Analisis Performa Per-Kelas Klasifikasi Tipe Kulit Wajah Berbasis ResNet50
DOI:
https://doi.org/10.29407/6cet9y67Abstract
Identifikasi tipe kulit wajah secara akurat merupakan kunci efektivitas penggunaan produk skincare. Penelitian ini menganalisis performa per-kelas model ResNet50 pada klasifikasi empat tipe kulit wajah, yaitu acne, dry, normal, dan oily, menggunakan dataset gabungan sebanyak 4.985 citra dari dua sumber Kaggle. Model dilatih menggunakan pendekatan transfer learning dengan bobot pretrained IMAGENET1K_V2, optimizer SGD, dan teknik augmentasi berupa Random Horizontal Flip dan Color Jitter. Hasil pengujian menunjukkan bahwa model mencapai akurasi keseluruhan sebesar 92%, namun terdapat ketimpangan performa antar kelas yang signifikan: kelas acne memperoleh recall 100%, sedangkan kelas dry hanya mencapai 84%, dengan gap sebesar 16 poin persentase. Analisis menunjukkan bahwa ketimpangan tersebut dipengaruhi oleh dua faktor, yaitu distribusi data yang tidak seimbang dan kemiripan karakteristik visual antar tipe kulit. Temuan ini mengindikasikan bahwa akurasi global tidak cukup sebagai satu-satunya indikator evaluasi model klasifikasi kulit wajah.
Keywords:
class imbalance, klasifikasi kulit wajah, performa per-kelas, ResNet50, transfer learning##plugins.themes.default.displayStats.downloads##
References
[1] N. Suhandi, “Literatur Riview Identifikasi Dan Klasifikasi Skincare Berdasarakan
Permasalahan Kulit Wajah,” J. Tata Rias, vol. 14, no. 2, hal. 69–83, 2024.
[2] S. D. Kusumaningrum, “Ekstraksi Ciri untuk Klasifikasi Tipe Kulit Wajah Menggunakan
Citra Foto,” 2024, Universitas Islam Indonesia.
[3] P. Aisyah, “Gambaran Sel Epitel Kulit Wajah Pengguna Whitening Cream Non-BPOM
Pada Mahasiswa Institut Teknologi Sains Dan Kesehatan Insan Cendekia Medika Jombang,”
2025, ITSKes Insan Cendekia Medika Jombang.
[4] F. Mursyid dkk., “DETEKSI ACNE VULGARIS DAN JENIS KULIT PADA CITRA
WAJAH BERBASIS YOLOV7 DAN RESNET50,” J. Teknol. Inf. dan Ilmu Komput., vol. 1, no.
3, hal. 120–130, 2025.
[5] G. S. Sylvagno dan T. H. Rochadiani, “Skincare Recommendation System Based on
Facial Skin Type with Real-Time Weather Integration,” J. Sisfokom (Sistem Inf. dan Komputer),
vol. 14, no. 2, hal. 230–237, 2025.
[6] Herimanto, A. S. Dharma, J. Amalia, D. Largo, dan C. A. P. Sihite, “Performance
Analysis of MobileNetV3-based Convolutional Neural,” vol. 5, no. 158, hal. 701–709, 2024,
[Daring]. Tersedia pada: http://jurnal.iaii.or.id
[7] Nur, Ade, dan Ahmad, “Design of Facial Skin Type Detection Application Using CNN
with Inceptionv3 Model and Google Cloud Platform,” INOVTEK Polbeng - Seri Inform., vol. 10,
no. 2, hal. 1239–1248, 2025, doi: 10.35314/v171yr28.
[8] N. Effendi, D. Handoko, F. Azim, dan F. Farida, “Jurnal Computer Science and
Information Technology ( CoSciTech ) things,” vol. 5, no. 2, hal. 358–366, 2024.
[9] K. He, X. Zhang, S. Ren, dan J. Sun, “Deep residual learning for image recognition,” in
Proceedings of the IEEE conference on computer vision and pattern recognition, 2016, hal. 770–
778.
[10] S. D. Kusumaningrum dan I. Muhimmah, “ANALISIS FAKTOR DAN METODE
UNTUK MENENTUKAN TIPE KULIT WAJAH,” J. Teknol. Inf. dan Ilmu Komput., vol. 10, no.
4, hal. 753–762, 2023, [Daring]. Tersedia pada:
https://jtiik.ub.ac.id/index.php/jtiik/article/view/6955/pdf
[11] D. A. Agustina, “Klasifikasi citra jenis kulit wajah dengan algoritma convolutional neural
network (cnn) resnet-50,” J. Ris. Sist. Inf., vol. 1, no. 3, hal. 1–7, 2024.
[12] M. M. Nugraha, M. D. F. Saputra, D. A. Fauzan, dan E. Y. Puspaningrum, “Augmentasi
Data Pengenalan Citra Batik Yogyakarta Menggunakan Pendekatan Random Crop, Rotate, Dan
Mixup,” in Prosiding Seminar Nasional Informatika Bela Negara (SANTIKA), 2025, hal. 152–
158.
[13] S. Clara, D. Laksmi Prianto, R. Al Habsi, E. Friscila Lumbantobing, dan N. Chamidah,
“Implementasi Seleksi Fitur Pada Algoritma Klasifikasi Machine Learning Untuk Prediksi
Penghasilan Pada Adult Income Dataset,” Semin. Nas. Mhs. Ilmu Komput. dan Apl. JakartaIndonesia, vol. 2, no. 1, hal. 741–747, 2021.
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
