<![CDATA[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.]]>
Copyrights © 2025
