Electronic Theses and Dissertation

Kulit wajah merupakan bagian tubuh yang sangat penting untuk dirawat karena
berperan dalam perlindungan, identitas, dan estetika individu. Setiap tipe kulit seperti
acne, oily, dry, normal, dan redness memiliki karakteristik yang berbeda dan
memerlukan perawatan yang disesuaikan, terutama dalam pemilihan bahan aktif pada
produk skincare. Kesalahan dalam pemilihan bahan dapat memperburuk kondisi kulit,
seperti menyebabkan iritasi atau jerawat. Oleh karena itu, pemilihan bahan skincare
yang tepat berdasarkan tipe kulit menjadi kebutuhan yang krusial. Penelitian ini
bertujuan untuk mengimplementasikan sistem klasifikasi jenis kulit berbasis citra wajah
serta menerapkan metode content-based filtering (CBF) untuk merekomendasikan
bahan aktif yang sesuai. Model klasifikasi dibangun menggunakan arsitektur
Convolutional Neural Network InceptionV3 dengan skema pelatihan dua tahap, yaitu
initial training dan fine-tuning, yang menghasilkan akurasi validasi sebesar 90,78%.
Proses pelatihan melibatkan penyesuaian hyperparameter untuk mendapatkan
konfigurasi terbaik, yakni 35 epoch, batch size sebesar 64, dan learning rate bertahap
1×10−3 dan 1×10−4. Selain klasifikasi, metode CBF digunakan untuk mengekstraksi
bahan aktif paling relevan dari dataset skincare berdasarkan hasil klasifikasi jenis kulit.
Proses ini dilakukan dengan menghitung frekuensi kemunculan bahan dalam produk
yang sesuai dengan kategori kulit tertentu. Sistem kemudian diintegrasikan ke dalam
website berbasis Flask dengan antarmuka yang dirancang menggunakan TailwindCSS.
Website ini mampu menerima citra wajah sebagai masukan, melakukan identifikasi
jenis kulit, dan menampilkan daftar bahan aktif secara informatif dan terstruktur.
Dengan demikian, sistem ini dapat digunakan sebagai alat bantu dalam proses
pemilihan bahan perawatan kulit yang sesuai karakteristik wajah.
Kata Kunci: klasifikasi kulit, InceptionV3, content-based filtering, skincare, bahan
aktif

Facial skin is a crucial part of the body that requires proper care, as it plays a role in protection, identity, and individual aesthetics. Each skin type—such as acne, oily, dry, normal, and redness—has different characteristics and requires customized treatment, especially in selecting active ingredients in skincare products. Incorrect selection of ingredients can worsen skin conditions, such as causing irritation or acne. Therefore, selecting appropriate skincare ingredients based on skin type is essential. This study aims to implement a facial image-based skin type classification system and apply a content-based filtering (CBF) method to recommend suitable active ingredients. The classification model is built using the InceptionV3 architecture of Convolutional Neural Networks with a two-phase training scheme, namely initial training and fine-tuning, resulting in a validation accuracy of 90,78%. The training process involves tuning hyperparameters to achieve the best configuration, consisting of 35 epochs, a batch size of 64, and a staged learning rate of 1×10−3 and 1×10−4. In addition to classification, the CBF method is used to extract the most relevant active ingredients from the skincare dataset based on the classified skin type. This process is carried out by calculating the frequency of ingredient occurrences in products matching specific skin categories. The system is then integrated into a website developed using the Flask framework with a user interface designed using TailwindCSS. The website accepts facial images as input, performs skin type identification, and presents a structured and informative list of recommended active ingredients. Thus, this system can be used as a decision-support tool in selecting appropriate skincare ingredients based on facial skin characteristics. Keywords : skin classification, InceptionV3, content-based filtering, skincare, active ingredients.