LITERATURE REVIEW:

TELEDERMATOLOGI KULIT BERJERAWAT BERBASIS DEEP LEARNING DAN ANALISIS BAHAN

Abstract

Penyakit jerawat (acne vulgaris) merupakan gangguan dermatologis yang memengaruhi jutaan individu global dan menuntut perawatan teliti. Di era kesehatan digital, teledermatologi mandiri hadir sebagai solusi atas keterbatasan akses pasien terhadap dokter spesialis. Namun, pemilihan produk perawatan kulit (skincare) yang tidak tepat pada penderita kulit rentan berjerawat (acne-prone) berisiko besar memperburuk peradangan. Saat ini, sebagian besar sistem rekomendasi Kecerdasan Buatan (AI) memiliki kelemahan karena masih mengandalkan kuesioner subjektif, atau hanya berfokus pada deteksi visual wajah tanpa menganalisis kesesuaian komposisi bahan aktif (ingredients) kosmetik secara klinis. Tujuan penelitian ini adalah mengeksplorasi tren evolusi sistem rekomendasi skincare, dengan ruang lingkup kasus yang difokuskan spesifik pada penanganan kulit rentan berjerawat dalam ekosistem teledermatologi mandiri. Penelitian ini menerapkan metode literature review komprehensif terhadap 37 artikel ilmiah mutakhir rentang tahun 2022–2026. Sumber literatur dihimpun dari basis data jurnal internasional bereputasi terindeks Scopus dan jurnal nasional terakreditasi Sinta. Kajian ini secara khusus membandingkan dan mengevaluasi kinerja arsitektur Deep Learning—seperti YOLOv5, ResNet-50, serta jaringan Lightweight Convolutional Neural Network (CNN)—sebagai objek algoritma untuk segmentasi dan deteksi visual tingkat keparahan jerawat. Kemampuan deteksi visual tersebut berpotensi dipadukan dengan sistem rekomendasi berbasis analisis bahan kosmetik secara otomatis. Sebagai kontribusi utama, literature review ini menawarkan rancangan kerangka kerja beauty-tech hibrida yang inovatif. Dengan memadukan teknologi diagnosis profil wajah dan analisis komposisi bahan kosmetik, penelitian ini menghadirkan solusi personalisasi skincare yang jauh lebih akurat, aman, serta memiliki landasan ilmiah kuat guna menekan tingkat risiko iritasi.