KLASIFIKASI UNDERTONE KULIT MENGGUNAKAN CNN ARSITEKTUR MOBILENETV2 UNTUK REKOMENDASI SHADE FOUNDATION BERBASIS CITRA URAT NADIBertha GadisMaydintaauthorMemilih 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. Penelitian 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. Penelitian 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. Hasil 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. Selain 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%. Secara 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.457 Computer engineering459 Computer science462 Information technology2026-07-14Universitas Nusantara PGRI Kediri;KODEPRODI55201#Teknik InformatikaThesis