Jerawat merupakan kondisi dermatologis yang umum dan memerlukan klasifikasi yang akurat untuk penanganan yang tepat. Kehadiran lesi jerawat dengan kemiripan morfologi tinggi seperti papula, pustula, dan kista menjadi tantangan utama dalam klasifikasi otomatis berbasis deep learning. Penelitian ini mengusulkan pendekatan optimasi dengan mengintegrasikan Convolutional Block Attention Module (CBAM) ke dalam arsitektur EfficientNetV2-S untuk meningkatkan kemampuan ekstraksi fitur pada citra lesi jerawat. Menggunakan dataset sebanyak 4.617 citra wajah yang dikategorikan ke dalam lima kelas (blackheads, whiteheads, papula, pustula, dan kista), dilakukan hyperparameter tuning secara sistematis untuk mengidentifikasi konfigurasi optimal. Kombinasi parameter terbaik diperoleh pada learning rate 0,0001, batch size 16, fungsi aktivasi GeLU, CrossEntropyLoss, dan 50 epoch. Model terbaik yaitu EfficientNetV2-S dengan CBAM pada Stage 0 mencapai akurasi pengujian 99,13%, melampaui baseline EfficientNetV2-S (98,04%) dan penelitian acuan Pramono & Kusnawi (96,60%). Hasil penelitian menunjukkan bahwa penempatan strategis modul CBAM tunggal (Stage 0) secara signifikan meningkatkan kemampuan model dalam membedakan kelas jerawat yang memiliki kemiripan visual.