Penyakit kulit merupakan salah satu masalah kesehatan yang sering terjadi di Indonesia akibat iklim tropis dan rendahnya kesadaran akan kebersihan. Deteksi dini penyakit kulit penting untuk mencegah komplikasi lebih lanjut. Penelitian ini mengembangkan sistem klasifikasi otomatis berbasis citra menggunakan metode Convolutional Neural Network (CNN) dengan pendekatan transfer learning. Tiga arsitektur model pralatih yang digunakan adalah MobileNetV2, ResNet50, dan DenseNet121. Evaluasi performa dilakukan menggunakan metrik akurasi, precision, recall, dan F1-score. Berdasarkan ketiga model yang digunakan, DenseNet121 memperoleh hasil terbaik dengan akurasi sebesar 95 persen, mengungguli ResNet50 yang memperoleh akurasi sebesar 91 persen dan MobileNetV2 sebesar 89 persen. Model DenseNet121 mampu mengenali pola visual secara lebih akurat dan konsisten dibanding dua model lainnya. Guna meningkatkan interpretabilitas model, digunakan metode Explainable AI berupa Grad-CAM (Gradient-weighted Class Activation Mapping), yang memberikan visualisasi area pada citra yang paling memengaruhi prediksi model. Hasil Grad-CAM menunjukkan bahwa DenseNet121 secara konsisten memberikan perhatian pada area yang relevan dengan lesi atau infeksi kulit, memperkuat validitas klasifikasi yang dihasilkan. Temuan ini menunjukkan bahwa penggunaan CNN dengan transfer learning, khususnya dengan arsitektur DenseNet121, memiliki potensi besar dalam pengembangan sistem deteksi otomatis penyakit kulit berbasis citra yang akurat dan dapat dijelaskan secara visual, serta berpotensi mendukung proses diagnosis oleh tenaga medis.<!--/data/user/0/com.samsung.android.app.notes/files/clipdata/clipdata_bodytext_250704_150717_988.sdocx-->