Deteksi jerawat masih menjadi tantangan dalam bidang dermatologi karena kesamaan visual antar jenis lesi serta keterbatasan ketersediaan dataset yang seimbang. Penelitian ini mengatasi kesenjangan tersebut dengan membandingkan lima optimizer yang banyak digunakan, yaitu SGD, Adam, AdamW, NAdam, dan RAdam pada model YOLOv8s untuk mendeteksi empat jenis jerawat: komedo hitam (blackhead), komedo putih (whitehead), papula, dan pustula.Dataset seimbang dibangun dari sumber Skin90 dan DermNet melalui proses pelabelan ulang, augmentasi ringan, serta kombinasi metode oversampling dan undersampling. Eksperimen dilakukan dengan kondisi yang seragam, dan kinerja model dievaluasi menggunakan metrik precision, recall, mean Average Precision pada IoU 0.5, serta waktu pelatihan. Hasil menunjukkan bahwa NAdam mencapai nilai precision tertinggi (0,823) dan [email protected] terbaik (0,735), sedangkan SGD menghasilkan nilai recall tertinggi (0,676). RAdam memberikan akurasi yang kompetitif dengan waktu pelatihan tercepat (0,588 jam). Papula tetap menjadi kelas yang paling sulit terdeteksi di semua model karena karakteristiknya yang samar. Temuan ini menegaskan bahwa pemilihan optimizer sangat memengaruhi performa deteksi, serta memberikan wawasan praktis untuk pengembangan alat dermatologi berbasis AI yang akurat dan efisien, terutama untuk aplikasi real-time dan telemedisin.