<![CDATA[Pemilihan bingkai kacamata yang sesuai dengan bentuk wajah masih menjadi tantangan, terutama dalam pembelian online yang tidak memungkinkan pengguna untuk mencoba produk secara langsung. Penelitian ini bertujuan menganalisis dan membandingkan performa beberapa arsitektur transfer learning berbasis Convolutional Neural Network (CNN) dalam klasifikasi bentuk wajah serta penerapannya pada sistem rekomendasi bingkai kacamata berbasis knowledge-based recommender system. Dataset yang digunakan diperoleh dari Kaggle dan terdiri atas 11.457 citra wajah yang terbagi ke dalam lima kelas bentuk wajah. Pendekatan yang digunakan dalam penelitian ini yaitu CRISP-DM yang meliputi tahapan business understanding, data understanding, data preparation, modeling, evaluation, dan deployment. Empat arsitektur yang dibandingkan adalah MobileNetV2, MobileNetV3, DenseNet121, dan InceptionV3. Hasil penelitian menunjukkan bahwa MobileNetV2 memberikan akurasi terbaik sebesar 86,32% dengan konsistensi prediksi yang baik tanpa indikasi overfitting. Sistem rekomendasi yang dikembangkan mampu memberikan saran bingkai sesuai bentuk wajah pengguna berdasarkan rule mapping. Temuan ini menunjukkan bahwa MobileNetV2 merupakan arsitektur paling optimal dalam penelitian ini dan berpotensi dikembangkan lebih lanjut menjadi sistem rekomendasi hybrid yang mempertimbangkan preferensi pengguna serta diintegrasikan dengan fitur interaktif seperti virtual try-on berbasis Augmented Reality (AR) untuk meningkatkan pengalaman pengguna dalam pemilihan kacamata secara daring.]]>
Copyrights © 2025
