Jerawat inflamasi merupakan salah satu permasalahan kulit yang umum dialami, khususnya oleh remaja dan dewasa muda. Deteksi manual oleh tenaga medis sering kali menghadapi kendala, terutama pada individu dengan warna kulit gelap akibat perbedaan kadar melanin dan pencahayaan yang tidak merata, yang dapat menyulitkan identifikasi lesi. Untuk mengatasi permasalahan tersebut, penelitian ini mengembangkan sistem deteksi otomatis jerawat inflamasi berbasis deep learning yang bersifat akurat, inklusif, dan dapat diimplementasikan pada berbagai jenis kulit. Sistem yang dibangun terdiri dari dua tahapan utama: (1) klasifikasi warna kulit menggunakan arsitektur Convolutional Neural Network (CNN) ResNet50, dan (2) deteksi jerawat inflamasi menggunakan algoritma YOLOv11. Model ResNet50 berhasil mengklasifikasikan warna kulit ke dalam tiga kategori putih, coklat, dan hitam dengan akurasi mencapai 93% dan F1-score tertinggi sebesar 0,94. Sementara itu, model YOLOv11 menunjukkan performa deteksi yang sangat baik dengan mean Average Precision ([email protected]) sebesar 90% dan F1-score keseluruhan sebesar 0,84 dalam mendeteksi tiga jenis jerawat inflamasi: papule, pustule, dan nodule. Kedua model telah diintegrasikan ke dalam aplikasi mobile berbasis Flutter, memungkinkan pengguna untuk mengambil atau mengunggah foto wajah dan memperoleh hasil analisis secara otomatis dan instan. Setiap prediksi ditampilkan dalam bentuk bounding box, label lesi, klasifikasi warna kulit, dan skor kepercayaan (confidence score). Hasil penelitian menunjukkan bahwa sistem yang dikembangkan mampu memberikan deteksi jerawat inflamasi yang akurat dan konsisten pada berbagai kategori warna kulit, sehingga berpotensi digunakan untuk pemantauan mandiri, pendampingan diagnosis klinis, serta mendukung pengembangan teknologi mobile health di bidang dermatologi.