Keterbatasan akses terhadap ahli dermatologi dan tingginya variasi visual pada
manifestasi klinis penyakit kulit sering kali menyebabkan keterlambatan diagnosis.
Pemanfaatan teknologi Deep Learning seperti Convolutional Neural Networks (CNN)
terbukti efektif dalam klasifikasi citra medis, namun model murni CNN kerap
membutuhkan sumber daya komputasi yang besar dan rentan terhadap ketidakseimbangan
data dari multi-sumber (database). Penelitian ini bertujuan untuk membangun dan
mengevaluasi peforma model hybrid klasifikasi penyakit kulit menggunakan arsitektur
hybrid yang menggabungkan kemampuan ekstraksi fitur CNN dengan efisiensi klasifikasi
algoritma ensembel. Model hybrid yang diusulkan mengintegrasikan arsitektur VGG19
(pre-trained ImageNet) dikombinasikan dengan Global Average Pooling (GAP) sebagai
ekstraktor fitur otomatis, serta Random Forest (RF) sebagai klasifikator akhir. Dataset yang
digunakan merupakan gabungan terpadu (Balanced Mixing) dari Mitesh Dataset dan
DermNet Dataset yang mencakup 6 kelas penyakit kulit. Evaluasi model difokuskan pada
pengujian internal menggunakan data validasi terpisah (stratified split 80:20) setelah kedua
basis data disatukan. Pengondisian ketidakseimbangan sampel diatasi melalui strategi
Selective Augmentation pada data latih asal DermNet dan pengaktifan parameter
class_weight="balanced" pada 500 pohon keputusan RF. Proses pelatihan berhasil
mengunci konfigurasi parameter optimal pada tingkat kedalaman pohon maksimal ke-20
tanpa menghasilkan galat kebocoran data. Pengujian internal pada data validasi
menunjukkan bahwa model hybrid mampu mengenali batas keputusan secara kokoh
berbasis fitur spasial numerik VGG19, dengan pencapaian akurasi keseluruhan (overall
accuracy) sebesar 81%. Penggabungan arsitektur VGG19 dan Random Forest melalui
strategi hybrid ini efektif dalam meningkatkan konsistensi dan akurasi klasifikasi multi
kelas penyakit kulit.

Kata Kunci: Penyakit Kulit, Hybrid Model, VGG19, Random Forest, Balanced Mixing.