Deteksi Skintone Menggunakan Model Warna CIELAB dan Klasifikasi Support Vector Machine
Abstract
This study aims to develop a human skin tone detection system using the CIELAB color model and the Support Vector Machine (SVM) classification method. The data used consists of facial images from the SkinTone Classification dataset (Kaggle). The preprocessing stage includes image resizing and conversion to the CIELAB color space. Feature extraction is performed by calculating the mean and standard deviation of each L*, a*, and b* channel. The dataset is then divided into training and testing sets with an 80:20 ratio, and classification is carried out using SVM with a Radial Basis Function (RBF) kernel. System performance is evaluated using accuracy, precision, recall, and F1-score metrics. The system achieved an accuracy of 92.09%, with the best performance in the dark skin tone category, reaching an F1-score of 97.9%. Although the performance for other classes was slightly lower, the system overall demonstrates strong classification capability and potential for practical and accurate skin tone recognition applications.
Keyword: Skin color; CIELAB; Feature extraction; Support Vector Machine; Image classification
Abstrak
Penelitian ini memiliki tujuan untuk mengembangkan sebuah sistem dalam mendeteksi warna kulit manusia dengan pendekatan model warna CIELAB dan metode klasifikasi Support Vector Machine (SVM). Data yang digunakan berupa citra wajah dari SkinTone Classification dataset (Kaggle). Tahapan praproses yang meliputi perubahan ukuran citra dan konversi ke ruang warna CIELAB. Ekstraksi fitur dilakukan dengan menghitung rata-rata serta simpangan baku pada setiap komponen L*, a*, dan b*. Dataset kemudian dipisahkan menjadi data pelatihan dan data pengujian dengan rasio 80:20, lalu diklasifikasikan menggunakan SVM dengan kernel Radial Basis Function (RBF). Evaluasi performa sistem dianalisis menggunakan metrik akurasi, presisi, recall, dan F1-score. Sistem ini berhasil mencapai akurasi sebesar 92,09%, dengan performa terbaik pada kategori warna kulit gelap (dark), yang memperoleh F1-score sebesar 97,9%. Walaupun hasil performa pada kelas lain sedikit lebih rendah, sistem ini secara keseluruhan menunjukkan kemampuan klasifikasi yang baik dan berpotensi untuk diterapkan dalam aplikasi pengenalan warna kulit secara praktis dan akurat.
Kata Kunci: Warna kulit; CIELAB; Ekstraksi fitur; Support Vector Machine; Klasifikasi citra
References
M. Z. Sayuti Rahman, M F Verri Anggriawan, Rosyidah Siregar, Siti Sundari, Kharunnisa, “Chroma Key untuk Mengubah Warna Pakaian dengan HSV dan Morfologi pada Citra Digital,” JURIKOM (Jurnal Ris. Komputer), vol. 9, no. 6, pp. 1983−1988, 2022, doi: 10.30865/jurikom.v9i6.5164.
D. Arwanda, E. A. Wulandari, and M. R. Padma Saputra, “Putih yang Ideal: Representasi Warna Kulit Perempuan dalam Iklan Kosmetik Vaseline Insta Fair Tahun 2013,” J. Audiens, vol. 3, no. 1, pp. 48–60, 2022, doi: 10.18196/jas.v3i1.11769.
Jusmalia Oktaviani, “Fenomena ‘Colorism’ Sebagai Bentuk Stratifikasi Sosial Di Kawasan Asia Tenggara,” J. Din. Glob., vol. 7, no. 01, pp. 54–83, 2022, doi: 10.36859/jdg.v7i01.1037.
Y. Apridiansyah, E. D. Putra, D. Diana, and A. C. Pratama, “Segmentasi Warna Kulit Menggunakan Ruang Warna YCBCR Untuk Deteksi Wajah Manusia,” J. Media Infotama, vol. 19, no. 1, pp. 205–210, 2023, doi: 10.37676/jmi.v19i1.3808.
Y. Amrozi, D. Yuliati, A. Susilo, N. Novianto, and R. Ramadhan, “Klasifikasi Jenis Buah Pisang Berdasarkan Citra Warna dengan Metode SVM,” J. Sisfokom (Sistem Inf. dan Komputer), vol. 11, no. 3, pp. 394–399, 2022, doi: 10.32736/sisfokom.v11i3.1502.
J. Kusuma, A. Jinan, M. Z. Lubis, R. Rubianto, and R. Rosnelly, “Komparasi Algoritma Support Vector Machine Dan Naive Bayes Pada Klasifikasi Ras Kucing,” Generic, vol. 14, no. 1, pp. 8–12, 2022, doi: 10.18495/generic.v14i1.122.
M. A. Buchari, K. Haritami, R. Passarela, and A. --, “Implementasi Metode Hue Saturation Value Pada Identifikasi Citra Warna Kulit Studi Kasus: Pembuatan Surat Keterangan Catatan Kepolisian,” J. Generic, vol. 14, no. 2, pp. 70–73, 2022, doi: 10.18495/generic.v14i2.136.
F. W. Prabowo, A. Homaidi, and Lutfi, “Deteksi Warna Kulit Menggunakan Metode Deep Learning dengan CNN (Convolutional Neural Network) untuk Menentukan Kecocokan Warna Kulit dan Warna Busana,” J. Tek. Elektro dan Inform., vol. 19, no. 2, pp. 186–190, 2024, doi: 10.30587/e-link.v19i2.8128.
Dr. R. Satheeskumar Professor, “Face Detection using L.A.B. using Color Space,” Int. J. Mod. Trends Sci. Technol., vol. 8, no. 2, pp. 105–112, 2022, doi: 10.46501/IJMTST0802017.
S. Kye and O. Lee, “Skin color classification of Koreans using clustering,” Ski. Res. Technol., vol. 28, no. 6, pp. 796–803, 2022, doi: 10.1111/srt.13201.
D. Nguyen, “Dataset Skin Tone.” Accessed: Jan. 05, 2025. [Online]. Available: https://www.kaggle.com/datasets/ducnguyen168/dataset-skin-tone [Diakses : 06 Juni 2024].
R. Dijaya, Buku Ajar Pengolahan Citra Digital, Edisi ke-1., vol. 11, no. 1. Penerbit Informatika, 2019. [Online]. Available:http://scioteca.caf.com/bitstream/handle/ 123456789/1091/RED2017-Eng-8ene.pdf?sequence=12&isAllowed=y%0Ahttp://dx.doi.org/10.1016/j.regsciurbeco.2008.06.005%0Ahttps://www.researchgate.net/publication/305320484_SISTEM_PEMBETUNGAN_TERPUSAT_STRATEGI_MELESTARI
M. U. Cantika Serenita, Fatih Dwi Laksana, Rizka Salsabila Nasution, “Deteksi Kanker Kulit Menggunakan Algoritma Convolutional Neural Network,” Pros. Semin. Nas. Teknol. dan Tek. Inform., vol. 1, no. 1, pp. 1–10, 2024 [Diakses : 02 Maret 2025].
A. P. S. Achmad Yuneda Alfajr, Kartini, “Classification of Distracted Driver Using Support Vector Machine Based on Principal Component Analysis Feature Reduction and Convolutional Neural Network,” J. Komput. dan Inform., vol. 11, no. 2, pp. 237–245, 2023, doi: 10.35508/jicon.v11i2.12658.
R. R. Waliyansyah, “Identifikasi Jenis Biji Kedelai (Glycine Max L) Menggunakan Gray Level Coocurance Matrix (GLCM) dan K-Means Clustering,” J. Teknol. Inf. dan Ilmu Komput., vol. 7, no. 1, pp. 17–26, 2020, doi: 10.25126/jtiik202071066.
N. Astrianda, “Klasifikasi Kematangan Buah Tomat Dengan Variasi Model Warna Menggunakan Support Vector Machine,” VOCATECH Vocat. Educ. Technol. J., vol. 1, no. 2, pp. 44–51, 2020, doi: 10.38038/vocatech.v1i2.27.
M. S. Dr. Arnita, S.Si., M.Si, Faridawaty Marpaung, S.Si., R. C. N. Fitrahuda Aulia, Nita Suryani S.Kom, and S.Kom, Computer Vision dan Pengolahan Citra Digital, Edisi 1. Pustaka Aksara, 2022. [Online]. Available: https://www.mendeley.com/catalogue/ fe77ba40-18dd-3f1c-bf77-2c1da7646781/?utm_source=desktop&utm_medium=1.19.8&utm_campaign=open_catalog&userDocumentId=%7B70749abb-8426-4794-b52f-e1cbd20cb903%7D
S. H. Wibowo and R. Toyib, “Support Vector Machine Method for Recognizing Patterns in Signatures,” J. Media Infotama, vol. 18, no. 2, pp. 323–327, 2022, doi: 10.37676/jmi.v18i2.2879.
R. W. Pratiwi, S. F. H, D. Dairoh, D. I. Af’idah, Q. R. A, and A. G. F, “Analisis Sentimen Pada Review Skincare Female Daily Menggunakan Metode Support Vector Machine (SVM),” J. Informatics, Inf. Syst. Softw. Eng. Appl., vol. 4, no. 1, pp. 40–46, 2021, doi: 10.20895/inista.v4i1.387.
H. Said, N. H. Matondang, and H. N. Irmanda, “Penerapan Algoritma K-Nearest Neighbor Untuk Memprediksi Kualitas Air Yang Dapat Dikonsumsi,” Techno.Com, vol. 21, no. 2, pp. 256–267, 2022, doi: 10.33633/tc.v21i2.5901.
L. N. Farida and S. Bahri, “Klasifikasi Gagal Jantung Menggunakan Metode SVM ( Support Vector Machine ) Classification of Heart Failure using the SVM (Support Vector Machine),” vol. 13, pp. 0–7, 2024, doi: 10.34010/komputika.v13i2.11330
How To Cite This :
Refbacks
- There are currently no refbacks.
