Perbandingan Vision Transformer dan Convolutional Neural Network dalam Klasifikasi Tingkat Keparahan Jerawat Berbasis Explainable Artificial Intelligence

SITI FATIMAH, Gina Purnama Insany

Jerawat merupakan salah satu masalah kulit yang umum dialami oleh remaja maupun orang dewasa. Proses identifikasi tingkat keparahan jerawat secara manual masih bergantung pada pengamatan langsung sehingga dapat menghasilkan penilaian yang subjektif. Penelitian ini bertujuan untuk membandingkan performa Convolutional Neural Network (CNN) dan Vision Transformer (ViT) dalam klasifikasi tingkat keparahan jerawat berbasis citra wajah serta menerapkan Explainable Artificial Intelligence (XAI) menggunakan metode Gradient-weighted Class Activation Mapping (Grad-CAM) untuk meningkatkan interpretabilitas model. Tahapan penelitian meliputi preprocessing citra, pelatihan model, evaluasi performa menggunakan accuracy, precision, recall, dan F1-score, serta visualisasi Grad-CAM. Hasil penelitian menunjukkan bahwa model Vision Transformer memperoleh performa terbaik dengan accuracy sebesar 92.58%, sedangkan model CNN memperoleh accuracy sebesar 79.06%. Selain itu, visualisasi Grad-CAM menunjukkan bahwa model memfokuskan perhatian pada area wajah yang memiliki indikasi jerawat seperti dahi, pipi, dan dagu. Hasil tersebut menunjukkan bahwa model mampu mempelajari fitur yang relevan pada citra sehingga meningkatkan transparansi dan interpretabilitas sistem deep learning.