Identifikasi Jenis Acne Vulgaris pada Citra Jerawat Wajah dengan Ekstraksi Fitur GLCM dan Algoritma Extreme Learning Machine

Identifikasi Jenis Acne Vulgaris pada Citra Jerawat Wajah dengan Ekstraksi Fitur GLCM dan Algoritma Extreme Learning Machine

• By Hasanah, Riyan Latifahul;
• Tesis
• 904

Acne vulgaris atau jerawat merupakan penyakit kulit yang dialami hampir 85% orang. Penyakit ini dapat bertahan hingga bertahun-tahun hingga mempengaruhi fisik dan psikologis yang berat pada penderita jerawat kronis. Dalam melakukan perawatan jerawat, perlu diidentifikasi jenis jerawat secara tepat. Metode manual dianggap kurang efektif, sehingga diusulkan metode otomatis menggunakan komputer, yaitu menggunakan teknik pengolahan citra. Penelitian ini dilakukan untuk melakukan identifikasi jenis jerawat pada citra jerawat wajah. Metode yang digunakan yaitu K-Means Clustering untuk segmentasi, Gray Level Co-occurence Matrix (GLCM) untuk ekstraksi fitur dan Extreme Learning Machine (ELM) untuk klasifikasi. Dataset sebanyak 100 citra dan terdiri dari 3 kelas, yaitu Nodules, Papules dan Pustules. Pengujian dilakukan dalam dua tahap, yaitu pengujian 2 kelas (Nodules dan Papules), dilanjutkan pengujian 3 kelas (Nodules, Papules dan Pustules). Pengujian 2 kelas menghasilkan akurasi tertinggi 95,24% dan pengujian 3 kelas menghasilkan akurasi tertinggi 80%.

• Katakunci cne Vulgaris, Jerawat, Pengolahan Citra, K-Means Clustering, GLCM, Extreme Learning Machine
• URL http://
• Penerbit ,

REFERENSI

[1] J. R. Balbin, J. C. Dela Cruz, C. O. Camba, A. D. Gozo, S. M. B. Jimenez, and A. C. Tribiana, “Facial Fluid Synthesis for Assessment of Acne Vulgaris Using Luminescent Visualization System through Optical Imaging and Integration of Fluorescent Imaging System,” in Second International Workshop on Pattern Recognition, 2017, pp. 1–5.

[2] N. Alamdari, K. Tavakolian, M. Alhashim, and R. Fazel-rezai, “Detection and Classification of Acne Lesions in Acne Patients : A Mobile Application,” in IEEE International Conference on Electro Information Technology (EIT), 2016, pp. 739–743.

[3] S. Lucut and M. R. Smith, “Dermatological Tracking of Chronic Acne Treatment Effectiveness,” in 38th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), 2016, pp. 5421–5426.

[4] M. Becker, T. Wild, and C. C. Zouboulis, “Objective Assessment of Acne,” in Clinics in Dermatology, Elsevier B.V., 2016.

[5] N. Kittigul and B. Uyyanonvara, “Automatic Acne Detection System for Medical Treatment Progress Report,” in 7th International Conference on Information Communication Technology for Embedded Systems 2016, 2016, pp. 2–5.

[6] X. Shen, J. Zhang, C. Yan, and H. Zhou, “An Automatic Diagnosis Method of Facial Acne Vulgaris Based on Convolutional Neural Network,” Sci. Rep., vol. 8, pp. 1–10, 2018.

[7] F. S. Abas, B. Kaffenberger, J. Bikowski, and M. N. Gurean, “Acne Image Analysis : Lesion Localization and Classification,” in Medical Imaging 2016: Computer-Aided Diagnosis, 2016, pp. 1–9.

[8] X. Wu et al., “Joint Acne Image Grading and Counting via Label Distribution Learning,” in IEEE International Conference on Computer Vision (ICCV), 2019, pp. 10642–10651.

[9] R. E. Syahputra, “Perancangan Aplikasi Perbandingan Deteksi Tepi dalam Citra Digital dengan Metode Edge Detection Linking dan Sobel,” J. Pelita Inform., vol. 18, no. 1, pp. 62–68, 2019.

[10] S. R. Sulistiyanti, F. A. Setyawan, and M. Komarudin, Pengolahan Citra Dasar dan Contoh Penerapannya. Yogyakarta: Teknosain, 2016.

[11] M. Zainuddin, L. T. Sianturi, and R. K. Hondro, “Implementasi Metode Robinson Operator 3 Level untuk Mendeteksi Tepi pada Citra Digital,” J. Ris. Komput., vol. 4, no. 4, pp. 1–5, 2017.

[12] F. F. Maulana and N. Rochmawati, “Klasifikasi Citra Buah Menggunakan Convolutional Neural Network,” J. Informatics Comput. Sci., vol. 1, no. 2, pp. 104–108, 2019.

[13] M. I. Farih, L. Hakim, and M. Munir, “Segmentasi Citra Wayang dengan Metode Otsu,” Cyber-techn, vol. 11, no. 01, pp. 8–18, 2016.

[14] M. Fauzi, B. Hidayat, and M. F. Wiyatna, “Estimasi Bobot Karkas Sapi Berdasarkan Metode Binary Large Object dan Klasifikasi Support Vector Machine Multiclass Berbasis Android,” e-Proceeding Eng., vol. 5, no. 1, pp. 426–434, 2018.

[15] M. Aljanabi, Y. E. Ozok, J. Rahebi, and A. S. Abdullah, “Skin Lesion Segmentation Method for Dermoscopy Images Using Artificial Bee Colony Algorithm,” Symmetry (Basel)., vol. 10, no. 237, pp. 2–18, 2018.

[16] S. Kolkur, D. Kalbande, P. Shimpi, C. Bapat, and J. Jatakia, “Human Skin Detection Using RGB , HSV and YCbCr Color Models,” Adv. Intell. Syst. Res., vol. 137, pp. 324–332, 2017.

[17] S. Sugiyanto and F. Wibowo, “Klasifikasi Tingkat Kematangan Buah Pepaya (Carica Papayal) Clasifornia (Callina-IPB 9) dalam Ruang Warna HSV dan Algoritma K-Nearest Neighbors,” in Prosiding SENATEK 2015, 2015, no. November, pp. 335–341.

[18] C. G. Polo, M. P. Muñoz, M. C. L. Luengo, P. Vicente, P. Galindo, and A. M. M. Casado, “A Comparison of the CIELab and CIEDE2000 Color Difference Formulas,” J. Prosthet. Dent., vol. 115, no. 1, pp. 1–6, 2016.

[19] L. J. Herrera, J. Santana, A. Yebra, M. J. Rivas, R. Pulgar, and M. M. Perez, “A Model for Prediction of Color Change After Tooth Bleaching Based on CIELAB Color Space,” Proc. SPIE, vol. 10453, 2017.

[20] Y. Hapsari and M. F. Hidayattullah, “Deteksi Wajah Dari Berbagai Ras Manusia Menggunakan Warna Kulit Berbasis Ruang Warna L*A*B,” in Seminar Nasional Teknologi Informasi dan Komunikasi Terapan 2013, 2013, no. November, pp. 409–414.

[21] A. P. Windarto, “Penerapan Data Mining Pada Ekspor Buah-Buahan Menurut Negara Tujuan Menggunakan K-Means Clustering,” Techno.com, vol. 16, no. 4, pp. 348–357, 2017.

[22] H. Sufahri, D. Hartama, A. P. Windarto, Solikhun, and R. Dewi, “Implementasi K-Means Clustering dalam Pengelompokkan Persentase Rumah Tangga yang Memiliki dan Menguasai Komputer di Indonesia,” in Seminar Nasional Matematika dan Terapan 2019, 2019, vol. 1, pp. 635–641.

[23] J. Arisandi and Samsuryadi, “Prediksi Kebutuhan Buah dengan Segmentasi Pasar Menggunakan K-Means,” Annu. Res. Semin. 2016, vol. 2, no. 1, pp. 156–158, 2016.

[24] R. C. Hrosik, E. Etuba, E. Dolicanin, R. Jovanovic, and M. Tuba, “Brain Image Segmentation Based on Firefly Algorithm Combined with K-means Clustering,” Stud. Informatics Control, vol. 28, no. 2, pp. 167–176, 2019.

[25] Y. I. Kurniawan, “Perbandingan Algoritma Naive Bayes dan C.45 dalam Klasifikasi Data Mining,” J. Teknol. Inf. dan Ilmu Komput., vol. 5, no. 4, pp. 455–464, 2018.

[26] D. Kurniawan, W. Wicaksono, and Y. P. Astuti, “Pemanfaatan Educational Data Mining (EDM) untuk Memprediksi Masa Studi Mahasiswa Menggunakan Algoritma C.45 (Studi Kasus: TI-S1 UDINUS),” Momentum, vol. 12, no. 2, pp. 48–52, 2016.

[27] M. S. Mustafa, M. R. Ramadhan, and A. P. Thenata, “Implementasi Data Mining untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive Bayes Classifier,” Citec J., vol. 4, no. 2, 2017.

[28] J. Kusanti and N. A. Haris, “Klasifikasi Penyakit Daun Padi Berdasarkan Hasil Ekstraksi Fitur GLCM Interval 4 Sudut,” J. Inform. J. Pengemb. IT (JPIT), vol. 3, no. 1, pp. 1–6, 2018.

[29] B. Hartono and V. Lusiana, “Pengaruh Pra-Proses Perbaikan Kontras pada Hasil Pencarian Citra,” J. Teknol. Inf. Din., vol. 20, no. 2, pp. 93–99, 2015.

[30] Y. Rullist, B. Irawan, and A. B. Osmond, “Aplikasi Identifikasi Motif Batik Menggunakan Metode Ekstraksi Fitur Gray Level Co-Occurance Matrix (GLCM) Berbasis Android,” e-Proceeding Eng., vol. 2, no. 2, pp. 3684–3692, 2015.

[31] K. N. Setiawan and I. M. S. Putra, “Klasifikasi Citra Mammogram Menggunakan Metode K-Means , GLCM, dan Support Vector Machine (SVM),” Merpati, vol. 6, no. 1, pp. 13–24, 2018.

[32] F. Sthevanie and K. N. Ramadhani, “Spoofing Detection on Facial Images Recognition using LBP and GLCM Combination,” in Journal of Physics: Conference Series PAPER, 2018.

[33] S. A. Wibowo, B. Hidayat, and U. Sunarya, “Simulasi dan Analisis Pengenalan Citra Daging Sapi dan Daging Babi dengan Metode GLCM,” in Seminar Nasional Inovasi dan Aplikasi Teknologi di Industri (SENIATI), 2016, pp. 338–343.

[34] F. Maharani, B. Hidayat, and H. Fauzi, “Perancangan Sistem Pola Kain Sarung Khas Makassar dengan Metode GLCM Berbasis Android,” eProceeding Eng., vol. 2, no. 2, pp. 2638–2645, 2015.

[35] S. S. Nikam, “A Comparative Study of Classification Techniques in Data Mining Algorithms,” Orient. J. Comput. Sci. Technol., vol. 8, no. 1, pp. 13–19, 2015.

[36] S. M. Gorade, A. Deo, and P. Purohit, “A Study of Some Data Mining Classification Techniques,” Int. Res. J. Eng. Technol., vol. 4, no. 4, pp. 3112–3115, 2017.

[37] Z. A. Fikriya, M. I. Irawan, and Soetrisno, “Implementasi Extreme Learning Machine untuk Pengenalan Objek Citra Digital,” J. Sains dan Seni ITS, vol. 6, no. 1, 2017.

[38] N. M. Ashar, I. Cholissodin, and C. Dewi, “Penerapan Metode Extreme Learning Machine (ELM) Untuk Memprediksi Jumlah Produksi Pipa Yang Layak (Studi Kasus Pada PT. KHI Pipe Industries),” urnal Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 11, pp. 4621–4628, 2018.

[39] W. G. Jiang, G. Hagen, and T. Papenbrock, “Extrapolation of Nuclear Structure Observables with Artificial Neural Networks,” Phys. Rev., vol. 100, no. 054326, pp. 1–9, 2019.

[40] P. Kuo and C.-J. Huang, “A High Precision Artificial Neural Networks Model for Short-Term Energy Load Forecasting,” Energies, vol. 11, no. 213, pp. 1–13, 2018.

[41] Murdoko and Saparudin, “Klasifikasi Citra Daun Tanaman Menggunakan Metode Extreme Learning Machine,” Konf. Nas. Inform. 2015, pp. 140–145, 2015.

[42] L. H. Harum, N. Hidayat, and R. K. Dewi, “Implementasi Metode Extreme Learning Machine (ELM) untuk Memprediksikan Penjualan Roti (Studi Kasus : Harum Bakery),” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol.2, no. 11, pp. 5040–5048, 2018.

[43] S. Ding, L. Guo, and Y. Hou, “Extreme Learning Machine with Kernel Model Based on Deep Learning,” Neural Comput. Appl., vol. 28, no. 8, pp. 1975–1984, 2017.

[44] P. Sibi, S. A. Jones, and P. Siddarth, “Analysis of Different Activation Functions using Back Propagation Neural Networks,” J. Theor. Appl. Inf. Technol., vol. 47, no. 3, pp. 1264–1268, 2013.

[45] Indrayanti, D. Sugianti, and M. A. Al Karomi, “Optimasi Parameter K pada Algoritma K-Nearest Neighbour untuk Klasifikasi Penyakit Diabetes Mellitus,” in Prosiding SNATIF, 2017, pp. 823–829.

[46] I. Menarianti, “Klasifikasi Data Mining dalam Menentukan Pemberian Kredit bagi Nasabah Koperasi,” J. Ilm. Teknosains, vol. 1, no. 1, 2015.

[47] D. C. P. Buani, “Optimasi Algoritma Naïve Bayes dengan Menggunakan Algoritma Genetika untuk Prediksi Kesuburan (Fertility) Duwi,” Evolusi, vol. 4, no. 1, pp. 55–64, 2016.

[48] G. Maroni, M. Ermidoro, F. Previdi, and G. Bigini, “Automated Detection, Extraction and Counting of Acne Lesions for Automatic Evaluation and Tracking of Acne Severity,” IEEE. Honolulu, pp. 245–250, 2017.

[49] J. Khan, A. S. Malik, N. Kamel, S. C. Das, and A. M. Affandi, “Effect of Color Feature Normalization on Segmentation of Color Images,” in IEEE, 2016, pp. 1–5.

[50] M. Amini, F. Vasefi, M. Valdebran, K. Huang, and H. Zhang, “Automated Facial Acne Assessment from Smartphone Images,” in Proceedings of SPIE, 2018.

[51] A. I. A. Zaki, N. Ibrahim, S. Sari, and L. F. Mahadi, “Applied of Image Processing Technique on Semi-Auto Count of Skin Spot,” Bioeng. Princ. Technol. Appl., vol. 2, pp. 51–62, 2019.

[52] T. Priatna, Prosedur Penelitian Pendidikan. Bandung: CV Insan Mandiri, 2017.

[53] DermnetNZ, “Acne Affecting the Face Image,” DermNet New Zealand Trust., 2020. [Online]. Available: https://www.dermnetnz.org/.