faktor lainnya. Klasifikasi penyakit kulit sangat penting karena
gejalanya yang mirip, seperti ruam merah, gatal, dan rasa terbakar. Gejala
penyakit yang mirip membuat sulit untuk membedakannya secara visual. Penelitian
ini bertujuan untuk mengklasifikasikan penyakit kulit dengan menggunakan metode
hybrid Convolutional Neural Network (CNN). Dataset yang digunakan adalah MSLD v2.0 yang
merupakan data citra penyakit kulit dengan 6 kelas yaitu cacar monyet, cacar
air, cacar air, campak, HFMD, dan sehat. Hybrid CNN merupakan integrasi
antara model CNN dan metode machine learning. Penelitian ini menggunakan
tiga model CNN, yaitu EfficientNet, DenseNet, dan ResNet, sebagai ekstraksi
fitur. Metode klasifikasi yang digunakan adalah regresi logistik, random
forest, dan extreme gradient boosting. Augmentasi
data juga diterapkan untuk meningkatkan variasi data. Hasil performa tertinggi
didapatkan ketika menggunakan EfficientNet sebagai ekstraksi fitur dan regresi
logistik sebagai metode klasifikasi setelah melalui proses augmentasi data
dengan akurasi sebesar 95?n macro f1-score sebesar 94%, yang menunjukkan
performa yang tinggi dalam pendeteksian penyakit kulit. Hybrid CNN
dengan metode machine learning menunjukkan kemampuan ekstraksi fitur pada citra
penyakit kulit dan mencapai performa yang optimal
