IDID

Jurnal Ilmu Komputer dan InformatikaJurnal Ilmu Komputer dan Informatika

Klasifikasi jenis kulit wajah secara manual seringkali mengalami subjektivitas dan inkonsistensi karena bergantung pada keahlian manusia. Identifikasi akurat jenis kulit sangat penting untuk memilih solusi perawatan kulit yang tepat. Penelitian ini mengevaluasi kinerja dua Convolutional Neural Networks (CNNs) berbasis transfer learning, yaitu InceptionV3 dan MobileNetV2, untuk mengklasifikasikan jenis kulit wajah menjadi empat kategori: normal, berminyak, kering, dan berjerawat. Total 1.733 gambar wajah dikumpulkan dari Kaggle dan Roboflow dan dibagi menjadi set pelatihan, validasi, dan pengujian dengan rasio 70:20:10. Pra-pemrosesan melibatkan normalisasi, augmentasi, dan penyesuaian ukuran berdasarkan ukuran input masing-masing model. Kedua model disesuaikan dan dievaluasi menggunakan metrik akurasi, presisi, recall, dan F1-score. InceptionV3 mencapai akurasi tertinggi sebesar 90,12% dan macro F1-score sebesar 89,47%, khususnya unggul dalam mengidentifikasi kulit normal dan berjerawat. MobileNetV2 mencapai akurasi sebesar 81,15% dan performa yang baik pada jenis kulit kering. Matriks konfusi dan evaluasi pada data baru mengonfirmasi kemampuan generalisasi model, meskipun masih terjadi misklasifikasi di antara kelas yang secara visual mirip. Temuan ini menunjukkan bahwa CNNs dengan transfer learning menyediakan fondasi yang kuat untuk mengembangkan sistem klasifikasi jenis kulit wajah berbasis AI, menawarkan potensi integrasi ke dalam aplikasi dermatologis.

Penelitian ini berhasil menerapkan dua arsitektur CNN berbasis transfer learning, yaitu InceptionV3 dan MobileNetV2, untuk tugas klasifikasi otomatis jenis kulit wajah ke dalam empat kategori utama.Secara umum, model InceptionV3 menunjukkan performa lebih tinggi dibandingkan MobileNetV2, terutama dalam mendeteksi jenis kulit normal dan berjerawat.Sebaliknya, MobileNetV2 menunjukkan efisiensi yang baik dan cocok diterapkan pada perangkat dengan sumber daya terbatas.Evaluasi terhadap data baru juga menunjukkan kemampuan generalisasi yang cukup baik dari kedua model, meskipun kesalahan klasifikasi masih ditemukan pada kelas dengan kemiripan visual tinggi.Kontribusi utama terletak pada penerapan dua arsitektur CNN dengan kompleksitas berbeda pada dataset seimbang, disertai teknik augmentasi untuk meningkatkan kemampuan generalisasi.Hasil penelitian ini dapat menjadi landasan untuk pengembangan sistem klasifikasi kulit berbasis AI dalam bidang dermatologi digital maupun aplikasi mobile.Namun demikian, masih terdapat beberapa keterbatasan seperti sensitivitas terhadap pencahayaan ekstrem dan variasi etnisitas yang kurang merata pada dataset.Disarankan untuk mengeksplorasi model yang lebih efisien seperti EfficientNet-Lite, menerapkan pendekatan domain adaptation untuk peningkatan ketahanan model terhadap kondisi dunia nyata, serta teknik interpretabilitas seperti Grad-CAM untuk analisis keputusan model yang lebih transparan.

Untuk penelitian lanjutan, disarankan untuk mempertimbangkan arsitektur alternatif seperti EfficientNet atau Xception, serta mengimplementasikan preprocessing berbasis segmentasi wajah agar klasifikasi lebih akurat dan spesifik. Selain itu, teknik interpretabilitas seperti Grad-CAM dapat digunakan untuk mengidentifikasi bagian wajah yang berkontribusi terhadap keputusan klasifikasi. Pendekatan domain adaptation juga dapat dieksplorasi untuk meningkatkan ketahanan model terhadap kondisi dunia nyata. Eksplorasi arsitektur ringan seperti EfficientNet-Lite dapat dipertimbangkan untuk aplikasi mobile dengan sumber daya terbatas. Dataset multispektral juga dapat menjadi arah eksplorasi untuk mengatasi keterbatasan visual citra RGB konvensional.

  1. Evaluation of Transfer Learning-Based Convolutional Neural Networks (InceptionV3 and MobileNetV2) for... doi.org/10.54082/jiki.264Evaluation of Transfer Learning Based Convolutional Neural Networks InceptionV3 and MobileNetV2 for doi 10 54082 jiki 264
Read online
File size1.13 MB
Pages22
DMCAReport

Related /

ads-block-test