Keloid merupakan pertumbuhan jaringan parut abnormal yang berdampak pada aspek fisik maupun psikososial pasien. Penilaian keloid saat ini masih mengandalkan metode subjektif seperti Vancouver Scar Scale (VSS) atau POSAS yang rentan bias, serta perangkat objektif yang mahal dan terbatas. Untuk mengatasi hal tersebut, penelitian ini mengusulkan sistem evaluasi keloid berbasis citra digital dengan pendekatan Multi-Task Learning (MTL) menggunakan CNN-LSTM end-to-end. Model yang dikembangkan mampu melakukan tiga tugas sekaligus, yaitu segmentasi area keloid dengan U-Net, pengukuran luasan luka dalam cm² melalui regresi, serta analisis warna (colorimetry) berbasis rasio RGB. CNN (ResNet50 pretrained) digunakan sebagai encoder untuk ekstraksi fitur spasial, sedangkan LSTM dimanfaatkan untuk menangkap dinamika temporal dari urutan citra time-series (2 s.d 4 frame per pasien). Dataset citra RGB keloid diproses melalui normalisasi, augmentasi, serta ekstraksi warna dominan dengan K-Means. Evaluasi performa dilakukan menggunakan metrik Dice Score dan IoU untuk segmentasi, MAE dan RMSE untuk regresi luasan, serta MSE untuk analisis warna, dengan pembanding metode single-task dan pengukuran manual (ImageJ). Hasil yang diharapkan adalah peningkatan akurasi segmentasi , error regresi yang lebih rendah, serta analisis warna yang lebih konsisten. Pendekatan ini diharapkan mampu memberikan sistem penilaian keloid yang lebih objektif, akurat, dan efisien, serta berpotensi mendukung implementasi clinical decision support system dalam praktik medis.