PENGEMBANGAN ARSITEKTUR CNN EFFICIENTNET DAN RESNET PADA KLASIFIKASI BENTUK WAJAH DAN JENIS RAMBUT UNTUK SISTEM IDENTIFIKASI GAYA RAMBUT BERBASIS WEBSITE

DEVELOPMENT OF CNN EFFICIENTNET AND RESNET ARCHITECTURE ON FACE SHAPE AND HAIR TYPE CLASSIFICATION FOR WEB-BASED HAIRSTYLE IDENTIFICATION SYSTEM

ABSTRAK

PENGEMBANGAN ARSITEKTUR CNN EFFICIENTNET DAN RESNET PADA KLASIFIKASI BENTUK WAJAH DAN JENIS RAMBUT UNTUK SISTEM IDENTIFIKASI GAYA RAMBUT BERBASIS WEBSITE

Nama                     : Arafat Dhiya ’Ulhaq

NIM                     : 21051214024

Program Studi     : S-1 Sistem Informasi

Jurusan             : Teknik Informatika

Fakultas             : Teknik

Nama Lembaga     : Universitas Negeri Surabaya

Pembimbing     : I Kadek Dwi Nuryana, S.T., M.Kom.

            Pemilihan gaya rambut seringkali bersifat subjektif dan tidak didasarkan pada karakteristik visual yang objektif, sehingga mengurangi tingkat personalisasi dan kepuasan pengguna. Penelitian ini bertujuan untuk mengembangkan sistem identifikasi gaya rambut berbasis website yang mampu memberikan rekomendasi personal berdasarkan analisis data visual. Untuk mencapai tujuan tersebut, penelitian ini menerapkan pendekatan deep learning dengan mengembangkan dua arsitektur Convolutional Neural Network (CNN) pada EfficientNetB0 untuk tugas klasifikasi bentuk wajah dan ResNet50 untuk klasifikasi jenis rambut.

            Metode penelitian yang digunakan adalah Cross-Industry Standard Process for Data Mining (CRISP-DM), yang mencakup tahapan pemahaman bisnis, pemahaman data, persiapan data dengan augmentasi, pemodelan menggunakan transfer learning, evaluasi, hingga implementasi. Hasil dari penelitian ini adalah sebuah aplikasi web fungsional yang mampu melakukan klasifikasi bentuk wajah dan jenis rambut dari gambar yang diunggah pengguna. Sistem ini berhasil mengintegrasikan kedua model untuk memberikan identifikasi gaya rambut yang lebih akurat dan personal, sehingga dapat menjadi solusi objektif dalam industri kecantikan digital.

Kata Kunci—Identifikasi Gaya Rambut, Klasifikasi Gambar, EfficientNet, ResNet, Personalisasi Rambut

ABSTRACT

DEVELOPMENT OF CNN EFFICIENTNET AND RESNET ARCHITECTURE ON FACE SHAPE AND HAIR TYPE CLASSIFICATION FOR WEB-BASED HAIRSTYLE IDENTIFICATION SYSTEM

Name : Arafat Dhiya ’Ulhaq

NIM : 21051214024

Study Program : S-1 Information Systems

Department : Informatics Engineering

Faculty : Engineering

Institution : Universitas Negeri Surabyaa

Supervisor : I Kadek Dwi Nuryana, S.T., M.Kom.

            Hairstyle selection is often subjective and not based on objective visual characteristics, thus reducing the level of personalization and user satisfaction. This research aims to develop a web-based hairstyle identification system capable of providing personalized recommendations based on visual data analysis. To achieve this goal, this research applies a deep learning approach by developing two Convolutional Neural Network (CNN) architectures on EfficientNetB0 for face shape classification task and ResNet50 for hair type classification. 

            The research method used is the Cross-Industry Standard Process for Data Mining (CRISP-DM), which includes the stages of business understanding, data understanding, data preparation with augmentation, modeling using transfer learning, evaluation, and implementation. The result of this research is a functional web application capable of classifying face shape and hair type from user-uploaded images. The system successfully integrates the two models to provide more accurate and personalized hairstyle identification, so it can be an objective solution in the digital beauty industry.

Keywords—Hairstyle Identification, Image Classification, EfficientNet, ResNet, Hair Personalization