Tugas Akhir 12220071_Ihza Eka Nandha

Tugas Akhir 12220071_Ihza Eka Nandha

• By Nandha, Ihza Eka;
• 3

Identifikasi jenis kulit wajah secara akurat sulit dilakukan secara mandiri oleh masyarakat, sehingga berisiko menyebabkan kesalahan dalam pemilihan produk perawatan kulit; permasalahan ini diperberat oleh penelitian sebelumnya yang menggunakan algoritma YOLOv8 dan hanya menghasilkan top-1 accuracy sebesar 67% akibat keterbatasan jumlah dan variasi dataset. Penelitian ini bertujuan untuk membangun sistem klasifikasi jenis kulit wajah menggunakan algoritma YOLOv11 dengan dataset yang lebih besar, mengukur tingkat akurasinya, serta memberikan rekomendasi awal perawatan kulit berdasarkan hasil klasifikasi. Metode yang diusulkan menggunakan varian image classification YOLOv11 (yolo11n-cls) dengan memanfaatkan 5.909 citra dari platform Roboflow, diimplementasikan melalui framework CodeIgniter 3 sebagai antarmuka website dan FastAPI sebagai bridge ke model, dengan model pengembangan sistem Waterfall. Pengujian dilakukan melalui evaluasi performa model menggunakan metrik accuracy, precision, recall, dan F1-score, serta pengujian fungsionalitas aplikasi menggunakan metode black box testing. Hasil penelitian menunjukkan bahwa model YOLOv11 memperoleh nilai accuracy sebesar 86,32% dalam mengklasifikasikan empat jenis kulit wajah, yaitu dry, normal, oily, dan combination, yang menunjukkan peningkatan signifikan dibandingkan penelitian sebelumnya, serta seluruh fitur pada aplikasi web yang dibangun telah berfungsi sesuai harapan berdasarkan hasil pengujian black box.

• Katakunci YOLOv11, Klasifikasi Jenis Kulit Wajah, Image Classification, Deep Learning, CodeIgniter
• URL http://
• Penerbit Universitas Nusa Mandiri, Jakarta DKI Jakarta

REFERENSI

[1] R. Khaerunisa and F. Husain, “Experience dan Persepsi Perempuan Terhadap Dampak Kesehatan Kulit dalam Keputusan Penggunaan Produk Skincare,” SOSIOGLOBAL : Jurnal Pemikiran dan Penelitian Sosiologi, vol. 9, no. 2, pp. 113–132, Jun. 2025.

 

[2] A. Raisha Agma, “Penerapan Computer Vision untuk Deteksi Objek dan Pengenalan Wajah,” Jurnal Komputer dan Teknik Informatika, vol. 01, no. 01, pp. 31–37, Nov. 2025, [Online]. Available: http://pustakajurnal.web.id/index.php/jkti

 

[3] N. Andrini, “Karakteristik Dan Perawatan Kulit Untuk Orang Asia,” Jurnal Pandu Husada, vol. 4, pp. 14–23, 2023, [Online]. Available: https://jurnal.umsu.ac.id/index.php/JPH

 

[4] Y. Y. Muzaky, “Pengembangan Aplikasi Deteksi Kondisi Kulit Wajah untuk Perawatan Personal,” PROSIDING SEMINAR NASIONAL TEKNOLOGI DAN SAINS TAHUN 2026, vol. 5, pp. 243–248, Feb. 2026.

 

[5] G. Jocher and J. Qiu, “Ultralytics YOLO11,” 2024. [Online]. Available: https://github.com/ultralytics/ultralytics

 

[6] S. Hartati, Kecerdasan Buatan Berbasis Pengetahuan. Sleman: Gadjah Mada University Press, 2023.

 

[7] I. P. Widarma, “Mewujudkan Kemajuan Berkelanjutan melalui Pemanfaatan Kecerdasan Buatan,” in AI: Revolusi Pembelajaran Menerobos Batasan Melalui Pemanfaatan Kecerdasan Buatan dalam Pendidikan, A. Purba and A. B. Saputra, Eds., Bengkulu: CV Brimedia Global, 2024, pp. 24–26.

 

[8] Rosidin, R. Novianti, K. P. Ningsih, D. Haryadi, G. Chrisnawati, and N. Anripa, “PERAN KECERDASAN BUATAN DALAM PENGEMSISTEM OTOMATISASI PROSES BISNIS,” Jurnal Review Pendidikan dan Pengajaran, no. 3, pp. 9320–93239, Jul. 2024, Accessed: Jun. 21, 2026. [Online]. Available: http://journal.universitaspahlawan.ac.id/index.php/jrpp

 

[9] J. Gao and R. Agarwal, “AI Test Modeling for Computer Vision System—A Case Study,” Computers, vol. 14, no. 9, Sep. 2025, doi: 10.3390/computers14090396.

 

 [10] R. Metasari and I. Anggraeni, Teknologi Computer Vision dan Addictive Manufacturing pada Dunia Industri. Bantul: Elementa Media Literasi, 2024.

 

[11] D. Irfansyah, N. Ruseno, and A. Yani, “PENERAPAN COMPUTER VISION DALAM SISTEM KEAMANAN BERBASIS ARTIFICIAL INTELLIGENCE (AI), ROBOTIK, DAN OTOMATISASI,” Jurnal Sistem Teknologi Informasi, vol. 1, no. 1, pp. 40–47, May 2025, doi: 10.9001/jurnalpasti.v1i1.920.

 

[12] R. Rosnelly et al., “Pengenalan Aplikasi Computer Vision Berbasis Citra Dalam Praktik Medis Modern,” PUBLIDIMAS (Publikasi Pengabdian Masyarakat), vol. 5, no. 2, pp. 55–63, Nov. 2025, doi: 10.22303/publidimas.5.2.2025.

 

[13] W. Setiawan, Deep Learning Menggunakan Convolutional Neural Network : Teori dan Aplikasi, 1st ed. Malang: MNC Publishing, 2020.

 

[14] J. Nurhakiki and Y. Yahfizham, “Studi Kepustakaan: Pengenalan 4 Algoritma Pada Pembelajaran Deep Learning Beserta Implikasinya ,” Jurnal Pendidikan Berkarakter, vol. 2, no. 1, pp. 270–281, Feb. 2024, doi: 10.51903/pendekar.v2i1.598.

 

[15] I. K. P. G. Hartawan and I. M. G. Sunarya, “Tinjauan Sistematis Literatur Tentang Sistem Deteksi Penyakit Berbasis Deep Learning,” Digital Transformation Technology (Digitech), vol. 6, no. 1, pp. 112–123, Mar. 2026, doi: 10.47709/digitech.v6i1.7503.

 

[16] R. I. Y. Vianda, P. Anjarwati, H. A. Pratama, R. M. Akbar, and R. D. Irawan, “Klasifikasi Citra Bunga Multikelas Menggunakan Convolutional Neural Network (CNN),” Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB), pp. 367–376, Jul. 2025.

 

[17] G. A. Pratama, E. Y. Puspaningrum, and H. Maulana, “CONVOLUTIONAL NEURAL NETWORK DAN FASTER REGION CONVOLUTIONAL NEURAL NETWORK UNTUK KLASIFIKASI KUALITAS BIJI KOPI ARABIKA,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 12, no. 3, pp. 2776–2785, Aug. 2024, doi: 10.23960/jitet.v12i3.4887.

 

[18] M. R. Z. Ramadhan and A. L. Pramana, “PENGENALAN TINGKAT KEMATANGAN BUAH PISANG BERBASIS CITRA DENGAN METODE CONVOLUTIONAL NEURAL NETWORK,” Jurnal Mahasiswa Teknik Informatika, vol. 10, no. 3, pp. 4191–4199, Jun. 2026.

[19] S. S. Rambe, A. Asriyanik, and P. Prajoko, “PENERAPAN MODEL CONVOLUTIONAL NEURAL NETWORK (CNN) BERBASIS MOBILENETV2 UNTUK KLASIFIKASI TINGKAT KESEGARAN IKAN NILA,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 13, no. 3, Jul. 2025, doi: 10.23960/jitet.v13i3.6744.

 

[20] L. Sakinah, E. Haryatmi, and T. A. Riyadi, “Implementasi Algoritma Yolo Untuk Mendeteksi Jalan Berlubang dan Retak,” JITSI : Jurnal Ilmiah Teknologi Sistem Informasi, vol. 6, no. 3, pp. 251–257, Sep. 2025, doi: 10.62527/jitsi.6.3.488.

 

[21] R. Rahmadewi and Rianda Pusparina A, “DETEKSI OBJEK BERBASIS YOLOV8 UNTUK MENDUKUNG KESELAMATAN KERJA DI LOKASI KONSTRUKSI,” Jurnal Mahasiswa Teknik Informatika), vol. 9, no. 2, Apr. 2025.

 

[22] L. K. Ramadhani and B. N. Widyaningrum, “Implementation of YOLO v11 for Image-Based Litter Detection and Classification in Environmental Management Efforts,” Journal of Applied Informatics and Computing (JAIC), vol. 9, no. 3, pp. 617–624, Jun. 2025, [Online]. Available: http://jurnal.polibatam.ac.id/index.php/JAIC

 

[23] R. Khanam and M. Hussain, “YOLOv11: An Overview of the Key Architectural Enhancements,” Oct. 2024, [Online]. Available: http://arxiv.org/abs/2410.17725

 

[24] N. Guo, M. Huang, and W. Wang, “GA-YOLOv11: A Lightweight Subway Foreign Object Detection Model Based on Improved YOLOv11,” Sensors, vol. 25, no. 19, Oct. 2025, doi: 10.3390/s25196137.

 

[25] R. Archana and P. S. E. Jeevaraj, “Deep learning models for digital image processing: a review,” Artif Intell Rev, vol. 57, no. 11, Jan. 2024, doi: 10.1007/s10462-023-10631-z.

 

[26] O. Hariansyah, P. Rosyani, and D. Wulandari, Machine Learning Untuk Klasifikasi Citra, 1st ed. Banyumas: CV. Pena Persada, 2020.

 

[27]X. Zhao, L. Wang, Y. Zhang, X. Han, M. Deveci, and M. Parmar, “A review of convolutional neural networks in computer vision,” Artif Intell Rev, vol. 57, no. 99, Mar. 2024, doi: 10.1007/s10462-024-10721-6.

 

[28] R. Oliveira, J. Ferreira, L. F. Azevedo, and I. F. Almeida, “An Overview of Methods to Characterize Skin Type: Focus on Visual Rating Scales and Self-Report Instruments,” Cosmetics, vol. 10, no. 1, Jan. 2023, doi: 10.3390/cosmetics10010014.

 

[29] R. M. Dinata, Marhaeni, Kurniawan, E. Rayhana, V. Hadi, and U. Alkaf, “ANALISIS KOMPREHENSIF KINERJA MODEL KLASIFIKASI SENTIMEN: EVALUASI LINTAS METRIK PADA DATASET TWEET FILM BAHASA INDONESIA,” Jurnal Rekayasa Informasi, vol. 14, no. 1, pp. 38–47, 2025.

 

[30] N. Chihaoui, A. Waleed, A. S. S. Mufleh, S. M. Alshraah, L. H. R. Alajmi, and S. Altuwayjiri, “A comprehensive review on AI-based crop disease detection using leaf image classification and explainable AI,” Jun. 01, 2026, Springer Nature. doi: 10.1007/s42452-026-08684-0.

 

[31] J. A. Solís-Villarreal, V. Soto-Mendoza, J. A. Navarro-Acosta, and E. Ruiz-y-Ruiz, “Energy Consumption Outlier Detection with AI Models in Modern Cities: A Case Study from North-Eastern Mexico,” Algorithms, vol. 17, no. 8, Jul. 2024, doi: 10.3390/a17080322.

 

[32] D. A. Futri, A. Sujjada, and I. L. Kharisma, “Implementasi MobileNet dalam Klasifikasi Jenis Kulit Wajah untuk Penentuan Kandungan Skincare,” Jurnal Restikom: Riset Teknik Informatika dan Komputer, vol. 7, no. 1, pp. 17–24, Apr. 2025.

 

[33] D. H. A. Sari, S. Sa’idah, and N. K. C. Pratiwi, “Klasifikasi Jenis Kulit Wajah Menggunakan Modifikasi Convolutional Neural Network (CNN),” e-Proceeding of Engineering, vol. 8, no. 6, pp. 3188–3194, Dec. 2022.

 

[34] Isnaini, Asnawati, I. K. Oktaviyanti, and S. Hadi, Potensi Skin Care dan Karamunting, 1st ed. Surakarta: Indiva Mitra Pustaka, 2022.

 

[35] Ultralytics, “YOLO Architecture Explained,” Ultralytics Docs. Accessed: Jul. 13, 2026. [Online]. Available: https://docs.ultralytics.com/guides/yolo-architecture