<![CDATA[Perkembangan teknologi informasi mendorong transformasi layanan klinik kecantikan, namun sebagian besar sistem yang ada masih berfokus pada aspek administratif dan belum memanfaatkan kecerdasan buatan untuk klasifikasi otomatis masalah kulit wajah. Penelitian ini mengembangkan sistem analisis masalah kulit wajah dan rekomendasi perawatan berbasis Support Vector Machine (SVM) dengan pendekatan klasifikasi multilabel. Dataset yang digunakan merupakan data primer dari Klinik ZAP yang terdiri dari 10 fitur gejala biner dan 4 label diagnosis, yaitu Dry Skin, Sensitive Skin, Telangiectasis, dan Dermatitis. Model SVM dilatih menggunakan strategi One-vs-Rest (OvR) dengan pembagian data secara stratified ke dalam data latih, validasi, dan data uji dengan rasio 64%, 16%, dan 20%. Optimasi hyperparameter dilakukan menggunakan Grid Search dan Random Search. Hasil pengujian menunjukkan bahwa Grid Search dengan kernel RBF, nilai C = 10, dan γ = 0.1 menghasilkan performa terbaik dengan F1-score sebesar 98.50% pada data uji. Selain itu, sistem rekomendasi perawatan yang diimplementasikan menggunakan pendekatan case-based reasoning dengan metode L1 distance mampu memberikan saran perawatan yang konsisten dengan pola gejala pasien. Hasil penelitian ini menunjukkan bahwa kombinasi SVM multilabel dan optimasi hyperparameter efektif digunakan sebagai dasar pengembangan sistem pendukung keputusan klinis di bidang dermatologi estetika.]]>
Copyrights © 2026
