Klasifikasi Jenis Rambut Berbasis Citra Menggunakan Convolutional Neural Network dengan Arsitektur MobileNetV2
DOI:
https://doi.org/10.29407/z0rqxt36Abstract
Penelitian ini bertujuan untuk mengklasifikasikan jenis rambut berbasis citra menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2. Model dikembangkan menggunakan pendekatan transfer learning dengan bobot awal dari dataset ImageNet untuk meningkatkan performa klasifikasi. Dataset terdiri dari tiga kelas, yaitu rambut lurus, bergelombang, dan keriting. Tahapan penelitian meliputi preprocessing citra, augmentasi data, pelatihan model, serta proses fine-tuning. Hasil pengujian menunjukkan bahwa model mampu mencapai akurasi sebesar 91% pada data validasi. Selain itu, diperoleh nilai precision sebesar 0,90, recall sebesar 0,90, dan f1-score sebesar 0,90. Performa terbaik diperoleh pada kelas rambut keriting dengan nilai recall sebesar 0,99. Hasil ini menunjukkan bahwa arsitektur MobileNetV2 dengan teknik transfer learning efektif digunakan untuk klasifikasi jenis rambut berbasis citra dengan tingkat akurasi yang tinggi.
Keywords:
CNN, klasifikasi citra, MobileNetV2, deep learning, jenis rambut##plugins.themes.default.displayStats.downloads##
References
[1] S. Riyadi, M. Jamaludin, and R. N. Munawarah, “Pengembangan Aplikasi Manajemen
Laporan Keuangan Dan Kegiatan di IAIN Palangka Raya,” Generation Journal, no. 1,
2025, doi: https://doi.org/10.29407/gj.v9i1.23970.
[2] M. H. Fauzi et al., “Perancangan Strategi Pemeliharaan Dengan Pendekatan Metode Cmms
Dan Ommp Dengan Fmeca Sebagai Perspektif (Studi Kasus : Instrument Air Compressor
Pt. Xyz),” Jurnal Nusantara Of Engineering, vol. 8, no. 1, 2025, doi:
doi.org/10.29407/noe.v8i01.24674.
[3] A. Z. Abdullah and E. B. Setiawan, “Sentiment Analysis Accuracy for 2024 Indonesian
Election Tweets Using CNN-LSTM With Genetic Algorithm Optimization,” INTENSIF:
Jurnal Ilmiah Penelitian dan Penerapan Teknologi Sistem Informasi, vol. 9, no. 1, pp. 1–
14, Feb. 2025, doi: 10.29407/intensif.v9i1.22999.
[4] S. Syafika and S. Marianingsih, “Analisis Komparatif Arsitektur MobileNet untuk
Klasifikasi Tipe Jerawat pada Citra Wajah,” MALCOM: Indonesian Journal of Machine
Learning and Computer Science, vol. 6, no. 2, pp. 839–851, 2026, doi:
10.57152/malcom.v6i2.2643.
[5] M. S. Azzahra, S. S. Maesaroh, and R. G. Guntara, “Penggunaan Convolutional Neural
Network dan Transfer Learning untuk Rekomendasi Gaya Rambut Pria,” Jurnal Algoritma,
vol. 21, no. 2, pp. 173–183, Nov. 2024, doi: 10.33364/algoritma/v.21-2.2134.
[6] S. Arnandito and T. B. Sasongko, “Comparison of EfficientNetB7 and MobileNetV2 in
Herbal Plant Species Classification Using Convolutional Neural Networks,” Journal of
Applied Informatics and Computing (JAIC), vol. 8, no. 1, pp. 176–185, 2024, doi:
10.30871/jaic.v8i1.7927.
[7] M. U. Ridlo, “Klasifikasi Ras Kucing Real-Time Pada Android Menggunakan Transfer
Learning MobileNetV2,” Pros. Semin. Nas. Teknol. DAN SAINS, vol. 5, 2026.
[8] R. Imanuel, R. N. W. Dafalah, R. C. P. Murdoko, F. Budiman, and Muslih Muslih, “Deteksi
Dan Klasifikasi Citra Wajah Menggunakan MTCNN Dan MOBILENET,” Integrative
Research in Computer Science, vol. 1, no. 1, pp. 23–39, 2025.
[9] E. Setia Budi, A. Nofriyaldi Chan, P. Priscillia Alda, and M. Arif Fauzi Idris, “Optimasi
Model Machine Learning untuk Klasifikasi dan Prediksi Citra Menggunakan Algoritma
Convolutional Neural Network,” RESOLUSI : Rekayasa Teknik Informatika dan Informasi,
vol. 4, no. 5, p. 509, 2024, [Online]. Available: https://djournals.com/resolusi
[10] Z. Fatah and M. S. Mori, “Klasifikasi Bentuk Rambut Manusia (Lurus, Keriting,
Bergelombang) Menggunakan Teachable Machine Pendekatan berbasis Gambar,”
JAMASTIKA, vol. 5, no. 1, p. 1, 2026.
[11] A. Faouzi, N. Suarna, A. Bahtiar, C. L. Rohma, and G. Dwilestari, “Analisis Performa
Metode Convolutional Neural Network Dengan Arsitektur Convnext Dalam Klasifikasi
Varietas Beras,” JOURNAL OF COMPUTER SCIENCE AND ARTIFICIAL
INTELLIGENCE (JCSAI), vol. 6, no. 2, 2025, doi: 10.32485/jcsai.
[12] Rio Subandi, Herman, and Anton Yudhana, “Pre-Processing Pada Klasifikasi Citra Medis
Pneumonia,” Decode: Jurnal Pendidikan Teknologi Informasi, vol. 4, no. 1, pp. 86–93,
Nov. 2023, doi: 10.51454/decode.v4i1.198.
[13] B. Dyas Suci, S. Putriayu Sefriani, R. Pakpahan, and I. Budiawan, “Klasifikasi Penyakit
Daun Tanaman Berbasis Citra Menggunakan Convolutional Neural Network Data
Augmentation,” 2026. doi: 10.30998/semnasristek.v10i1.8894.
[14] M. A. Hakiki, N. Rachmat, and K. Kunci-Cnn, “Klasifikasi Spesies Jamur Menggunakan
Convolutional Neural Network dengan Arsitektur MobileNetV2,” Jurnal Algoritme, vol.
6, no. 1, pp. 11–24, 2025, doi: 10.35957/algoritme.v6i1.11077.
[15] Ricky Putra Sardika and W. Widhiarso, “Klasifikasi Otomatis Tingkat Kerusakan Retak
Bangunan pada Citra Digital Menggunakan MobileNetV2 dan Augmentasi Data,” Arcitech:
Journal of Computer Science and Artificial Intelligence, vol. 5, no. 1, pp. 108–124, Jun.
2025, doi: 10.29240/arcitech.v5i1.13938.
[16] I. P. Agus, K. Hidjah, N. Sulistianingsih, and G. Hendro, “Implementasi Arsitektur Deep
Convolutional Neural Network (CNN) dengan Transfer Learning untuk Klasifikasi
Penyakit Kulit,” JTIM Jurnal Teknologi Informasi dan Multimedia, vol. 7, no. 3, pp. 461–
477, 2025.
[17] S. Bahri, A. Sunyoto, and M. P. Kurniawan, “Klasifikasi Hama Pada Daun Sawi
Menggunakan Convolutional Neural Network (CNN) Dengan Algoritma Xcaption dan
Optimasi Adam,” Journal of Electrical Engineering and Computer, vol. 6, no. 2, pp. 359–
370, 2024.
Downloads
Published
Issue
Section
License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Copyright on any article is retained by the author(s).
- The author grants the journal, right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgment of the work’s authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal’s published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
- The article and any associated published material is distributed under the Creative Commons Attribution-ShareAlike 4.0 International License
