Komparasi Metode Ekstraksi Fitur Tekstur untuk Asesmen Tingkat Keparahan Jerawat pada Citra Wajah Manusia

ALFA NADHYA MAIMANAH, Wahyono, S.Kom., Ph.D.; Faizal Makhrus, S.Kom., M.Sc., Ph.D.

2022 | Skripsi | S1 ILMU KOMPUTER

Meningkatnya antusiasme dan kesadaran masyarakat terhadap kesehatan kulit beberapa tahun belakangan ini menyebabkan industri kecantikan tumbuh secara signifikan. Salah satu penyakit kulit yang menjadi perhatian utama adalah jerawat atau Acne Vulgaris. Metode penentuan tingkat keparahan jerawat yang umum dilakukan adalah melalui penghitungan manual oleh ahli dermatologi yang tidak efektif dari segi waktu dan tenaga. Untuk membantu mengatasi hal tersebut penelitian ini mengimplementasikan teknik ekstraksi fitur tekstur untuk mengenali jerawat pada citra wajah pasien yang berasal dari dataset ACNE04. Sebanyak 40 citra digunakan sebagai data latih dan 20 citra sebagai data uji. Eksperimen yang dilakukan adalah membandingkan hasil ekstraksi fitur dari filter Gabor dan Gray Level Co-occurrence Matrix (GLCM). Fitur tersebut menjadi input untuk melakukan klasifikasi blok-blok kandidat jerawat ke kelas jerawat dan bukan jerawat dengan Gaussian Mixture Model (GMM). Hasil klasifikasi diraih paling baik oleh fitur GLCM di channel Cr-YCrCb dengan recall 0,78. Meskipun demikian, nilai akurasi masih rendah yaitu 45,14% karena belum tersedianya anotasi untuk objek dengan fitur menyerupai jerawat sehingga jumlah false positive masih banyak. Diketahui bahwa fitur warna dengan nilai F1-Score 0,58 masih lebih baik untuk mengklasifikasikan jerawat daripada fitur tekstur dengan nilai F1-Score 0,56. Fitur warna juga memiliki waktu komputasi yang lebih cepat, yaitu sekitar 0,3 detik dibandingkan fitur tekstur yang membutuhkan sekitar 1,2 detik. GMM dengan nilai F1-Score 0,56 sudah memiliki performa yang kompetitif sebagai model klasifikasi jika dibandingkan dengan KNN yang memiliki nilai F1-Score 0,54.

The increasing enthusiasm and public awareness of skin health in recent years have led to significant growth in the beauty industry. One major concern regarding skin disease is acne or Acne Vulgaris. The common method to determine acne severity is through manual calculation by dermatologists which is ineffective in terms of time and effort. To help overcome the problem, this research implemented texture feature extraction methods to detect acne on the patient's face image from the ACNE04 dataset. This research used 40 images as training data and 20 images as testing data. The experiment was conducted to compare the results of feature extraction from the Gabor filter and Gray Level Co-occurrence Matrix (GLCM). These features became the input for classifying acne candidate blocks into acne and non-acne classes using the Gaussian Mixture Model (GMM). The GLCM feature achieved the best classification result in the Cr-YCrCb channel with a recall of 0.78. However, the accuracy value was still low at 45.14% because there were no annotations available yet for objects resembling acne so the number of false positives was still high. The color feature with an F1-Score value of 0.58 was still better for classifying acne than the texture feature with an F1-Score value of 0.56. The color feature also had a faster computation time, which was about 0.3 seconds, compared to the texture feature which took about 1.2 seconds. GMM with an F1-Score value of 0.56 already had a competitive performance as a classification model compared to KNN which had an F1-Score value of 0.54.

Kata Kunci : Jerawat, GLCM, Filter Gabor,Gaussian Mixture Model