ANALISIS PERBANDINGAN METODE DEEP LEARNING DALAM PREDIKSI PENGGUNAAN SKINCARE

Tresi Aprilia

doi:10.58839/jd.v22i1.Juli.1544

Tresi Aprilia Universitas Selamat Sri (UNISS)

DOI: https://doi.org/10.58839/jd.v22i1.Juli.1544

Keywords: Convolutional Neural Network, Multilayer Perceptron, Skincare, Deep Learning, Klasifikasi Citra.

Abstract

Pada penelitian ini pemilihan produk skincare yang tidak sesuai dengan jenis kulit masih menjadi tantangan bagi banyak pengguna. Kesalahan dalam memilih produk dapat menyebabkan iritasi, breakout, dan dampak negatif lainnya terhadap kulit. Di tengah tren personalisasi dan teknologi, pendekatan berbasis kecerdasan buatan (AI) menjadi solusi potensial dalam memberikan rekomendasi skincare yang lebih tepat dan sesuai dengan kebutuhan individu. Penelitian ini bertujuan untuk membandingkan dua metode deep learning, yaitu Convolutional Neural Network (CNN) dan Multilayer Perceptron (MLP), dalam memprediksi kecocokan produk skincare berdasarkan data visual dan non-visual. CNN digunakan untuk menganalisis citra wajah pengguna sebelum dan sesudah pemakaian skincare, sedangkan MLP digunakan untuk mengolah data ulasan pengguna, rating, dan metadata jenis kulit. Metodologi penelitian ini melibatkan pengumpulan dataset dari situs DermNet yang terdiri dari 1.000 gambar wajah dan 1.000 ulasan pengguna. Proses pelatihan model dilakukan menggunakan platform Google Colab dengan library Keras dan Scikit-learn. Data citra diproses menggunakan teknik augmentasi untuk meningkatkan generalisasi model CNN, sementara data teks melalui preprocessing seperti tokenisasi dan normalisasi sebelum dimasukkan ke dalam model MLP. Evaluasi kinerja dilakukan menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model CNN memiliki performa lebih unggul dibandingkan MLP dengan akurasi sebesar 91.2% dan F1-score 91.4%. Sementara itu, MLP menghasilkan akurasi 86.5% dan F1-score 86.4%. Temuan ini menunjukkan bahwa CNN lebih efektif dalam klasifikasi berbasis citra, sedangkan MLP tetap relevan untuk data tekstual. Penelitian ini berkontribusi dalam pengembangan sistem rekomendasi skincare berbasis AI yang lebih akurat dan adaptif.

References

[1] S. F. Bhatti, H. Shaikh, A. Sahito, and C. Science, “A Review of Skin Disease Detection Using Deep Learning,” pp. 220–238, 2024, doi: 10.21015/vtse.v12i4.2022.
[2] N. Zhang, Y. Cai, Y. Wang, Y. Tian, X. Wang, and B. Badami, “l P re,” Artif. Intell. Med., p. 101756, 2019, doi: 10.1016/j.artmed.2019.101756.
[3] M. A. Mohammed, S. Al-fahdawi, and M. S. Maashi, “COVID-DeepNet : Hybrid Multimodal Deep Learning System for Improving COVID-19 Pneumonia Detection in Chest X-ray Images,” 2021, doi: 10.32604/cmc.2021.012955.
[4] L. Alzubaidi et al., Review of deep learning : concepts , CNN architectures , challenges , applications , future directions. Springer International Publishing, 2021. doi: 10.1186/s40537-021-00444-8.
[5] X. Liu et al., “Articles A comparison of deep learning performance against health-care professionals in detecting diseases from medical imaging : a systematic review and meta-analysis,” Lancet Digit. Heal., vol. 1, no. 6, pp. e271–e297, 2019, doi: 10.1016/S2589-7500(19)30123-2.
[6] A. Lesani et al., “Jo ur na l P re of,” Comput. Biol. Med., p. 104061, 2020, doi: 10.1016/j.compbiomed.2020.104061.
[7] D. Velusamy and K. Ramasamy, “Computer Methods and Programs in Biomedicine Ensemble of heterogeneous classifiers for diagnosis and prediction of coronary artery disease with re duce d feature subset,” Comput. Methods Programs Biomed., vol. 198, p. 105770, 2021, doi: 10.1016/j.cmpb.2020.105770.
[8] C. Zhu, Y. Wang, H. Chen, K. Gao, and C. Shu, “A Deep Learning Based Framework for Diagnosing Multiple Skin Diseases in a Clinical Environment,” vol. 8, no. April, pp. 1–13, 2021, doi: 10.3389/fmed.2021.626369.
[9] R. Kumar, S. Id, R. G. Id, S. Giridhar, R. Allada, and P. Narra, “SkiNet : A deep learning framework for skin lesion diagnosis with uncertainty estimation and explainability,” pp. 1–26, 2022, doi: 10.1371/journal.pone.0276836.
[10] T. Aprilia, “Optimization Of Neural Network Method Using Chi- Square Feature Selection In Poverty Data Classification,” vol. 9, no. 1, pp. 51–61, 2024.
[11] J. Lee et al., “Deep learning- based skin care product recommendation : A focus on cosmetic ingredient analysis and facial skin conditions,” no. January, pp. 2066–2077, 2024, doi: 10.1111/jocd.16218.
[12] D. Sonntag and F. Nunnari, “The Skincare project , an interactive deep learning system for differential diagnosis of malignant skin lesions . Technical Report,” no. Iml, pp. 1–20.
[13] I. R. Widiasari, “Deep Learning Multilayer Perceptron ( MLP ) for Flood Prediction Model Using Wireless Sensor Network based Hydrology Time Series Data Mining”.
[14] M. H. V. S. 1* and M. F. S. 3 , Muhammad Albirra 2, “Klasifikasi Gambar Pemandangan dengan Kecerdasan Buatan Berbasis CNN,” vol. 8, no. 2, 2024.
[15] C. Affonso et al., “Deep learning for biological image classification,” Expert Syst. Appl., vol. 85, pp. 114–122, 2017, doi: 10.1016/j.eswa.2017.05.039.
[16] M. Furqan, Y. R. Nasution, and R. Fadillah, “Klasifikasi Penyakit Kulit Menggunakan Algoritma Naïve Bayes Berdasarkan Tekstur Warna Berbasis Android,” vol. 6, pp. 12–20, 2022.
[17] C. Lubis and D. Yuliarto, “MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK ( CNN ) DENGAN ARSITEKTUR VGG16,” vol. 8, no. 1, pp. 135–140, 2023.
[18] I. W. Prastika et al., “Deteksi penyakit kulit wajah menggunakan tensorflow dengan metode convolutional neural network,” vol. 4, no. 2, pp. 84–91, 2021.
[19] V. No, N. I. Khani, and S. Rakasiwi, “Edumatic : Jurnal Pendidikan Informatika Pener a pan Convolutional Neural Network dengan ResNet-50 untuk Klasifikasi Penyakit Kulit Wajah Efektif,” vol. 9, no. 1, pp. 217–225, 2025, doi: 10.29408/edumatic.v9i1.29572.
[20] M. A. Hanin, R. Patmasari, and R. Y. Nur, “SISTEM KLASIFIKASI PENYAKIT KULIT MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK ( CNN ) SKIN DISEASE CLASSIFICATION SYSTEM USING CONVOLUTIONAL NEURAL NETWORK ( CNN ),” vol. 8, no. 1, pp. 273–281, 2021.