Ekstraksi Ciri Pada Klasifikasi Tipe Kulit Wajah Menggunakan Metode Gray Level Co-Occurrence Matrix

Dwi Putra Miskarana Ade, Nanda (2020) Ekstraksi Ciri Pada Klasifikasi Tipe Kulit Wajah Menggunakan Metode Gray Level Co-Occurrence Matrix. Sarjana thesis, Universitas Brawijaya.

Abstract

Kulit merupakan bagian terluar dari tubuh yang juga dapat mencerminkan kecantikan dari pemiliknya terkhusus kulit wajah. Kulit wajah terdiri dari beberapa tipe seperti kulit berminyak dan tidak berminyak, dengan mengetahui tipe kulit wajah dapat ditentukan produk kecantikan sesuai dengan tipe kulit wajah. Namun terdapat kesulitan dalam menentukan tipe kulit wajah karena kondisi kulit yang berubah-ubah karena faktor cuaca oleh karena itu diperlukan sistem yang dapat menentukan tipe kulit wajah menggunakan analisis tekstur kulit. Pada penelitian ini digunakan metode Gray level Co-occurrence Matrix (GLCM) untuk mendapatkan fitur-fitur yang dapat mencirikan jenis kulit wajah karena terbukti metode GLCM dapat menghasilkan fitur yang lebih handal dari pada menggunakan Histogram karena mempertimbangkan piksel tetangganya, kemudian dengan menggunakan fitur-fitur tersebut ditentukan tipe dari kulit wajah dengan menggunakan metode Support Vector Machine (SVM). Pada skenario pengujian dilakukan variasi dalam melakukan ekstraksi ciri menggunakan metode GLCM berupa variasi arah dan jarak. Kemudian dihitung nilai akurasi dari sistem dalam menentukan jenis kulit ke dalam kelas berminyak atau tidak berminyak. Dari eksplorasi yang dilakukan oleh penulis, sistem dapat menentukan jenis kulit ke dalam kelas berminyak dan tidak berminyak dengan akurasi maksimal sebesar 84,6%, hasil tersebut diperoleh dengan menggunakan jarak ketetanggaan sebesar 2 dengan arah ketetanggaan 90o dan menggunakan fitur berupa Angular Second Moment (ASM), Homogeneity, Contrast dan Correlation dengan menggunakan metode klasifikasi SVM dengan kernel RBF

English Abstract

Skin is the outermost part of human body that can reflect the beauty of its owner especially for facial skin. Facial skin consists of several types such as oily skin and not greasy skin, by knowing the type of facial skin, cosmetics products can be determined according to the type of facial skin. However, there are difficulties in determining facial skin type because the skin condition changes due to weather factors, so required a system that can determine the type of facial skin using an analysis of skin texture. In this study the Gray level Co-occurrence Matrix (GLCM) method was used to get features that can characterize facial skin because it was proven that the GLCM can produced more reliable features than using a Histogram because it considers its neighbors, then using these features is determined by the type of facial skin using the Support Vector Machine (SVM) method. In the test scenario, variations of distance and direction are conducted in performing feature extraction using the GLCM method. Then the accuracy of the system in determining the skin type into oily or non-greasy classes is calculated. Based on exploration conducted by the author, the system can determine the type of skin into oily skin and non-oily classes with a maximum accuracy is equal to 84,6%, the results obtained using 90o direction, using a combination of 4 features such as Angular Second Moment (ASM), Homogeneity, Contrast and Correlation, and using a distance equals to 2 using SVM classifier with RBF kernel

Item Type:	Thesis (Sarjana)
Identification Number:	0520150273
Uncontrolled Keywords:	Citra Kulit, Pengolahan Citra, Ekstraksi Fitur, GLCM, Klasifikasi, SVM.Skin Image, Image Processing, Feature Extraction, GLCM, Classification, SVM
Subjects:	600 Technology (Applied sciences) > 621 Applied physics > 621.3 Electrical, magnetic, optical, communications, computer engineering; electronics, lighting
Depositing User:	Unnamed user with username nova
Date Deposited:	05 Sep 2022 08:46
Last Modified:	05 Sep 2022 08:46
URI:	http://repository.ub.ac.id/id/eprint/193951

Text (DALAM MASA EMBARGO) Nanda Dwi Putra Miskarana Ade.pdf Restricted to Registered users only until 31 December 2023. Download (5MB)

Actions (login required)

View Item