Penerapan Google ML Kit dan Metode K-Nearest Neighbors untuk Klasifikasi Bentuk Wajah Wanita pada Platform Android
Kata Kunci:
KNN, ML Kit, klasifikasi, deteksi wajah, androidAbstrak
Salah satu hal yang menjadi daya tarik wanita adalah rambut. Dengan berkembangnya jaman tentu model rambut yang dapat diterima oleh dunia mode juga berubah. Sehingga memilih model rambut yang tepat untuk dapat tampil modis di setiap jaman cukup penting. Salah satu hal yang dapat dilakukan oleh wanita adalah pergi ke salon dan berkonsultasi dengan penata rambut yang berpengalaman untuk menentukan model rambut yang sesuai. Hal tersebut dilakukan dengan mempertimbangkan kemampuan penata rambut untuk menentukan model rambut yang sesuai dengan bentuk wajah yang dimiliki oleh wanita tersebut. Dengan demikian dapat mengetahui bentuk wajah mampu membantu memudahkan pemilihan model rambut yang sesuai. Pada penelitian ini akan dikembangkan sebuah sistem yang mampu mengenali bentuk wajah pada platform Android dengan menggunakan metode waterfall. Fitur utama dari aplikasi ini adalah mengetahui bentuk wajah subjek dalam foto yang dipilih oleh pengguna aplikasi. Sistem dikembangkan dengan menggunakan metode klasifikasi K-Nearest Neighbors dan Google ML Kit sebagai alat untuk mendapatkan kontur wajah pengguna yang akan digunakan dalam proses klasifikasi. Proses klasfikasi dilakukan terhadap 122 data yang telah diseleksi dari Kaggle. Proses klasifikasi menghasilkan keluaran berupa bentuk wajah Oblong, Round, atau Square. Pengujian pada penelitian ini akan menggunakan metode Leave-One-Out Cross Validation untuk menguji akurasi metode klasifikasi dan Black-box testing untuk menguji fungsionalitas sistem. Hasil pengujian menunjukkan bahwa nilai akurasi tertinggi model klasifikasi yang digunakan adalah 68,032% dengan nilai K=13 dan nilai 100% untuk pengujian fungsional. Pengujian juga melakukan penghitungan f1-score untuk setiap kelas data, pada kelas data Oblong diketahui f1-score sebesar 0,931, Square dengan nilai 0,616, dan Round dengan nilai 0,419. Hasil ini menunjukkan bahwa sistem perlu proses pengembangan lebih lanjut.
Referensi
Alhir, S. S., 2003. Learning UML. Beijing, Cambridge: O'Reilly.
Ciaburro, G., Ayyadevara, V. K.,Perrier, A., 2018. Hands-on machine learning on Google cloud platform. Birmingham: Packt Publishing.
Farcic, V., Garcia, A., 2018. Test-Driven Java Development. 2nd ed. Birmingham: Packt Publishing.
Google developers, 2022. ML Kit | Google for Developers. [online] Tersedia di : <https://developers.google.com/ml-kit> [diakses: 15 Januari 2022]
IBM, 2022. Usage of KNN. [online] Tersedia di: <https://www.ibm.com/docs/en/db2oc?topic=knn-usage> [diakses: 15 Januari 2022]
Miller-Spillman, K., 2011. Face Shape and Hair Care. Family and Consumer Sciences Series, [e-journal] 2(847). Tersedia melalui: University of Kentucky College of Agriculture [online] <http://www2.ca.uky.edu/agcomm/pubs/fcs2/fcs2847/fcs2847.pdf> [diakses: 15 Januari 2022]
Nabil, M, et al., 2021. A Preprocessing Approach to Improve the Performance of Inception v3-based Face Shape Classification. In: Nile University, 2021 3rd Novel Intelligent and Leading Emerging Sciences Conference (NILES). Giza, Egypt, 2021. Egypt: IEEE.
Pathania, N., 2017. Learning continuous integration with Jenkins. 2nd ed. Birmingham; Mumbai: Packt.
Rajapaksha, S. & Kumara, B., 2018. Hairstyle Recommendation Based on Face Shape Using Image Processing. INTERNATIONAL RESEARCH CONFERENCE ARTICLES (KDU IRC), [online] Tersedia di: <http://ir.kdu.ac.lk/handle/345/2514> [diakses 15 Januari 2022]
Rush Hair & Beauty, 2023. How To Find Out Which Hairstyles Suit Your Face Shape. Rush Hair & Beauty Blog [online] <https://www.rush.co.uk/blog/hair-styles-for-your-face-shape/38058> [diakses: 15 Januari 2022]
Sarkar, D., Natarajan, V., 2019. Ensemble machine learning cookbook. Birmingham; Mumbai: Packt.
Shouman, M., Turner, T., Stocker, R., 2012. Applying k-Nearest Neighbour in Diagnosing Heart Disease Patients. International Journal of Information and Education Technology, [e-journal] 2(114), 220-223. Tersedia melalui: Researchgate <https://www.researchgate.net/publication/271298477_Applying_k-Nearest_Neighbour_in_Diagnosing_Heart_Disease_Patients> [diakses: 15 Januari 2022]
Sommerville, I., 2011. Software engineering. 9th ed. Boston: Pearson.
Alhir, S. S., 2003. Learning UML. Beijing, Cambridge: O'Reilly.
Ciaburro, G., Ayyadevara, V. K.,Perrier, A., 2018. Hands-on machine learning on Google cloud platform. Birmingham: Packt Publishing.
Farcic, V., Garcia, A., 2018. Test-Driven Java Development. 2nd ed. Birmingham: Packt Publishing.
Google developers, 2022. ML Kit | Google for Developers. [online] Tersedia di : <https://developers.google.com/ml-kit> [diakses: 15 Januari 2022]
IBM, 2022. Usage of KNN. [online] Tersedia di: <https://www.ibm.com/docs/en/db2oc?topic=knn-usage> [diakses: 15 Januari 2022]
Miller-Spillman, K., 2011. Face Shape and Hair Care. Family and Consumer Sciences Series, [e-journal] 2(847). Tersedia melalui: University of Kentucky College of Agriculture [online] <http://www2.ca.uky.edu/agcomm/pubs/fcs2/fcs2847/fcs2847.pdf> [diakses: 15 Januari 2022]
Nabil, M, et al., 2021. A Preprocessing Approach to Improve the Performance of Inception v3-based Face Shape Classification. In: Nile University, 2021 3rd Novel Intelligent and Leading Emerging Sciences Conference (NILES). Giza, Egypt, 2021. Egypt: IEEE.
Pathania, N., 2017. Learning continuous integration with Jenkins. 2nd ed. Birmingham; Mumbai: Packt.
Rajapaksha, S. & Kumara, B., 2018. Hairstyle Recommendation Based on Face Shape Using Image Processing. INTERNATIONAL RESEARCH CONFERENCE ARTICLES (KDU IRC), [online] Tersedia di: <http://ir.kdu.ac.lk/handle/345/2514> [diakses 15 Januari 2022]
Rush Hair & Beauty, 2023. How To Find Out Which Hairstyles Suit Your Face Shape. Rush Hair & Beauty Blog [online] <https://www.rush.co.uk/blog/hair-styles-for-your-face-shape/38058> [diakses: 15 Januari 2022]
Sarkar, D., Natarajan, V., 2019. Ensemble machine learning cookbook. Birmingham; Mumbai: Packt.
Shouman, M., Turner, T., Stocker, R., 2012. Applying k-Nearest Neighbour in Diagnosing Heart Disease Patients. International Journal of Information and Education Technology, [e-journal] 2(114), 220-223. Tersedia melalui: Researchgate <https://www.researchgate.net/publication/271298477_Applying_k-Nearest_Neighbour_in_Diagnosing_Heart_Disease_Patients> [diakses: 15 Januari 2022]
Sommerville, I., 2011. Software engineering. 9th ed. Boston: Pearson.
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2023 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.