Analisis visual untuk membedakan secara akurat subtipe jerawat seperti komedo hitam (blackhead), jerawat fungal, dan jerawat nodul menghadapi kendala signifikan akibat karakteristik lesi yang subtil dan tumpang tindih. Padahal, diferensiasi ini bersifat esensial untuk efektivitas penanganan dermatologis. Untuk mengatasi tantangan tersebut, penelitian ini melakukan penyesuaian secara teliti terhadap model deteksi objek YOLOv8n guna meningkatkan presisi deteksi. Studi ini memanfaatkan sebuah dataset terkurasi berisi 2008 citra dari sumber publik (Skin-90, DermNet), yang dianotasi secara manual di bawah awasan seorang ahli. Melalui proses fine-tuning iteratif yang mengeksplorasi berbagai hyperparameter kunci, konfigurasi model yang paling optimal dievaluasi menggunakan metrik Precision, Recall, dan mAP50. Hasilnya menunjukkan pencapaian presisi keseluruhan tertinggi sebesar 0.693 dan mAP50 keseluruhan yang solid sebesar 0.589. Adapun skor mAP50 untuk setiap kelas adalah 0.750 untuk jerawat jamur, 0.576 untuk jerawat nodul, dan 0.442 untuk komedo hitam. Validasi kualitatif mendukung kapabilitas model dalam melokalisasi lesi secara akurat, kendati masih terdapat beberapa false positive pada kelas komedo hitam. Penelitian ini membuktikan bahwa optimisasi sistematis pada model YOLOv8n dapat menghasilkan kemampuan diferensiasi presisi tinggi untuk subtipe jerawat yang kompleks, sekaligus menjadi landasan prospektif bagi pengembangan instrumen diagnostik dermatologis berbantuan komputer yang reliabel.