STMIK BANJARBARUSTMIK BANJARBARU
Progresif: Jurnal Ilmiah KomputerProgresif: Jurnal Ilmiah KomputerPenelitian 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.
Penelitian ini menunjukkan bahwa kombinasi model warna CIELAB dan algoritma Support Vector Machine (SVM) mampu menghasilkan akurasi klasifikasi sebesar 92,09% dalam mendeteksi empat kategori warna kulit.Performa terbaik dicapai pada kategori kulit gelap dan sawo matang, sementara kategori kuning langsat menunjukkan hasil yang lebih rendah, kemungkinan karena ketidakseimbangan data.Penelitian ini merekomendasikan penyeimbangan data, eksplorasi fitur tambahan seperti histogram warna atau tekstur, serta pengembangan sistem dengan dataset yang lebih variatif dan representatif untuk meningkatkan kinerja klasifikasi secara merata.
Pertama, perlu dilakukan penelitian lanjutan yang fokus pada penyeimbangan dataset warna kulit melalui teknik augmentasi data seperti oversampling kelas minoritas atau penggunaan generative adversarial networks (GAN) untuk menciptakan citra sintetis, guna mengatasi bias klasifikasi pada kategori seperti kuning langsat. Kedua, penting untuk mengeksplorasi kombinasi fitur warna dan tekstur kulit, misalnya dengan mengintegrasikan metode ekstraksi fitur berbasis GLCM (Gray-Level Co-occurrence Matrix) bersamaan dengan fitur statistik CIELAB, untuk melihat apakah informasi tekstur dapat meningkatkan kemampuan pembedaan antar kategori skintone yang mirip. Ketiga, perlu dikembangkan pendekatan klasifikasi hibrida yang menggabungkan SVM dengan algoritma lain seperti Random Forest atau deep learning ringan (misalnya MobileNet), dalam skema ensemble atau stacking, untuk membandingkan efisiensi dan akurasi sistem pada kondisi pencahayaan beragam dan populasi yang lebih luas, sehingga sistem dapat lebih robust dan generalisasi secara global.
- DETEKSI WARNA KULIT MENGGUNAKAN METODE DEEP LEARNING DENGAN ALGORITMA CNN (CONVOLUTIONAL NEURAL NETWORK)... journal.umg.ac.id/index.php/e-link/article/view/8128DETEKSI WARNA KULIT MENGGUNAKAN METODE DEEP LEARNING DENGAN ALGORITMA CNN CONVOLUTIONAL NEURAL NETWORK journal umg ac index php e link article view 8128
- J-ICON: Jurnal Komputer dan Informatika. distracted driver support vector machine based principal component... doi.org/10.35508/jicon.v11i2.12658J ICON Jurnal Komputer dan Informatika distracted driver support vector machine based principal component doi 10 35508 jicon v11i2 12658
- FENOMENA 'COLORISM' SEBAGAI BENTUK STRATIFIKASI SOSIAL DI KAWASAN ASIA TENGGARA. fenomena colorism... doi.org/10.36859/jdg.v7i01.1037FENOMENA COLORISM SEBAGAI BENTUK STRATIFIKASI SOSIAL DI KAWASAN ASIA TENGGARA fenomena colorism doi 10 36859 jdg v7i01 1037
- Klasifikasi Kematangan Buah Tomat Dengan Variasi Model Warna Menggunakan Support Vector Machine | Astrianda... doi.org/10.38038/vocatech.v1i2.27Klasifikasi Kematangan Buah Tomat Dengan Variasi Model Warna Menggunakan Support Vector Machine Astrianda doi 10 38038 vocatech v1i2 27
| File size | 592.77 KB |
| Pages | 12 |
| DMCA | Report |
Related /
STMIK BANJARBARUSTMIK BANJARBARU Hal ini menunjukkan bahwa algoritma SVM memiliki kemampuan yang baik dalam melakukan klasifikasi ulasan pengguna aplikasi TikTok, meskipun masih terdapatHal ini menunjukkan bahwa algoritma SVM memiliki kemampuan yang baik dalam melakukan klasifikasi ulasan pengguna aplikasi TikTok, meskipun masih terdapat
STMIK BANJARBARUSTMIK BANJARBARU Metode YOLO diterapkan untuk mendeteksi ketersediaan slot parkir. Hasil performa sistem mendeteksi tempat parkir sebesar 80 % dan sistem mampu mengarahkanMetode YOLO diterapkan untuk mendeteksi ketersediaan slot parkir. Hasil performa sistem mendeteksi tempat parkir sebesar 80 % dan sistem mampu mengarahkan
STMIK BANJARBARUSTMIK BANJARBARU Metode Eigenface menggunakan analisis komponen utama (PCA) untuk mereduksi dimensi data dan mengekstraksi fitur utama dari citra wajah, sementara CNN digunakanMetode Eigenface menggunakan analisis komponen utama (PCA) untuk mereduksi dimensi data dan mengekstraksi fitur utama dari citra wajah, sementara CNN digunakan
STMIK BANJARBARUSTMIK BANJARBARU Hasilnya, model Naïve Bayes Adaboost mencapai akurasi 100% dibandingkan 93,33% pada model Naïve Bayes tunggal, serta memperoleh nilai recall dan precisionHasilnya, model Naïve Bayes Adaboost mencapai akurasi 100% dibandingkan 93,33% pada model Naïve Bayes tunggal, serta memperoleh nilai recall dan precision
STMIK BANJARBARUSTMIK BANJARBARU Aplikasi sistem rekomendasi tempat wisata di Jakarta telah berhasil dibangun menggunakan framework GUI WxPython, dengan fitur-fitur seperti input data,Aplikasi sistem rekomendasi tempat wisata di Jakarta telah berhasil dibangun menggunakan framework GUI WxPython, dengan fitur-fitur seperti input data,
STMIK BANJARBARUSTMIK BANJARBARU Proses seleksi penerimaan pegawai kontrak di KPU Provinsi Papua sering kali dihadapkan pada permasalahan subjektivitas dan ketidakefisienan penilaian manual,Proses seleksi penerimaan pegawai kontrak di KPU Provinsi Papua sering kali dihadapkan pada permasalahan subjektivitas dan ketidakefisienan penilaian manual,
STMIK BANJARBARUSTMIK BANJARBARU Data yang dianalisis terdiri dari 856 komentar di YouTube dengan kata kunci Aplikasi Jenius. Model LSTM diimplementasikan untuk mengidentifikasi persepsiData yang dianalisis terdiri dari 856 komentar di YouTube dengan kata kunci Aplikasi Jenius. Model LSTM diimplementasikan untuk mengidentifikasi persepsi
STMIK BANJARBARUSTMIK BANJARBARU Hasil implementasi dari riset ini dapat memberikan solusi permasalahan pada Perusahaan Ekspor “X dalam pencatatan dan pelaporan persediaan barang. SistemHasil implementasi dari riset ini dapat memberikan solusi permasalahan pada Perusahaan Ekspor “X dalam pencatatan dan pelaporan persediaan barang. Sistem
Useful /
STMIK BANJARBARUSTMIK BANJARBARU Pengelolaan data prestasi siswa non-akademik yang selama ini disajikan dalam berbagai format, sulit dianalisis secara sistematis. Penelitian ini bertujuanPengelolaan data prestasi siswa non-akademik yang selama ini disajikan dalam berbagai format, sulit dianalisis secara sistematis. Penelitian ini bertujuan
STMIK BANJARBARUSTMIK BANJARBARU Temuan ini dapat dimanfaatkan oleh pemangku kebijakan untuk merancang strategi yang lebih responsif terhadap kebutuhan dan harapan masyarakat dalam prosesTemuan ini dapat dimanfaatkan oleh pemangku kebijakan untuk merancang strategi yang lebih responsif terhadap kebutuhan dan harapan masyarakat dalam proses
STMIK BANJARBARUSTMIK BANJARBARU Misalnya, peningkatan kecepatan respons terhadap perintah, pengoptimalan algoritma navigasi untuk situasi-situasi yang lebih kompleks, serta peningkatanMisalnya, peningkatan kecepatan respons terhadap perintah, pengoptimalan algoritma navigasi untuk situasi-situasi yang lebih kompleks, serta peningkatan
STMIK BANJARBARUSTMIK BANJARBARU Nilai akurasi tertinggi pada algoritma machine learning diperoleh oleh SVM sebesar 84%. Sedangkan nilai akurasi yang dihasilkan deep learning BERT yaituNilai akurasi tertinggi pada algoritma machine learning diperoleh oleh SVM sebesar 84%. Sedangkan nilai akurasi yang dihasilkan deep learning BERT yaitu