Bilah Samping Artikel

Telah diserahkan
Nov 22, 2024
Diterima
Dec 2, 2024
Diterbitkan
Nov 30, 2024
Download
PDF
Statistic
Read Counter : 2 Download : 0

Isi Artikel Utama

Abstrak

Hairstyle atau gaya rambut merupakan suatu hal krusial yang mempengaruhi penampilan seseorang. Khususnya pada pria, permasalahan yang sering muncul adalah ketidaksesuaian hasil potongan rambut mereka sehingga menyebabkan rasa percaya diri menurun. Tujuan penelitian ini yaitu mengembangkan sistem rekomendasi gaya rambut bagi pria berdasarkan bentuk wajah dan jenis rambut untuk memberikan rekomendasi yang lebih personal dibandingkan penelitian sebelumnya yang hanya fokus pada satu fitur. Metode yang digunakan pada penelitian ini yaitu Convolutional Neural Network (CNN) dan transfer learning dengan memanfaatkan metode VGG16, fine-tuning, dan extract features dengan fokus pada peningkatan akurasi model. Parameter pelatihan sistem rekomendasi ini menggunakan 32 batch size, 75 epoch, dan learning rate Adam. Model yang digunakan adalah pre-trained model yang didasarkan pada model face shape dan hair type terpilih yang sudah melalui proses pelatihan dan pengujian pada tahap sebelumnya. Hasil pengujian sistem rekomendasi ini menghasilkan dua output, yaitu akurasi face shape model dengan nilai 59,62% dan akurasi hair type model dengan nilai 59,61%. Output tersebut menunjukkan peningkatan nilai akurasi dari penelitian sebelumnya, yang membuktikan bahwa penggunaan metode VGG16 cukup efektif dalam meningkatkan akurasi pada sistem pengolahan gambar terutama pada dataset yang jumlahnya terbatas.

Kata Kunci

Hairstyle Convolutional Neural Network Transfer Learning Metode VGG16 Recommendation System

Rincian Artikel

Creative Commons License

Artikel ini berlisensi Creative Commons Attribution-NoDerivatives 4.0 International License.

Cara Mengutip
[1]
M. S. Azzahra, S. S. Maesaroh, dan R. G. Guntara, “Penggunaan Convolutional Neural Network dan Transfer Learning untuk Rekomendasi Gaya Rambut Pria”, Jurnal Algoritma, vol. 21, no. 2, hlm. 173–183, Nov 2024.
Unduh Sitasi
Endnote/Zotero/Mendeley (RIS)

References

  1. S. Rajapaksha dan B. Kumara, “Hairstyle Recommendation Based On Face Shape Using Image Processing,” Mei 2018. [Daring]. Tersedia pada: https://visualstudio.microsoft.com/vs/
  2. R. Aswi Ramadhani dan A. Sanjaya, “Recommendation System For Selecting Haircut Models Based On Facial Shape Using The Viola-Jones Method,” Jurnal Teknik Informatika (JUTIF), vol. 5, no. 1, hlm. 145–152, 2024, doi: 10.52436/1.jutif.2024.5.1.1628.
  3. J. Terapan, S. & Teknologi, R. H. Ardiansyah1, H. L. Purwanto2, dan Y. S. Dwanoko3, “Rancang Bangun Aplikasi Simulasi Model Rambut Menggunakan Augmented Reality pada Barbershop,” Fakultas Sains dan Teknologi-Universitas PGRI Kanjuruhan Malang, vol. 5, no. 1, hlm. 2023, 2023.
  4. R. K. A. Zein dan G. B. Satrya, “My Haircut: Aplikasi Pendeteksi Potongan Rambut Menggunakan Metode Augmented Reality Pada Pria,” Okt 2023, hlm. 2577.
  5. V. Wati, Yuliana, Nisrina Yulia Styowati, dan Mudawil Qulub, “Deteksi Wajah Menggunakan Algoritma Viola Jones Berbasis Android,” TEKNIMEDIA, no. 1, hlm. 30, Jun 2023.
  6. U. Sri Rahmadhani dan N. Lysbetti Marpaung, “Klasifikasi Jamur Berdasarkan Genus Dengan Menggunakan Metode CNN,” Jurnal Informatika: Jurnal pengembangan IT (JPIT), vol. 8, no. 2, Mei 2023.
  7. A. T. Putra, K. Usman, dan S. Saidah, “Webinar Student Presence System Based On Regional Convolutional Neural Network Using Face Recognition,” Jurnal Teknik Informatika (Jutif), vol. 2, no. 2, hlm. 109–118, Mar 2021, doi: 10.20884/1.jutif.2021.2.2.82.
  8. A. Abhista Hibatullah dan W. Apriandari, “Klasifikasi Kualitas Jenis Kopi Halus Robusta Menggunakan Convolutional Neural Network (CNN) Dan Mobilenet-V2,” Jurnal Mahasiswa Teknik Informatika, vol. 8, no. 5, Okt 2024.
  9. P. Adi Nugroho, I. Fenriana, dan R. Arijanto, “Implementasi Deep Learning Menggunakan Convolutional Neural Network ( CNN ) Pada Ekspresi Manusia,” JURNAL ALGOR, vol. 2, no. 1, Sep 2020, [Daring]. Tersedia pada: https://jurnal.buddhidharma.ac.id/index.php/algor/index
  10. R. Juan, H. Butar-Butar, dan N. Lysbetti Marpaung, “Deep Learning untuk Identifikasi Daun Tanaman Obat Menggunakan Transfer Learning MobileNetV2,” Jurnal Informatika: Jurnal pengembangan IT (JPIT), vol. 8, no. 2, Mei 2023.
  11. R. Gelar Guntara, “Pemanfaatan Google Colab Untuk Aplikasi Pendeteksian Masker Wajah Menggunakan Algoritma Deep Learning YOLOv7,” Jurnal Teknologi Dan Sistem Informasi Bisnis, vol. 5, no. 1, hlm. 55–60, Feb 2023, doi: 10.47233/jteksis.v5i1.750.
  12. N. F. Sahamony, Terttiaavini, dan H. Rianto, “Analisis Perbandingan Kinerja Model Machine Learning untuk Memprediksi Risiko Stunting pada Pertumbuhan Anak,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 4, no. 2, hlm. 413–422, Feb 2024, doi: 10.57152/malcom.v4i2.1210.
  13. R. Prabowo dkk., “Klasifikasi Image Tumbuhan Obat (Keji Beling) Menggunakan Artificial Neural Network,” Jurnal Komputasi, vol. 9, no. 2, 2021.
  14. Y. Gulzar, “Fruit Image Classification Model Based on MobileNetV2 with Deep Transfer Learning Technique,” Sustainability (Switzerland), vol. 15, no. 3, Feb 2023, doi: 10.3390/su15031906.
  15. E. Adhi Guna dkk., “Implementasi Algoritma Cnn Dalam Mengidentifikasi Tingkat Keparahan Jerawat Pada Wajah,” Jurnal Mahasiswa Teknik Informatika, vol. 8, no. 4, hlm. 5778, Sep 2024.
  16. R. R. Hajar dkk., “Deteksi Wajah Berbasis Facial Landmark Menggunakan OPENCV Dan DLIB,” Jurnal Teknologi Informasi), vol. 5, no. 2, Des 2021.
  17. Y. Bao dan W. Xu, “Design and Implementation of a Fatigue Detection System Based on Dlib for Driver Facial Features,” Open Access by IOS Press, vol. 381, hlm. 792–799, Jan 2024, doi: 10.3233/FAIA231266.
  18. S. Adiningsi dan R. A. Saputra, “Identifikasi Jenis Daun Tanaman Obat Menggunakan Metode Convolutional Neural Network (CNN) Dengan Model VGG16,” JIP (Jurnal Informatika Polinema), no. 4, 2023.
  19. R. Anditto dan R. Roestam, “Security Monitoring Using Improved Mobilenet V2 With Fine-Tuning To Prevent Theft In Residential Areas During The Covid-19 Pandemic,” SINTECH Journal, vol. 5, no. 1, Apr 2022, doi: https://doi.org/10.31598.
  20. P. N. dan S. Sugave, “Optimizing Machine Learning Models: An Adaptive Hyperparameter Tuning Approach,” International Journal of Intelligent Systems and Applications in Engineering IJISAE, vol. 11, no. 4, hlm. 344–354, 2023, [Daring]. Tersedia pada: www.ijisae.org
  21. T. Yu dan H. Zhu, “Hyper-Parameter Optimization: A Review of Algorithms and Applications,” Mar 2020, [Daring]. Tersedia pada: http://arxiv.org/abs/2003.05689