Prediksi Tipe Kulit Wajah Menggunakan Algoritma Support Vector Machine (SVM)

Seli Karisma Putri, Nurtriana Hidayati

Abstract


Kulit merupakan organ terbesar pada manusia yang memiliki fungsi penting. Secara umum, tipe kulit dibagi menjadi empat kategori, yaitu kulit normal, kering, berminyak, dan kombinasi. Kesalahan dalam mengidentifikasi tipe kulit wajah secara mandiri berpotensi pada pemilihan produk perawatan kulit yang tidak sesuai, sehingga dapat memperburuk kondisi kulit. Oleh karena itu, penelitian ini bertujuan mengembangkan model prediksi tipe kulit wajah yang lebih akurat menggunakan algoritma Support Vector Machine (SVM), metode yang efektif dalam memprediksi data kompleks. Pada penelitian ini menggunakan data sekunder yang berasal dari Kaggle. Data tersebut kemudian diolah dan dianalisis menggunakan software RapidMiner. Dalam proses pemodelan, optimasi kernel terbaik didapatkan melalui kernel Radial Basis Function (RBF) dengan parameter yang dioptimalkan pada nilai epsilon sebesar 0.01, cost sebesar 1, dan gamma sebesar 1. Hasil evaluasi model menunjukkan performa yang sangat baik, dengan tingkat akurasi mencapai 98.20%, presisi sebesar 98.19%, recall sebesar 98.22%, serta nilai Root Mean Square Error (RMSE) yang rendah yaitu 12.4%. Ini membuktikan bahwa model SVM dengan kernel RBF yang dikembangkan mampu melakukan prediksi tipe kulit wajah dengan tingkat keakuratan yang tinggi.

Full Text:

PDF

References


N. Nawiyah, R. C. Kaemong, M. A. Ilham, and F. Muhammad, “PENYEBAB PENGARUHNYA PERTUMBUHAN PASAR INDONESIA TERHADAP PRODUK SKIN CARE LOKAL PADA TAHUN 2022,” ARMADA : Jurnal Penelitian Multidisiplin, vol. 1, no. 12, pp. 1390–1396, Dec. 2023, doi: 10.55681/armada.v1i12.1060.

S. Cahyaningsih, A. Triayudi, and I. D. Sholihati, “Kombinasi Metode Certainty Factor dan Forward Chaining untuk Identifikasi Jenis Kulit Wajah Berbasis Android,” JURNAL MEDIA INFORMATIKA BUDIDARMA, vol. 5, no. 1, p. 74, Jan. 2021, doi: 10.30865/mib.v5i1.2591.

N. A. Sundari, R. Magladena, and S. Saidah, “Klasifikasi Jenis Kulit Wajah Menggunakan Metode Covolutional Neural Network (CNN) Efficientnet-B0,” eProceedings of Engineering, vol. 9, no. 6, 2022.

N. Andrini, “STUDI LITERATUR Karakteristik Dan Perawatan Kulit Untuk Orang Asia,” vol. 4, 2023, [Online]. Available: https://jurnal.umsu.ac.id/index.php/JPH

J. Ran, G. Dong, F. Yi, L. Li, and Y. Wu, “Automatic Measurement of Comprehensive Skin Types Based on Image Processing and Deep Learning,” Electronics (Switzerland), vol. 14, no. 1, Jan. 2025, doi: 10.3390/electronics14010049.

L. Khodijah, R. Latifah, and Y. Adharani, “Identifikasi Jenis Kulit Wajah Menggunakan K-Nearest Neighbor,” In Seminar Nasional Teknik Elektro, Informatika Dan Sistem Informasi, vol. 1, no. 1, Aug. 2022.

N. Maulidah, R. Supriyadi, D. Y. Utami, F. N. Hasan, A. Fauzi, and A. Christian, “Prediksi Penyakit Diabetes Melitus Menggunakan Metode Support Vector Machine dan Naive Bayes,” Indonesian Journal on Software Engineering (IJSE), vol. 7, no. 1, pp. 63–68, 2021, [Online]. Available: http://ejournal.bsi.ac.id/ejurnal/index.php/ijse63

M. A. Al Fatih and K. M. Lhaksmana, “Prediksi Employee Attrition menggunakan Algoritma Support Vector Machine (SVM),” e-Proceeding of Engineering, vol. 10, pp. 1930–1938, Apr. 2023.

X. Xiahou and Y. Harada, “B2C E-Commerce Customer Churn Prediction Based on K-Means and SVM,” Journal of Theoretical and Applied Electronic Commerce Research, vol. 17, no. 2, pp. 458–475, Jun. 2022, doi: 10.3390/jtaer17020024.

A. Toha, P. Purwono, and W. Gata, “Model Prediksi Kualitas Udara dengan Support Vector Machines dengan Optimasi Hyperparameter GridSearch CV,” Buletin Ilmiah Sarjana Teknik Elektro, vol. 4, no. 1, pp. 12–21, May 2022, doi: 10.12928/biste.v4i1.6079.

P. W. Rahayu et al., BUKU AJAR DATA MINING. Jambi: Sonpedia, 2024. [Online]. Available: https://www.researchgate.net/publication/377415198

R. C. Prihandari and Mustakim, DATA MINING: KONSEP DAN APIKASI MENGGUNAKAN RAPIDMINER (SERIES: SUPERVISED LEARNING DAN UNSUPERVISED LEARNING). Institut Riset dan Publikasi Indonesia, 2021.

Muttaqin et al., Pengenalan Data Mining. Yayasan Kita Menulis, 2023.

M. Fadillah Abdullah and M. Rudyanto Arief, “Prediksi Nilai Dan Waktu Kelulusan Mahasiswa Menggunakan Metode Support Vector Machine,” Jurnal Sains dan Teknologi, vol. 14, no. 1, p. 35, 2022.

L. A. Yates, Z. Aandahl, S. A. Richards, and B. W. Brook, “Cross validation for model selection: A review with examples from ecology,” Ecol Monogr, vol. 93, no. 1, pp. 1–24, Feb. 2023, doi: 10.1002/ecm.1557.

D. Chicco, M. J. Warrens, and G. Jurman, “The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation,” PeerJ Comput Sci, vol. 7, pp. 1–24, 2021, doi: 10.7717/PEERJ-CS.623.




DOI: https://doi.org/10.35308/jti.v5i2.13002

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 



Jurnal Teknologi Informasi
e-ISSN: 2829-8934  I  DOI: 10.35308
Jl. Alue Peunyareng, Ujong Tanoh Darat, Meureubo, Kabupaten Aceh Barat, Aceh 23681, Indonesia
(0655) 7110535
License Creative Commons is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License