Klasifikasi Warna Kulit untuk Rekomendasi Shade Makeup Menggunakan Metode ResNet-50

Abstract

Perkembangan teknologi kecerdasan buatan telah membawa transformasi signifikan di berbagai sektor industri, termasuk bidang kecantikan yang menuntut presisi dalam pemilihan shade makeup. Ketidaktepatan pemilihan shade dapat menghasilkan riasan yang kurang natural dan menurunkan kepercayaan diri pengguna, khususnya bagi pelaku usaha Make Up Artist (MUA) di sektor UMKM yang memiliki keterbatasan dalam mengenali skintone secara akurat. Penelitian ini bertujuan merancang dan mengembangkan sistem klasifikasi warna kulit berbasis kecerdasan buatan menggunakan arsitektur ResNet-50 untuk memberikan rekomendasi shade makeup secara otomatis dan real-time. Dataset penelitian terdiri dari 4.185 citra wajah yang dikategorikan menjadi tiga kelas warna kulit berdasarkan undertone, yaitu cool, netral, dan warm, dengan pembagian 80% data latih dan 20% data uji. Model ResNet-50 dibangun menggunakan pendekatan transfer learning dengan membekukan backbone dan menambahkan lapisan kustom berupa batch normalization, dense layer 512 neuron, dropout. Proses pelatihan model menghasilkan akurasi sebesar 84% dengan nilai F1-Score berkisar antara 0,77 hingga 0,88 untuk masing-masing kelas. Pengujian sistem secara real-time terhadap 21 sampel wajah pengguna mencapai akurasi 80,95%, dengan kelas cool menunjukkan precision tertinggi 1,00, kelas netral memiliki recall tertinggi 0,89, dan kelas warm menampilkan performa paling seimbang dengan precision dan recall masing-masing 0,83.