Analisis Perbandingan Model Transfer Learning untuk Klasifikasi Bentuk Wajah pada Rekomendasi Bingkai Kacamata
DOI:
https://doi.org/10.30865/json.v7i2.9155Keywords:
Transfer Learning; Convolutional Neural Network; Klasifikasi Wajah; Sistem Rekomendasi; Bingkai KacamataAbstract
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.
References
M. T. Faisal and M. I. Fasa, “Transformasi digital: Peran e-commerce dalam pertumbuhan ekonomi digital di Indonesia,” Jurnal Media Akademik (JMA), vol. 3, no. 4, Apr. 2025, doi: 10.62281/e0ae0685.
“Eyewear - Indonesia | Statista Market Forecast,” Statista. Accessed: Sept. 29, 2025. [Online]. Available: http://frontend.xmo.prod.aws.statista.com/outlook/cmo/eyewear/indonesia
I. Prabowo, M. Fakhriza, and M. D. Irawan, “The effect of augmented reality on glasses purchasing decisions using the structural equation model method,” Journal of Informatics and Telecommunication Engineering, vol. 7, no. 1, pp. 257–270, July 2023, doi: 10.31289/jite.v7i1.10084.
M. C. Wibowo, Kekuatan AR (Augmented Reality) dan VR (Virtual Reality) dalam Bisnis. Semarang: Yayasan Prima Agus Teknik bekerja sama dengan Universitas Sains dan Teknologi Komputer (Universitas STEKOM), 2023. ISBN: 978-623-8642-63-2. Accessed: Nov. 3, 2025. [Online]. Available: https://penerbit.stekom.ac.id/index.php/yayasanpat/article/view/555/581
V. Valensia and K. Kurniabudi, “Pemanfaatan media sosial berbasis AR untuk mengidentifikasi dalam pemilihan bingkai kacamata pada toko kacamata Idri,” Jurnal Manajemen Sistem Informasi, vol. 8, no. 3, pp. 555–567, Oct. 2023, doi: 10.33998/jurnalmsi.2023.8.3.1490.
T. Abdulghani and R. M. Sembada, “Pemanfaatan teknologi augmented reality untuk memilih model kacamata di Central Optikal 165 dengan menggunakan metode markerless berbasis Android,” MJI, vol. 13, no. 1, p. 36, June 2021, doi: 10.35194/mji.v13i1.1299.
D. Riswan, H. E. R. Putra, and R. N. Saputra, “Pengembangan sistem rekomendasi berbasis kecerdasan buatan untuk meningkatkan pengalaman pengguna di platform e-commerce,” Jurnal Komputer Teknologi Informasi Sistem Informasi (JUKTISI), vol. 2, no. 3, pp. 572–580, Feb. 2024, doi: 10.62712/juktisi.v2i3.145.
S. A. E. Albakia and R. A. Saputra, “Identifikasi jenis daun tanaman obat menggunakan metode convolutional neural network (CNN) dengan model VGG16,” Jurnal Informatika Polinema, vol. 9, no. 4, pp. 451–460, Aug. 2023, doi: 10.33795/jip.v9i4.1420.
M. W. Sardjono, V. Ramadhan, M. Cahyanti, and E. R. Swedia, “Klasifikasi bentuk bingkai (frame) kacamata menggunakan CNN dengan arsitektur Inception V3 dan augmented reality berbasis Android,” Journal of System and Computer Engineering, vol. 5, no. 2, pp. 204–218, July 2024, doi: 10.61628/jsce.v5i2.1292.
R. H. Rifat, S. Siddique, L. R. Das, and M. A. Haque, “Facial shape-based eyeglass recommendation using convolutional neural networks,” in Proc. 2023 IEEE Symposium Series on Computational Intelligence (SSCI), Dec. 2023, pp. 867–872, doi: 10.1109/SSCI52147.2023.10371836.
R. Adityatama and A. Putra, “Image classification of human face shapes using convolutional neural network Xception architecture with transfer learning,” Recursive Journal of Informatics, vol. 1, pp. 102–109, Sept. 2023, doi: 10.15294/rji.v1i2.70774.
M. T. Hidayatillah, N. Mardiyantoro, and M. Hidayat, “Sistem identifikasi bentuk wajah untuk pemilihan frame kacamata menggunakan metode transfer learning,” Biner: Jurnal Ilmiah Informatika dan Komputer, vol. 1, no. 1, pp. 70–78, Jan. 2022, doi: 10.32699/biner.v1i1.2853.
W. Budianto, D. E. Herwindiati, and J. Hendryli, “Pengenalan bentuk wajah dengan metode convolutional neural network untuk pemilihan model kacamata secara online,” Infotech: Journal of Technology Information, vol. 9, no. 2, pp. 129–136, Nov. 2023, doi: 10.37365/jti.v9i2.176.
W. A. Kurniawan and A. Salam, “Penggunaan feature space SMOTE untuk mengurangi overfitting akibat imbalance dataset,” Teknika Komputer (tc), vol. 23, no. 2, pp. 328–337, May 2024, doi: 10.62411/tc.v23i2.10215.
M. Sandler, A. Howard, M. Zhu, A. Zhmoginov, and L.-C. Chen, “MobileNetV2: Inverted residuals and linear bottlenecks,” arXiv preprint arXiv:1801.04381, Mar. 21, 2019, doi: 10.48550/arXiv.1801.04381.
A. T. Sari, J. Jumadi, and E. Nurlatifah, “Penerapan convolutional neural network untuk mengklasifikasikan citra sampah organik dan non organik,” Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi, vol. 14, no. 1, pp. 1–11, Apr. 2025, doi: 10.35889/jutisi.v14i1.2534.
M. B. Septyono, F. T. Anggraeny, and R. Mumpuni, “Pengenalan ekspresi wajah dengan LBP dan multi-level CNN,” Jurnal Informatika Polinema, vol. 11, no. 4, pp. 469–476, Aug. 2025, doi: 10.33795/jip.v11i4.7351.
A. Younesi et al., “A comprehensive survey of convolutions in deep learning: Applications, challenges, and future trends,” IEEE Access, vol. 12, pp. 41180–41218, 2024, doi: 10.1109/ACCESS.2024.3376441.
C. C. Aggarwal, Neural Networks and Deep Learning: A Textbook. Cham: Springer International Publishing, 2018, doi: 10.1007/978-3-319-94463-0.
K. Azmi, S. Defit, and S. Sumijan, “Implementasi convolutional neural network (CNN) untuk klasifikasi batik tanah liat Sumatera Barat,” Jurnal Teknologi Universal, vol. 16, no. 1, pp. 28–40, June 2023, doi: 10.52072/unitek.v16i1.504.
Q. Lina, “Implementasi deep learning menggunakan convolutional neural network untuk klasifikasi gambar (mata juling dan mata normal) dengan R,” Medium.com, Sept. 30, 2025. Accessed: Oct. 1, 2025. [Online]. Available: https://medium.com/@16611110/implementasi-deep-learning-menggunakan-convolutional-neural-network-untuk-klasifikasi-gambar-mata-87dcc0ad26e0
A. Mufidatuzzainiya and M. Faisal, “Penggunaan teknik transfer learning pada metode CNN untuk pengenalan tanaman bunga,” JISKA (Jurnal Informatika Sunan Kalijaga), vol. 10, no. 2, pp. 195–206, May 2025, doi: 10.14421/jiska.2025.10.2.195-206.
M. S. Azzahra, S. S. Maesaroh, and R. G. Guntara, “Penggunaan convolutional neural network dan transfer learning untuk rekomendasi gaya rambut pria,” Jurnal Algoritma, Jan. 2025. Accessed: Oct. 6, 2025. [Online]. Available: https://jurnal.itg.ac.id/index.php/algoritma/article/view/2134
A. D. Ulhaq, D. Hartanti, and A. A. Sari, “Sistem rekomendasi pemilihan jenis lensa kacamata menggunakan metode knowledge based recommendation (studi kasus: Optik Wiratama Kacamata 2),” STRING (Satuan Tulisan Riset dan Inovasi Teknologi), vol. 10, no. 1, pp. 118–127, Aug. 2025, doi: 10.30998/string.v10i1.28938.
P. Thangavel and S. Mohanasundaram, “Machine vision based intelligent eyeglass recommender,” International Journal on Applications in Engineering and Technology, vol. 9, no. 2, pp. 69–75, June 2023, ISSN: 2455-0523.
A. Zheng, Evaluating Machine Learning Models: A Beginner’s Guide to Key Concepts and Pitfalls. Sebastopol, CA: O’Reilly Media, 2015.
P. Rodríguez, M. A. Bautista, J. Gonzàlez, and S. Escalera, “Beyond one-hot encoding: Lower dimensional target embedding,” Image and Vision Computing, vol. 75, pp. 21–31, July 2018, doi: 10.1016/j.imavis.2018.04.004.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Jurnal Sistem Komputer dan Informatika (JSON)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
This work is licensed under a Creative Commons Attribution 4.0 International License
Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under Creative Commons Attribution 4.0 International License that allows others to share the work with an acknowledgment of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (Refer to The Effect of Open Access).
