PERBANDINGAN MODEL DETEKSI CITRA DIGITAL TIPE KULIT MANUSIA BERDASARKAN SKALA FITZPATRICK DENGAN DEEP LEARNING

Paparan sinar ultraviolet (UV) yang berlebihan dapat berdampak buruk bagi kesehatan kulit. Identifikasi tipe kulit berdasarkan skala Fitzpatrick menjadi penting untuk menentukan estimasi waktu aman paparan sinar UV. Penelitian ini bertujuan untuk mengembangkan dan membandingkan model deep learning yang efektif untuk mendeteksi tipe kulit manusia secara otomatis berdasarkan citra digital. Metode yang digunakan melibatkan perancangan beberapa model Convolutional Neural Network (CNN), termasuk CNN murni dan kombinasi CNN dengan arsitektur transfer learning seperti ResNet, Xception, dan MobileNet. Dataset yang digunakan terdiri dari 1000 citra wajah yang telah diklasifikasikan ke dalam lima kelas skala Fitzpatrick (Tipe I & II, III, IV, V, VI), dengan masing-masing kelas terdiri dari 200 gambar. Dataset dibagi menjadi data latih (90%), data validasi (10%), dan data uji (10%). Model dievaluasi berdasarkan metrik akurasi. Hasil penelitian menunjukkan bahwa model CNN yang dikombinasikan dengan arsitektur Xception memberikan performa terbaik. Model ini mencapai akurasi validasi 93,00% serta menunjukkan keunggulan pada pengujian akhir dengan akurasi 92,72%, presisi 92,72%, dan recall 92,00%. Keseimbangan metrik ini membuktikan kemampuannya yang sangat baik dalam mengidentifikasi tipe kulit dengan benar. Sementara itu, model lain seperti CNN dan MobileNet menunjukkan performa lebih rendah, dan ResNet mengalami underfitting. Dengan demikian, Xception terbukti menjadi model dengan performa paling baik.