Klasifikasi Bentuk Rambut Manusia (Lurus, Keriting, Bergelombang) Menggunakan Teachable Machine Pendekatan berbasis Gambar
DOI:
https://doi.org/10.35473/jamastika.v5i1.4574Abstract
Klasifikasi bentuk rambut manusia yaitu lurus, keriting dan bergelombang, telah berhasil dikembangkan menggunakan Teachable Machine melalaui pendekatan citra digital. Bentuk rambut adalah karakreristik pembeda bologis dan sosial antara individu. Teachable Machine sebagai platform web yang disediakan oleh Google, yang mudah digunakan, memanfaatkan transfer learning untuk pengenalan pola visual. Peroses pengembanagan melibatakan penggunak citra yang telah di pra-proses, dan pelatihan model Teachable Machine diatur dengan 50 epoch, ukuran batch 15, dan laju pembelajaran 0,008. Evaluas kinerja menunjukan hasil yang sangat memuaskan dengan akurasi keseluruhan mencapai (87%) dan nilai loss yang rendah 0,004. Akurasi per katagori adalah 0,87 untuk lurus dan keriting, dan 0,81 untuk bergelombang. Prototipe model dapat diakses dan diuji secara real-time melalaui unggahan gambar setelah diekspor menggunakan fitur Cloud Shareable. Teachable Machine merupakan alat yang efektif untuk membangun sebuah sistem klasifikasi bentuk rambut yang otomatis dan memiliki akurasi tinggi.
Kata Kunci:Klasifikasi, Teachable Machine, Bentuk Rambut Manusia, gambar.
The classification of human hair shapes, namely straight, curly, and wavy, has been successfully developed using Teachable Machine through a digital image approach. Hair shape is a biological and social distinguishing characteristic between individuals. Teachable Machine, as a web platform provided by Google that is easy to use, utilizes transfer learning for visual pattern recognition. The development process involves the use of pre-processed images, and the training of the Teachable Machine model is set with 50 epochs, a batch size of 15, and a learning rate of 0.008. Performance evaluation shows very satisfactory results with an overall accuracy of 87% and a low loss value of 0.004. The accuracy per category is 0.87 for straight and curly, and 0.81 for wavy. The model prototype can be accessed and tested in real-time by uploading images after being exported using the Cloud Shareable feature. Teachable Machine is an effective tool for building an automatic and high-accuracy hair shape classification system.
Keywords:Classification, Teachable Machine, Human Hair Shape, image.
References
Fachrurrazi, S., & Fadlisyah. (2010).Sistem sketsa generatif pemodelan rambut manusia. TECHSI: Jurnal Penelitian Teknik Informatika, 4, 54–71.
Wulandari, I., Yasin, H., & Widiharih, T. (2020). Analisis pengenalan citra digital bumbu dan rempah menggunakan metode Convolutional Neural Network. Gaussian Journal, 9(3), 273–282. https://doi.org/10.14710/j.gauss.v9i3.27416
Prabowo, F. W., Homaidi, A., & Lutfi, A. (2024, Oktober).Deteksi warna kulit menggunakan metode deep learning dengan CNN (Convolutional Neural Network) untuk menentukan kecocokan warna kulit dan warna busana. Jurnal Teknik Elektro dan Informatika, 19(2), 186–190.
Yana, A. F. (2020). Implementasi pengolahan citra digital pada penghitungan anak burung puyuh menerapkan metode blob. Journal of Information System Research, 1(4), 237–245.
Chazar, C., & Rafsanjani, M. H. (2022). Penerapan klasifikasi pembelajaran mesin yang dapat diajarkan untuk identifikasi benih tanaman. Simposium Profesional tentang Inovasi dan Adopsi Teknologi, 2(1), 32–40. https://doi.org/10.35969/inotek.v2i1.207
Tafifasari, E. Q. B., & Megasari, D. S. (2020). Efek perbedaan styling hasil terhadap jenis rambut. e-Journal Pendidikan Tata Rias, 9(2), 166–172.
Roihan, A., Rizkia, I. A., & Tangguh, M. R. (2024, Agustus). Prototipe sistem deteksi kebakaran dengan pemanfaatan machine learning berbasis pengolahan gambar. Seminar Nasional CORISINDO, Universitas Teknologi Bandung, 474–479.
Purnama Sari, A., & Khairi, A. (n.d.). Budidaya tanaman tomat dan pengendalian hama dan penyakit. CV Mega Nusantara.
Djufri, M. (2020). Penerapan teknik web scraping untuk penggalian potensi pajak (studi kasus pada online marketplace Tokopedia, Shopee, dan Bukalapak). Jurnal BPPK, 13(2), 65–75.
Roihan, A., Rizkia, I. A., & Tangguh, M. R. (2024, Agustus). Prototipe sistem deteksi kebakaran dengan pemanfaatan machine learning berbasis pengolahan gambar. Dalam Seminar Nasional CORISINDO, Universitas Teknologi Bandung, 474–479.
Afrianti, N. F. R., Badawi, A., & Muslim. (2024). Web scraping senyawa herbal di Indonesia menggunakan Selenium Python. Jurnal Penelitian Sains dan Sosial, 7(4), 1362–1366.
Pitaloka, D. L., Dimyati, D., & Purwanta, E. (2021, Januari). Peran guru dalam menanamkan nilai toleransi pada anak usia dini di Indonesia. Jurnal Obsesi: Jurnal Pendidikan Anak Usia Dini, 5(2), 1696–1705. https://doi.org/10.31004/obsesi.v5i2.972
Husna, M., & Fatah, Z. (2021). Klasifikasi kematangan tanaman buah tomat menggunakan Teachable Machine: Pendekatan berbasis gambar. Universitas Ibrahimy Situbondo.
Satriajati, S., Panuntun, S. B., & Pramana, S. (2020). Implementasi web scraping dalam pengumpulan berita kriminal pada masa pandemi Covid-19. Seminar Nasional Official Statistics.
Muhammad, U. R., Svanera, M., Leonardi, R., & Benini, S. (2018, Januari).Hair detection, segmentation, and hairstyle classification in the wild. Image and Vision Computing, 71, 25–37. https://doi.org/10.1016/j.imavis.2018.02.001
