Kulit merupakan organ luar terluas yang menutupi tubuh manusia. Akibat intensitas tinggi paparan lingkungan luar, kulit dapat mengalami berbagai masalah kesehatan, salah satunya adalah kanker kulit. Deteksi dini dibutuhkan agar penanganan lebih lanjut kepada pasien dapat segera dilakukan. Pemanfaatan artificial intelligence (AI)-based solution pada pengolahan citra kanker kulit dapat digunakan untuk mendeteksi adanya potensi kanker kulit. Pada makalah ini, dilakukan klasifikasi jenis kanker kulit jinak dan ganas dengan memanfaatkan metode convolutional neural network (CNN) arsitektur GoogLeNet. Arsitektur GoogLeNet memiliki keunggulan dengan adanya inception module yang memungkinkan proses konvolusi dan pooling berjalan secara paralel, yang dapat memperpendek waktu komputasi, sehingga mempercepat proses klasifikasi tanpa mengurangi akurasi sistem. Penelitian ini terdiri atas beberapa tahapan, dimulai dengan akusisi data sejumlah enam ratus data citra kanker kulit yang diperoleh dari situs Kaggle.com, kemudian dilakukan penyeragaman ukuran masukan serta pemanfaatan dull razor filtering untuk mengurangi derau citra masukan akibat rambut-rambut halus yang tumbuh di sepanjang epidermis kulit. Setelah proses preprocessing selesai dilakukan, arsitektur GoogLeNet memproses masukan citra, lalu mengklasifikasikan masukan ke dalam kategori kanker kulit jinak (benign) atau kanker kulit ganas (malignant). Kinerja sistem kemudian diuji dengan parameter kinerja, seperti presisi, recall, dan f-1 score, serta dibandingkan dengan metode serupa. Sistem berhasil memperoleh hasil yang memuaskan, di antaranya adalah akurasi 97,73% dan loss 1,7063. Sementara itu, untuk parameter presisi, recall, dan f-1 score, masing-masing diperoleh nilai rata-rata 0,98. Kinerja sistem yang diusulkan berhasil mendapatkan akurasi yang lebih baik dibandingkan dengan penelitian terdahulu dengan penggunaan dataset yang jauh lebih sedikit. Hasil pengujian ini menunjukkan bahwa metode CNN mampu melakukan deteksi dan klasifikasi pada kanker kulit secara akurat, sehingga diharapkan metode ini dapat membantu pekerja medis dalam melakukan diagnosis kepada masyarakat luas.