Implementasi EfficientNet-B0 untuk klasifikasi skintone dan rekomendasi shade complexion menggunakan Rule-Based System

Fujianti, Dailfhiana (2026) Implementasi EfficientNet-B0 untuk klasifikasi skintone dan rekomendasi shade complexion menggunakan Rule-Based System. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text 1_cover.pdf Download (264kB) | Preview
Preview	Text 2_abstrak.pdf Download (203kB) | Preview
Preview	Text 3_SKbebasplagiarism.pdf Download (907kB) | Preview
Preview	Text 4_daftarisi.pdf Download (236kB) | Preview
Preview	Text 5_bab1.pdf Download (581kB) | Preview
	Text 6_bab2.pdf Restricted to Registered users only Download (890kB) | Request a copy
	Text 7_bab3.pdf Restricted to Registered users only Download (518kB) | Request a copy
	Text 8_bab4.pdf Restricted to Registered users only Download (3MB) | Request a copy
	Text 9_bab5.pdf Restricted to Registered users only Download (217kB) | Request a copy
	Text 10_daftarpustaka.pdf Restricted to Registered users only Download (199kB) | Request a copy

Abstract

Perkembangan e-commerce di bidang kecantikan memberikan kemudahan dalam pembelian kosmetik secara daring, namun masih menyisakan permasalahan dalam pemilihan shade produk complexion. Konsumen tidak dapat mencoba produk secara langsung sehingga sering mengalami ketidaksesuaian shade akibat keterbatasan informasi produk, perbedaan tampilan warna pada layar perangkat, serta penilaian yang masih bersifat subjektif. Oleh karena itu, diperlukan sistem yang mampu mendeteksi skintone secara otomatis agar dapat memberikan rekomendasi shade yang lebih sesuai dengan karakteristik warna kulit pengguna. Penelitian ini bertujuan menerapkan algoritma EfficientNet-B0 untuk mengklasifikasikan skintone wajah ke dalam empat kategori, yaitu dark, light, middark, dan mid-light, serta menerapkan metode Rule-Based System untuk memberikan rekomendasi shade foundation dan bedak Wardah berdasarkan hasil klasifikasi tersebut. Model dibangun menggunakan EfficientNet-B0 dengan pendekatan Transfer Learning pada dataset Kaggle berisi 7.680 citra wajah, dan dievaluasi menggunakan accuracy, precision, recall, F1-Score, serta Confusion Matrix. Hasil penelitian menunjukkan bahwa skenario pembagian data 70:15:15 menghasilkan performa terbaik dengan test accuracy sebesar 78,23%, dengan precision, recall, dan F1-score tertinggi pada kelas dark serta terendah pada kelas light dan mid-light. Hasil klasifikasi berhasil diintegrasikan dengan Rule-Based System untuk menghasilkan rekomendasi shade secara otomatis, dan diimplementasikan dalam prototype aplikasi web berbasis Streamlit yang berfungsi sebagai decision support system bagi pengguna dalam menentukan shade complexion secara lebih objektif.

Actions (login required)

View Item