Jerawat adalah kondisi dermatologis umum yang memengaruhi remaja dan orang dewasa, dengan tingkat keparahan yang bervariasi dari ringan hingga sangat parah. Klasifikasi tingkat keparahan yang akurat sangat penting untuk perawatan dan pemantauan yang efektif, terutama dalam sistem layanan kesehatan otomatis. Penelitian ini mengusulkan sistem klasifikasi tingkat keparahan jerawat berbasis citra yang memanfaatkan kepadatan jerawat pada wajah sebagai fitur utama. Alur kerja mencakup prapemrosesan citra, deteksi jerawat menggunakan model deteksi objek YOLOv8, dan ekstraksi fitur berbasis kepadatan. Fitur-fitur tersebut kemudian diklasifikasikan menggunakan algoritma k-Nearest Neighbors (k-NN) dan Decision Tree (DT). Untuk mengatasi ketidakseimbangan kelas, digunakan Synthetic Minority Over-sampling Technique (SMOTE) sehingga meningkatkan kemampuan generalisasi model. Hasil eksperimen menunjukkan bahwa DT mencapai kinerja lebih tinggi dengan akurasi 99%, sedangkan k-NN mencapai 97%. Metrik precision, recall, dan F1-score semakin memvalidasi ketangguhan model. Penelitian ini menegaskan efektivitas kepadatan jerawat sebagai fitur dan menunjukkan bahwa pengintegrasian deteksi objek dengan pembelajaran mesin memberikan hasil yang menjanjikan untuk aplikasi klinis dan telemedisin dalam diagnosis jerawat serta perencanaan perawatan yang dipersonalisasi.