Implementasi Facial Beauty Predictions (FBP) Menggunakan Convolutional Neural Network (CNN) di Perangkat Mobile Sebagai Referensi Penggunaan Makeup

Luthfi, Muhammad (2022) Implementasi Facial Beauty Predictions (FBP) Menggunakan Convolutional Neural Network (CNN) di Perangkat Mobile Sebagai Referensi Penggunaan Makeup. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 07211840000024-Undergraduate_Thesis.pdf Restricted to Repository staff only Download (5MB)

Abstract

Kecantikan atau ketampanan merupakan salah satu aspek dari daya tarik manusia. Orang yang memiliki daya tarik tinggi memiliki peluang sukses lebih tinggi sebesar 8 hingga 12 persen dalam negosiasi. Salah satu hal yang bisa digunakan untuk meningkatkan daya tarik adalah makeup atau kosmetik. Makeup dapat digunakan sendiri atau melalui jasa Makeup Artist (MUA). Jasa MUA lebih sering digunakan saat acara yang sangat penting dan terlaksana sekali seumur hidup seperti pernikahan. Hal ini dikarenakan penggunaan jasa MUA memiliki poin lebih dibanding penggunaan makeup sendiri. Perbedaan kecantikan sebelum dan sesudah menggunakan makeup ini tidak bisa diukur melainkan hanya dilihat dan dinilai secara manual. Sehingga sering kali seseorang merasa zonk karena tidak tahu apakah makeup-nya dapat meningkatkan kecantikannya atau apakah makeup tersebut cocok dengan preferensinya. Salah satu penerapan pembelajaran mesin di bidang ini adalah Facial Beauty Predictions (FBP). FBP digunakan untuk mengukur nilai kecantikan atau ketampanan wajah seseorang. Untuk dapat digunakan dengan praktis, FBP dapat diimplementasi pada perangkat mobile sehingga lebih mudah untuk menilai kapan dan di mana saja. Pada tugas akhir ini, digunakan transfer learning untuk 4 arsitektur yakni EfficientNetB0, VGG-16, MobileNet, dan Inception. Lalu terdapat 1 arsitektur lain yang dicoba tanpa transfer learning yakni ShuffleNet. Berdasarkan hasil dari tugas akhir ini, MobileNetV2 mencapai nilai Pearson Correlation tertinggi yakni 0.7893 hanya dengan ukuran model sebesar 10,5 MB. Nilai tersebut lebih kecil dibandingkan dengan model referensi, tetapi hal ini dikarenakan tugas akhir ini fokus pada efisiensi. Selain itu, model diuji pada aplikasi android dan dapat bekerja dengan baik pada 13 pengujian.
==============================================================================================================================
Beauty or good looks is one aspect of human attraction. Highly attractive people have an 8 to 12 percent higher chance of success in negotiations. One of the things that can be used to increase attractiveness is makeup or cosmetics. Makeup can be used alone or through the services of a Makeup Artist (MUA). MUA services are more often used during very important and once-in-a-lifetime events such as weddings. This is because the use of MUA services has more points than the use of makeup itself. The difference in beauty before and after using this makeup cannot be measured but only seen and assessed manually. So often a person feels lonely because he doesn’t know whether his makeup can enhance his beauty or whether the makeup matches his preferences. One application of machine learning in this field is Facial Beauty Predictions (FBP). FBP is used to measure the value of a person’s facial beauty or good looks. For practical use, FBP can be implemented on mobile devices making it easier to assess anytime and anywhere. This project implement transfer learning using 5 algorithm, that are EfficientNetB0, VGG-16, ShuffleNet, MobileNet, and Inception. Only ShuffleNet that are not use transfer learning because it is only available on PyTorch. Based on this project results, MobileNetV2 is the best model that achieve Pearson Correlation 0.7893 with only 10,5 MB for model file size. Compared to reference, the score is low because this project focus on low and efficient model. After that, the model implemented in Android Application that achieve works well in 13 tests.

Item Type:	Thesis (Other)
Additional Information:	RSKom 006.42 Lut i-1 2022
Uncontrolled Keywords:	Convolutional Neural Network. Facial Beauty Predictions. Perangkat Mobile. Convolutional Neural Network. Facial Beauty Predictions. Mobile Device.
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science. EDP
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Computer Engineering > 90243-(S1) Undergraduate Thesis
Depositing User:	Mr. Marsudiyana -
Date Deposited:	17 Jun 2026 01:54
Last Modified:	17 Jun 2026 01:54
URI:	http://repository.its.ac.id/id/eprint/133833

Actions (login required)

View Item