<![CDATA[Penelitian ini bertujuan untuk mengklasifikasikan jenis kulit manusia meliputi kategori terang, sawo matang, dan gelap berdasarkan citra digital dengan memanfaatkan platform Teachable Machine. Pengumpulan data dilakukan melalui platform pencarian gambar di internet seperti Goggle Images, Pinterest, dan beberapa situs terbuka lainnya dengan bantuan teknik web scraping. Data yang diperoleh kemudian melalui proses pembersihan untuk menghilangkan duplikasi serta menyaring citra sesuai kategori warna kulit. Model dilatih menggunakan parameter pelatihan yang telah disesuaikan untuk memperoleh kinerja opyimal. Evaluasi model dilakukan menggunakan confusion matrix, grafik akurasi, dan nilai loss untuk menilai performa klasifikasi pada masing-masing kelas. Hasil penelitian menunjukkan bahwa model mampu mengenali kelas kulit terang dan gelap dengan tingkat akurasi yang sangat tinggi, namun masih mengalami kesulitan dalam membedakan kulit sawo matang karena kemiripan karakteristik visual dengan kelas lainnya. Pengujian dilakukan melalui dua metode input, yakni citra sederhana dan citra kompleks secara real-time. Secara keseluruhan, penelitian ini menunjukkan bahwa Teachable Machine dapat digunakan sebagai solusi cepat dan praktis dalam melakukan klasifikasi warna kulit berbasis citra digital. Kata kunci: klasifikasi citra, Teachable Machine, Web Scraping, Machine Learning This study aims to classify human skin types into light, tan, and dark skin categories based on digital images using the Teachable Machine platform. Data collection was conducted through image search platforms on the internet such as Google Images, Pinterest, and several other open sites with the help of web scraping techniques. The obtained data then underwent a cleaning process to remove duplications and filter images according to skin color categories. The model was trained using adjusted training parameters to obtain optimal performance. Model evaluation was carried out using a confusion matrix, accuracy graphs, and loss values to assess the classification performance of each class. The results showed that the model was able to recognize light and dark skin classes with a very high level of accuracy, but still had difficulty in distinguishing tan skin due to the similarity of visual characteristics with other classes. Testing was carried out using two input methods, namely simple images and complex images in real-time. Overall, this study shows that Teachable Machine can be used as a fast and practical solution for digital image-based skin color classification. Keywords: image classification, Teachable Machine, web scraping, machine learning]]>
