{
      "date": "2026-07-14",
      "dir": "disk0\/00\/02\/70\/22",
      "contact_email": "bertha.gadis@gmail.com",
      "department": "KODEPRODI55201#Teknik Informatika",
      "subjects": [
        457,
        459,
        462
      ],
      "metadata_visibility": "show",
      "userid": 65780,
      "rev_number": 16,
      "lastmod": "2026-08-05 17:22:09",
      "uri": "http:\/\/repository.unpkediri.ac.id\/id\/eprint\/27022",
      "eprint_status": "archive",
      "ispublished": "unpub",
      "status_changed": "2026-08-05 17:22:09",
      "referencetext": "Ajeng Qumaila. (2021, October). Tips Memilih Foundation Sesuai Jenis Kulit Wajah. Hellosehat.Com. https:\/\/hellosehat.com\/penyakit-kulit\/perawatan-kulit\/memilih-foundation-sesuai-kulit-wajah\/\r\nAmanda Prawita Ningrum, Sri Winarno, & Vincentius Praskatama. (2024). Klasifikasi Kualitas Biji Kedelai Menggunakan Transfer Learning Convolutional Neural Network Dan SMOTE. Journal of Applied Computer Science and Technology, 5(2), 155–164. https:\/\/doi.org\/10.52158\/jacost.v5i2.1002\r\nAprilia, T. (2025). ANALISIS PERBANDINGAN METODE DEEP LEARNING DALAM PREDIKSI PENGGUNAAN SKINCARE. 22.\r\nAura Futri, D., & Lucia Kharisma, I. (2025). IMPLEMENTASI MODEL VISION TRANSFORMER PADA KLASIFIKASI JENIS KULIT WAJAH BERBASIS WEBSITE. 6(2), 214–229. https:\/\/doi.org\/10.37859\/coscitech.v6i2.10026\r\nBakti, I., Firdaus, M., & Artikel, S. (2023). Arsitektur Convolutional Neural Network InceptionResNet-V2 Untuk Pengelompokan Pneumonia Chest X-Ray INFO ARTIKEL ABSTRAK. Daerah Khusus Ibukota Jakarta, 12530(77). https:\/\/doi.org\/10.58290\/jukomtek\r\nButarbutar, L. E., Farmawaty Tambunan, V., Davina, S., Syahputra, H., Komputer, I., Matematika, F., Ilmu, D., Alama, P., & Medan, U. N. (2025). Hermawan Syahputra 4) Skinmatch: Rekomendasi Warna Pakaian Berdasarkan Undertone Kulit Menggunakan Pengolahan Citra Digital. JURNAL FASILKOM, 15 No.2.\r\nChoi, Y.-M., & Bae, S. (2024). A Study on Foundation Color Classification with the Application of Personal Colors. Asian Journal of Beauty and Cosmetology, 22(2), 323–334.\r\nDian Anisa Agustina. (2024). KLASIFIKASI CITRA JENIS KULIT WAJAH DENGAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK (CNN) RESNET-50. Jurnal Riset Sistem Informasi, 1(3), 01–07. https:\/\/doi.org\/10.69714\/13sbby24\r\nDian Azurah. (2023). View of Klasifikasi Penyakit Bawang Merah Menggunakan Naïve Bayes dan Convolutional Neural Network.\r\ndr. Erlian Dimas SpDVE. (2025, June 13). Mengenal Undertone Kulit dan Cara Simpel untuk Mengetahuinya. Halodoc.Com. https:\/\/www.halodoc.com\/artikel\/mengenal-undertone-kulit-dan-cara-simpel-untuk-mengetahuinya?srsltid=AfmBOoo5rk2pwFXY1NWBRAcxJpE-FhDvFSxU4W_63XcjPVt82UY2-qy9\r\ndr. Gracia Fensynthia. (2024, March 20). Undertone Kulit, Kenali Jenis serta Cara dan Manfaat Mengetahuinya. Alodokter.Com. https:\/\/www.alodokter.com\/undertone-kulit-kenali-jenis-serta-cara-dan-manfaat-mengetahuinya\r\nFaiz Noorhadi, D., & Mulyati, S. (2024). JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Journal homepage: https:\/\/jurnal.stkippgritulungagung.ac.id\/index.php\/jipi IMPLEMENTASI RULE-BASED REASONING DALAM PENCEGAHAN STUNTING (STUDI KASUS: DINAS KESEHATAN KABUPATEN KLATEN). Jurnal Ilmiah Penelitian Dan Pembelajaran Informatika, 9(4), 2086–2096. https:\/\/doi.org\/10.29100\/jipi.v9i2.5631\r\nFirmanto, A. D., Aprilia, A., Media, P. N., & Jakarta, K. (2024). Deteksi Cacat Produk Kemasan Karton Lipat Pada Minuman Berbasis Computer Vision. https:\/\/doi.org\/10.46961\/jommit.v8i1\r\nHadhiwibowo, A., Asri, S. R., & Dinata, R. A. (2024). Penerapan Convolutional Neural Network dengan Arsitektur Mobilenetv2 Pada Aplikasi Penerjemah dan Pembelajaran Bahasa Isyarat. TIN: Terapan Informatika Nusantara, 4(8), 518–523. https:\/\/doi.org\/10.47065\/tin.v4i8.4879\r\nJuan, R., Butar-Butar, H., & Lysbetti Marpaung, N. (2023). Deep Learning untuk Identifikasi Daun Tanaman Obat Menggunakan Transfer Learning MobileNetV2. 8(2).\r\nLestari, I. S., Jumadi, J., & Lukman, N. (2024). IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORK DENGAN PRE-TRAINED MODEL MOBILENETV2 UNTUK DETEKSI KOLESTEROL. Rabit : Jurnal Teknologi Dan Sistem Informasi Univrab, 9(2), 173–183. https:\/\/doi.org\/10.36341\/rabit.v9i2.4732\r\nMaukar, Sutanty, E., & Astuti, D. K. (2023). Kombinasi Case-Based Reasoning dan Rule-Based Reasoning Pada Sistem Pakar Deteksi Awal Covid-19. Decode: Jurnal Pendidikan Teknologi Informasi, 3(1), 94–105. https:\/\/doi.org\/10.51454\/decode.v3i1.138\r\nMukhlis Santoso, Sarjon Defit, & Yuhandri. (2024). Penerapan Convolutional Neural Network pada Klasifikasi Citra Pola Kain Tenun Melayu. Jurnal CoSciTech (Computer Science and Information Technology), 5(1), 177–184. https:\/\/doi.org\/10.37859\/coscitech.v5i1.6713\r\nNajamuddin, M., Miharja, D., Ahmad, H., Candra, F., & Tedi, N. (2025). Pengembangan Sistem Rekomendasi Berpakaian Menggunakan Local Binary Pattern (LBP) dan K-Nearest Neighbor (K-NN). SKANIKA: Sistem Komputer Dan Teknik Informatika, 8(2), 330–339.\r\nNatsir, A. M. F. M., Achmad, A., & Hazriani, H. (2023). Klasifikasi Ikan Tuna Layak Ekspor Menggunakan Metode Convolutional Neural Network. Jurnal Ilmiah Sistem Informasi Dan Teknik Informatika (JISTI), 6(2), 172–183. https:\/\/doi.org\/10.57093\/jisti.v6i2.173\r\nPamungkas, D. P., & Amrulloh, M. F. (2025). ANALISIS HASIL KLASIFIKASI PENYAKIT DAUN BAWANG MERAH MENGGUNAKAN CNN ARSITEKTUR EXCEPTION. JIPI (Jurnal Ilmiah Penelitian Dan Pembelajaran Informatika), 10(1), 359–366. https:\/\/doi.org\/10.29100\/jipi.v10i1.5875\r\nPanjaitan, Z., Andika, B., & Dahria, M. (2025). Pengelompokan Citra Warna Kulit Untuk Rekomendasi Shade Make-Up Kecantikan Dengan Konsep Pengolahan Citra Digital. https:\/\/ojs.trigunadharma.ac.id\/index.php\/jsi\r\nParameswari, S. D., Prasetyo, N. A., & Junaidi, A. (2022). Aplikasi Berbasis Web Deteksi Undertone Menggunakan Metode Agile Untuk Rekomendasi Makeup. Jurnal Ilmiah Media Sisfo, 16(1), 62–70. https:\/\/doi.org\/10.33998\/mediasisfo.2022.16.1.1111\r\nPutri, D., & Dkk, A. (2023). AUGMENTASI DATA PADA IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORK ARSITEKTUR EFFICIENTNET-B3 UNTUK KLASIFIKASI PENYAKIT DAUN PADI (Vol. 5, Number 2).\r\nRegional Marketing Team. (2022, December 2). 4 Cara Mengetahui Undertone Kulit dengan Mudah. Watsons.Co.Id. https:\/\/www.watsons.co.id\/id\/blog\/latest-trend-id\/4-cara-mengetahui-undertone-kulit-dengan-mudah\r\nRizka Fayyadhila. (2021). View of Implementasi Deep Learning Untuk Klasifikasi Citra Undertone Menggunakan Algoritma Convolutional Neural Network. JOURNAL OF DINDA, 1.\r\nSandler, M., Howard, A., Zhu, M., Zhmoginov, A., & Chen, L.-C. (2018). MobileNetV2: Inverted Residuals and Linear Bottlenecks. 2018 IEEE\/CVF Conference on Computer Vision and Pattern Recognition, 4510–4520. https:\/\/doi.org\/10.1109\/CVPR.2018.00474\r\nSantosa, D. B., Wahana, A., & Uriawan, W. (2025). IMPLEMENTATION OF CONVOLUTIONAL NEURAL NETWORK USING MOBILENETV2 TO DISTINGUISH HUMAN AND ARTIFICIAL INTELLIGENCE PAINTING. Jurnal Teknik Informatika (Jutif), 6(1), 441–452. https:\/\/doi.org\/10.52436\/1.jutif.2025.6.1.3827\r\nSari, I. P., Danianti, D., Wijaya, D. P., & Pramuntadi, A. (2025). SISTEM PAKAR PENENTUAN JENIS KULIT WAJAH MENGGUNAKAN SAW DAN RULE-BASED UNTUK REKOMENDASI SKINCARE. Jurnal Informatika Teknologi Dan Sains (Jinteks), 7(4), 1792–1801. https:\/\/doi.org\/10.51401\/jinteks.v7i4.6733\r\nSimarmata, A., Putra, A., & Husein, A. (2024). Penerapan Metode Computer Vision Dalam Klasifikasi Buah Jeruk Menggunakan Teknik Image Pre-Processing. Data Sciences Indonesia (DSI), 3(2), 108–114. https:\/\/doi.org\/10.47709\/dsi.v3i2.4010\r\nSutiani, R. A., Made, N., Ulandari, S., & Saputra, R. A. (n.d.). Klasifikasi Kesegaran Ikan Menggunakan Citra Mata dengan Convolutional Neural Network Arsitektur VGG-16. JOINTER-JOURNAL OF INFORMATICS ENGINEERING, 05(02).\r\nSyalsabila, A., Saputra, R., Sutri, R., Saputra, R., & Sovia, R. (2025). Klasifikasi Citra Buah Jeruk Mandarin dan Kelapa Menggunakan Algoritma PCA dan Metode K-Nearest Neighbor (KNN). Jurnal Pendidikan Guru Journal-April, 6(2), 2025. https:\/\/ejournal.uika-bogor.ac.id\/index.php\/jpg\/index\r\nThe Body Shop. (2019, October 7). SKIN TONE VS. UNDERTONE; APA PERBEDAAN DAN MANFAATNYA? Https:\/\/Www.Google.Com\/Search?Q=https:\/\/Www.Thebodyshop.Com\/Tips-and-Advice\/Skin-Tone-vs-Undertone.\r\nTim Medis Siloam Hospitals. (2024, October 22). 5 Cara Mengetahui Undertone Kulit dengan Sederhana  . Siloamhospitals.Com. https:\/\/www.siloamhospitals.com\/informasi-siloam\/artikel\/cara-mengetahui-undertone-kulit\r\nTresya Anjali Dompeipen, S. (2021). jm_informatika,+31471-67034-1-ED2. Jurnal Teknik Informatika, 16 no. 1. https:\/\/doi.org\/https:\/\/doi.org\/10.35793\/jti.v16i1.31471\r\nVirna, N., Sebayang, D. B., Gusti, I., Lanang, N., Kusuma, W., Dalira, V., & Sebayang, B. (2024). Klasifikasi Jenis Jerawat Berdasarkan Citra Menggunakan Convolutional Neural Network dengan Arsitektur MobileNetV2.\r\nWangsa Kencana, N., & Umar, R. (n.d.). JIP (Jurnal Informatika Polinema) Implementasi Transfer Learning Untuk Klasifikasi Jenis Ras Ayam Menggunakan Arsitektur MobileNetV2.\r\nWega Intyanto, G. (2021). Klasifikasi Citra Bunga dengan Menggunakan Deep Learning: CNN (Convolution Neural Network).\r\nWibisono, A. D. R., Mandyartha, E. P., & Al Haromainy, M. M. (2025). KLASIFIKASI PENYAKIT KULIT BERBASIS SUPPORT VECTOR MACHINE DENGAN EKSTRAKSI FITUR ABCD RULE. JIPI (Jurnal Ilmiah Penelitian Dan Pembelajaran Informatika), 10(1), 686–698. https:\/\/doi.org\/10.29100\/jipi.v10i1.6039\r\nYuditha Hatur Puspita, A. S. (2024). Perbandingan Arsitektur MobileNetV2 dan DenseNet121 untuk Klasifikasi. Jurnal Ilmiah Komputasi, 23(1). https:\/\/doi.org\/10.32409\/jikstik.23.1.3502",
      "documents": [
          {
            "content": "accepted",
            "language": "id",
            "license": "cc_public_domain",
            "formatdesc": "Full text",
            "pos": 1,
            "security": "validuser",
            "docid": 219995,
            "mime_type": "application\/pdf",
            "eprintid": 27022,
            "format": "text",
            "rev_number": 2,
            "placement": 1,
            "uri": "http:\/\/repository.unpkediri.ac.id\/id\/document\/219995",
            "files": [
                {
                  "hash_type": "MD5",
                  "datasetid": "document",
                  "filesize": 14602368,
                  "hash": "25d99429479ace5fd9cd0b63235314fd",
                  "filename": "RAMA_55201_2213020218.pdf",
                  "mime_type": "application\/pdf",
                  "mtime": "2026-08-05 17:01:50",
                  "fileid": 506562,
                  "uri": "http:\/\/repository.unpkediri.ac.id\/id\/file\/506562",
                  "objectid": 219995
                }
            ],
            "main": "RAMA_55201_2213020218.pdf"
          },
          {
            "content": "accepted",
            "language": "id",
            "license": "cc_public_domain",
            "formatdesc": "Similarity",
            "pos": 2,
            "security": "public",
            "docid": 219996,
            "mime_type": "application\/pdf",
            "eprintid": 27022,
            "format": "text",
            "rev_number": 2,
            "placement": 2,
            "uri": "http:\/\/repository.unpkediri.ac.id\/id\/document\/219996",
            "files": [
                {
                  "hash_type": "MD5",
                  "datasetid": "document",
                  "filesize": 999682,
                  "hash": "7d451293f5e2aa9c2f239431f201efd2",
                  "filename": "RAMA_55201_2213020218_SIMILARITY.pdf",
                  "mime_type": "application\/pdf",
                  "mtime": "2026-08-05 17:02:10",
                  "fileid": 506567,
                  "uri": "http:\/\/repository.unpkediri.ac.id\/id\/file\/506567",
                  "objectid": 219996
                }
            ],
            "main": "RAMA_55201_2213020218_SIMILARITY.pdf"
          },
          {
            "content": "accepted",
            "language": "id",
            "license": "cc_public_domain",
            "formatdesc": "Cover sd BAB 1 + References",
            "pos": 3,
            "security": "public",
            "docid": 219997,
            "mime_type": "application\/pdf",
            "eprintid": 27022,
            "format": "text",
            "rev_number": 3,
            "placement": 3,
            "uri": "http:\/\/repository.unpkediri.ac.id\/id\/document\/219997",
            "files": [
                {
                  "hash_type": "MD5",
                  "datasetid": "document",
                  "filesize": 12086285,
                  "hash": "189d621cee9f5c72f4329c39e5b444a9",
                  "filename": "RAMA_55201_2213020218_0708028704_0729088802_01_front_ref.pdf",
                  "mime_type": "application\/pdf",
                  "mtime": "2026-08-05 17:02:58",
                  "fileid": 506572,
                  "uri": "http:\/\/repository.unpkediri.ac.id\/id\/file\/506572",
                  "objectid": 219997
                }
            ],
            "main": "RAMA_55201_2213020218_0708028704_0729088802_01_front_ref.pdf"
          },
          {
            "content": "accepted",
            "language": "id",
            "license": "cc_public_domain",
            "formatdesc": "BAB 2",
            "pos": 4,
            "security": "validuser",
            "docid": 219998,
            "mime_type": "application\/pdf",
            "eprintid": 27022,
            "format": "text",
            "rev_number": 3,
            "placement": 4,
            "uri": "http:\/\/repository.unpkediri.ac.id\/id\/document\/219998",
            "files": [
                {
                  "hash_type": "MD5",
                  "datasetid": "document",
                  "filesize": 878078,
                  "hash": "daf1ffc10134ba6fc402002f12337a5f",
                  "filename": "RAMA_55201_2213020218_0708028704_0729088802_02.pdf",
                  "mime_type": "application\/pdf",
                  "mtime": "2026-08-05 17:03:13",
                  "fileid": 506574,
                  "uri": "http:\/\/repository.unpkediri.ac.id\/id\/file\/506574",
                  "objectid": 219998
                }
            ],
            "main": "RAMA_55201_2213020218_0708028704_0729088802_02.pdf"
          },
          {
            "content": "accepted",
            "language": "id",
            "license": "cc_public_domain",
            "formatdesc": "BAB 3",
            "pos": 5,
            "security": "validuser",
            "docid": 219999,
            "mime_type": "application\/pdf",
            "eprintid": 27022,
            "format": "text",
            "rev_number": 2,
            "placement": 5,
            "uri": "http:\/\/repository.unpkediri.ac.id\/id\/document\/219999",
            "files": [
                {
                  "hash_type": "MD5",
                  "datasetid": "document",
                  "filesize": 681791,
                  "hash": "cbb2cb3ad2a9932397d6b01a796f003e",
                  "filename": "RAMA_55201_2213020218_0708028704_0729088802_03.pdf",
                  "mime_type": "application\/pdf",
                  "mtime": "2026-08-05 17:03:29",
                  "fileid": 506576,
                  "uri": "http:\/\/repository.unpkediri.ac.id\/id\/file\/506576",
                  "objectid": 219999
                }
            ],
            "main": "RAMA_55201_2213020218_0708028704_0729088802_03.pdf"
          },
          {
            "content": "accepted",
            "language": "id",
            "license": "cc_public_domain",
            "formatdesc": "BAB 4",
            "pos": 6,
            "security": "validuser",
            "docid": 220000,
            "mime_type": "application\/pdf",
            "eprintid": 27022,
            "format": "text",
            "rev_number": 2,
            "placement": 6,
            "uri": "http:\/\/repository.unpkediri.ac.id\/id\/document\/220000",
            "files": [
                {
                  "hash_type": "MD5",
                  "datasetid": "document",
                  "filesize": 885306,
                  "hash": "947abdda23a9ce8b26983fe685e6c50d",
                  "filename": "RAMA_55201_2213020218_0708028704_0729088802_04.pdf",
                  "mime_type": "application\/pdf",
                  "mtime": "2026-08-05 17:03:59",
                  "fileid": 506578,
                  "uri": "http:\/\/repository.unpkediri.ac.id\/id\/file\/506578",
                  "objectid": 220000
                }
            ],
            "main": "RAMA_55201_2213020218_0708028704_0729088802_04.pdf"
          },
          {
            "content": "accepted",
            "language": "id",
            "license": "cc_public_domain",
            "formatdesc": "BAB 5",
            "pos": 7,
            "security": "validuser",
            "docid": 220002,
            "mime_type": "application\/pdf",
            "eprintid": 27022,
            "format": "text",
            "rev_number": 2,
            "placement": 7,
            "uri": "http:\/\/repository.unpkediri.ac.id\/id\/document\/220002",
            "files": [
                {
                  "hash_type": "MD5",
                  "datasetid": "document",
                  "filesize": 275456,
                  "hash": "8e047a147f85891b4b3ccbaa1f1bfbf3",
                  "filename": "RAMA_55201_2213020218_0708028704_0729088802_05.pdf",
                  "mime_type": "application\/pdf",
                  "mtime": "2026-08-05 17:04:15",
                  "fileid": 506582,
                  "uri": "http:\/\/repository.unpkediri.ac.id\/id\/file\/506582",
                  "objectid": 220002
                }
            ],
            "main": "RAMA_55201_2213020218_0708028704_0729088802_05.pdf"
          },
          {
            "content": "bibliography",
            "language": "id",
            "license": "cc_public_domain",
            "formatdesc": "References",
            "pos": 8,
            "security": "public",
            "docid": 220004,
            "mime_type": "application\/pdf",
            "eprintid": 27022,
            "format": "text",
            "rev_number": 2,
            "placement": 8,
            "uri": "http:\/\/repository.unpkediri.ac.id\/id\/document\/220004",
            "files": [
                {
                  "hash_type": "MD5",
                  "datasetid": "document",
                  "filesize": 265738,
                  "hash": "493ac67854debdb9eb244fc4dbf3d679",
                  "filename": "RAMA_55201_2213020218_0708028704_0729088802_06_ref.pdf",
                  "mime_type": "application\/pdf",
                  "mtime": "2026-08-05 17:04:38",
                  "fileid": 506587,
                  "uri": "http:\/\/repository.unpkediri.ac.id\/id\/file\/506587",
                  "objectid": 220004
                }
            ],
            "main": "RAMA_55201_2213020218_0708028704_0729088802_06_ref.pdf"
          },
          {
            "content": "accepted",
            "language": "id",
            "license": "cc_public_domain",
            "formatdesc": "Lampiran",
            "pos": 9,
            "security": "validuser",
            "docid": 220005,
            "mime_type": "application\/pdf",
            "eprintid": 27022,
            "format": "text",
            "rev_number": 2,
            "placement": 9,
            "uri": "http:\/\/repository.unpkediri.ac.id\/id\/document\/220005",
            "files": [
                {
                  "hash_type": "MD5",
                  "datasetid": "document",
                  "filesize": 1336253,
                  "hash": "ddcd6eb7dd7aec0bfa376c098a09edf9",
                  "filename": "RAMA_55201_2213020218_0708028704_0729088802_07_lamp.pdf",
                  "mime_type": "application\/pdf",
                  "mtime": "2026-08-05 17:05:01",
                  "fileid": 506590,
                  "uri": "http:\/\/repository.unpkediri.ac.id\/id\/file\/506590",
                  "objectid": 220005
                }
            ],
            "main": "RAMA_55201_2213020218_0708028704_0729088802_07_lamp.pdf"
          }
      ],
      "keywords": "Citra Urat Nadi, Convolutional Neural Network, MobileNetV2, Undertone Kulit, shade foundation, Deep Learning",
      "pages": 117,
      "thesis_name": "dphil",
      "divisions": [
        "sch_psy"
      ],
      "type": "thesis",
      "date_type": "completed",
      "title": "KLASIFIKASI UNDERTONE KULIT MENGGUNAKAN CNN ARSITEKTUR MOBILENETV2 UNTUK REKOMENDASI SHADE FOUNDATION BERBASIS CITRA URAT NADI",
      "contributors": [
        {
          "id": "NIDN0708028704",
          "name": {
            "lineage": null,
            "given": "Danar Putra",
            "family": "Pamungkas",
            "honourific": null
          },
          "type": "http:\/\/www.loc.gov\/loc.terms\/relators\/THS"
        },
        {
          "id": "NIDN0729088802",
          "name": {
            "lineage": null,
            "given": "Made Ayu Dusea",
            "family": "Widyadara",
            "honourific": null
          },
          "type": "http:\/\/www.loc.gov\/loc.terms\/relators\/THS"
        }
      ],
      "eprintid": 27022,
      "thesis_type": "other",
      "abstract": "Memilih shade foundation yang sesuai dengan karakteristik kulit merupakan faktor penting untuk memperoleh tampilan riasan yang alami. Salah satu aspek utama dalam pemilihan shade foundation adalah undertone kulit yang diklasifikasikan menjadi tiga kategori, yaitu Cool, Neutral, dan Warm. Namun, identifikasi undertone kulit umumnya masih dilakukan secara manual melalui pengamatan warna urat nadi pada pergelangan tangan. Metode tersebut bersifat subjektif karena dipengaruhi oleh persepsi individu, kondisi pencahayaan, dan kualitas pengamatan sehingga sering menyebabkan ketidaktepatan dalam menentukan shade foundation yang sesuai.\r\nPenelitian ini bertujuan menerapkan metode Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2 untuk mengklasifikasikan undertone kulit berdasarkan citra urat nadi pergelangan tangan. Selain itu, penelitian ini juga bertujuan mengevaluasi kinerja model, menganalisis kemampuan generalisasi model, serta mengembangkan aplikasi Android yang mampu memberikan rekomendasi shade foundation berdasarkan hasil klasifikasi undertone kulit.\r\nPenelitian menggunakan pendekatan deep learning dengan teknik transfer learning pada model MobileNetV2 yang telah dilatih menggunakan dataset ImageNet. Dataset terdiri atas tiga kelas undertone, yaitu Cool, Neutral, dan Warm. Sebelum proses pelatihan, citra melalui tahap preprocessing berupa resize dan normalisasi, kemudian dilakukan augmentasi data untuk meningkatkan keragaman data pelatihan. Arsitektur model terdiri atas MobileNetV2 sebagai ekstraktor fitur yang dipadukan dengan Global Average Pooling, Dense Layer, Batch Normalization, Dropout, dan lapisan Softmax sebagai klasifikasi akhir. Evaluasi model dilakukan menggunakan metrik accuracy, precision, recall, F1-score, classification report, dan confusion matrix.\r\nHasil penelitian menunjukkan bahwa model MobileNetV2 mampu mengklasifikasikan undertone kulit ke dalam tiga kategori, yaitu Cool, Neutral, dan Warm. Proses pelatihan menghasilkan training accuracy sebesar 71,21% dan validation accuracy sebesar 40,00%, sedangkan hasil pengujian pada data testing memperoleh akurasi sebesar 48,88%, dengan precision sebesar 0,54, recall sebesar 0,49, dan F1-score sebesar 0,46. Hasil classification report menunjukkan bahwa kelas Neutral memiliki recall tertinggi sebesar 80%, sedangkan kelas Warm memiliki recall terendah sebesar 20%. Analisis grafik accuracy dan loss menunjukkan adanya kecenderungan overfitting, di mana kinerja model pada data pelatihan lebih baik dibandingkan data validasi dan data pengujian. Kondisi tersebut dipengaruhi oleh keterbatasan jumlah dan keragaman dataset, variasi pencahayaan saat akuisisi citra, serta feature overlap akibat kemiripan karakteristik visual antar kelas undertone.\r\nSelain menghasilkan model klasifikasi, penelitian ini berhasil mengembangkan aplikasi Android berbasis Kotlin yang terintegrasi dengan model MobileNetV2 melalui FastAPI Server. Aplikasi memungkinkan pengguna mengunggah citra urat nadi pergelangan tangan sebagai masukan, kemudian sistem secara otomatis mengklasifikasikan undertone kulit, menampilkan nilai probabilitas prediksi untuk setiap kategori undertone, serta memberikan rekomendasi shade foundation menggunakan metode Rule-Based Recommendation berdasarkan hasil klasifikasi. Berdasarkan pengujian implementasi menggunakan 30 data uji, sistem berhasil mengklasifikasikan 16 data dengan benar dan 14 data mengalami kesalahan klasifikasi, sehingga diperoleh akurasi keseluruhan sebesar 53,33%.\r\n\r\nSecara keseluruhan, penelitian ini menunjukkan bahwa arsitektur MobileNetV2 dapat diterapkan untuk klasifikasi undertone kulit berbasis citra urat nadi dan diintegrasikan ke dalam aplikasi Android. Meskipun demikian, kemampuan generalisasi model masih perlu ditingkatkan karena dipengaruhi oleh keterbatasan dataset, variasi kondisi pengambilan citra, dan kemiripan karakteristik visual antar kelas undertone. Oleh karena itu, penelitian selanjutnya disarankan menggunakan dataset yang lebih beragam, menerapkan proses akuisisi citra yang lebih terstandarisasi, serta melakukan optimasi model untuk meningkatkan performa klasifikasi.",
      "creators": [
        {
          "id": "NIM2213020218",
          "name": {
            "lineage": null,
            "given": "Bertha Gadis",
            "family": "Maydinta",
            "honourific": null
          }
        }
      ],
      "full_text_status": "restricted",
      "institution": "Universitas Nusantara PGRI Kediri"
    }