Identifikasi Jenis Jerawat Berdasarkan Tekstur Menggunakan GLCM dan Backpropagation

Abstract

Jerawat merupakan penyakit kulit yang mengakibatkan peradangan kronis yang biasanya terdapat di wajah, leher, dan lengan. Terdapat berbagai jenis jerawat yaitu blackhead, whitehead, papula, pustula, nodul dan cystic. Telah banyak upaya yang dilakukan untuk mengenali jenis jerawat, seperti tindakan pemeriksaan langsung atau menggunakan alat skin analyzer, kedua cara ini sangat tidak efektif dalam pengenalan jenis jerawat. Penelitian ini melakukan identifikasi jenis jerawat berdasarkan tekstur dari jerawat, penelitian ini menggunakan salah satu metode jaringan saraf tiruan yang yaitu algoritma backpropagation, dimana dengan menggunakan metode ini dapat melakukan identifikasi jenis jerawat dengan cepat. selain menggunakan algoritma backpropagation, penelitian ini juga melakukan ekstrasi ciri pada citra jerawat dengan metode GLCM dan menghasilkan nilai ciri dengan menggunakan 4 fitur GLCM yaitu contrast, correlation, engery, dan homogeneity. Data yang digunakan pada penelitian ini dibagi menjadi dua yaitu data latih sebanyak 120 data dan data uji sebanyak 18 data. Tingkat akurasi yang didapat dalam mengindentifikasi jenis jerawat mendapat 56,67%, dimana nilai epoch yang digunakan adalah 10000 dengan nilai error adalah 0,01. Nilai akurasi yang dihasilkan masih dibawah 70%, terdapat beberapa penyebab nilai akurasi kecil seperti data yang digunakan masih kurang, bentuk pola dari jerawat yang memiliki kemiripan, sehingga jaringan mengalami kesulitan dalam melakukan identifikasi jenis jerawat.

Penerapan Algoritma GLCM dan KNN dalam Pengenalan Jenis Jerawat

“…Cara konvensional ini memiliki kelemahan yaitu kebersihan tangan yang tidak diketahui dan memiliki efek iritasi yang dapat memperparah jerawat. Pilihan lainnya adalah dengan menggunkan skin analyzer portable dan 3D skin analyzer yang juga memiliki kekurangan yaitu harganya yang cukup mahal dan tidak semua klinik kecantikan memiliki alat pendeteksi jerawat tersebut [5] [6].…”

“…Diantaranya menggunakan metode wavelet haar dan jaringan syarat tiruan propagasi balik untuk mengidentifikasi jenis jerawat, mendapatkan nilai akurasi sebesar 72% hingga 92% melakukan identifikasi jerawat [10]. Ada juga penelitian lain yaitu identifikasi jenis jerawat berdasarkan tekstur jerawat menggunakan GLCM dan backpropagation, mendapatkan nilai akurasi sebesar 56,67% melakukan identifikasi jerawat [6], penelitian lain yaitu tentang klasifikasi jenis jerawat berdasarkan tekstur jerawat menggunakan Gray Level Co-Occurrence Matrix (GLCM), mendapatkan nilai akurasi sebesar 72% dalam melakukan klasifikasi jerawat [11]. Penelitian lain adalah klasifikasi jenis -jenis jerawat menggunakan multilayer perceptron,mendapatkan nilai akurasi sebesar 87% dalam melakukan klasifikasi jenis jerawat [1].…”

“…Sebelumnya, penelitian ini dilakukan dengan metode lain menggunakan metode backpropagation dan ekstrasi fitur dengan algoritma GLCM. Akurasi yang diperoleh pada penelitian sebelumnya masih kurang dari 70% yaitu 56,67%, sehingga penelitian ini dianggap tidak berhasil mengidentifikasi jenis jerawat berdasarkan tekstur [6]. Untuk menyempurnakan penelitian sebelumnya, penelitian ini bertujuan untuk mendapatkan nilai akurasi terbaik dalam mendeteksi jenis jerawat berdasarkan tekstur.…”

Efektivitas Pengolahan Citra dengan Metode K-Nearest Neighbor dan Gray Level Co-Occurrence Matrix untuk Monitoring Pembajakan Tanah dengan Bajak Piring

“…Klasifikasi piksel citra tanah yang cenderung banyak memiliki noise dan keberagaman warna yang tidak begitu besar akan sesuai jika diklasifikasikan dengan metode KNN. Selain itu Metode KNN dan GLCM ini merupakan kombinasi yang saling mengisi karena metode GLCM memiliki kelemahan yaitu hanya menggunakan input graycsale sehingga komponen warna citra diabaikan sedangkan metode KNN membobotkan penilaian dari nilai warna citra (Ramadhani et al, 2018). Penelitian ini akan mengkaji seberapa besar efektivitas penggunaan metode KNN dan GLCM untuk mengevaluasi hasil pembajakan lahan menggunakan bajak piring mencakup kesesuaian persentase area terbajak yang berhasil diklasifikasi dan kesesuaian nilai tekstur citra dengan data tingkat kedalaman pembajakan.…”

“…Ekstraksi citra dengan metode GLCM akan menghasilkan lima ciri statistik yaitu ciri kontras, ciri korelasi, ciri homogenitas, ciri energi, dan ciri entropi. Ciri statistik tersebut didapatkan dengan menghitung kekuatan hubungan antara dua piksel pada jarak dan pada orientasi sudut tertentu (Ramadhani et al, 2018). Pada penelitian ini nilai ciri statistik yang didapatkan merupakan nilai rata-rata dari operasi GLCM dengan jarak 1 piksel pada orientasi sudut 0 o , 45 o , 90 o , dan 135 o .…”