Klasifikasi jenis kulit wajah menggunakan convolutional neural network untuk mendeteksi jerawat
D engan meningkatnya permintaan akan perawatan kulit yang tepat dan personalisasi produk kecantikan, maka dibutuhkan teknologi seperti robot face recognition. Robot ini mampu membedakan seseorang berdasarkan kulit wajah yang dimilikinya yaitu normal atau berjerawat. Tujuan penelitian ini adalah untuk membangun model klasifikasi jenis kulit yang dapat digunakan pada robot cerdas.Untuk memenuhi kebutuhan pengguna dikembangkan penelitian klasifikasi jenis kulit wajah dengan memanfaatkan algoritma Convolutional Neural Network untuk indentifikasi citra kulit wajah. Model dikembangkan menggunakan dataset kulit wajah sebanyak 10.400 set data citra, dan pengukuran kinerja model dilakukan menggunakan precision, recall, dan f1 score.Berdasarkan hasil uji coba yang sudah dilakukan menggunakan arsitektur dengan hyperparameter learning rate 0,0001, batchsize 64, dan epoch 50, dapat disimpulkan hasil pengimplementasian berhasil dengan sangat baik dengan hasil nilai akurasi 97% dan kombinasi ini juga menghasilkan presisi sebesar 97%, recall 98%, dan f1-score sebesar 98%.
W ith the increasing demand for proper skin care and personalized beauty products, technology such as face recognition robots is needed. These robots can distinguish individuals based on their facial skin type, whether normal or acne-prone. This research aims to develop a skin type classification model that can be used in intelligent robots.To meet user needs a study on facial skin type classification was created using a convolutional neural network algorithm for facial skin image identification. The model was created using a dataset of 10,400 facial skin image sets, and the model\\\'s performance was measured using precision, recall, and F1 score.The results of the research using an architecture with hyperparameters of a learning rate of 0.0001, batch size of 64, and epoch of 50, it can be concluded that the implementation was highly successful, achieving an accuracy of 97%. This also produces precision of 97%, recall of 98%, and F1-Score of 98%.