STMIK BANJARBARUSTMIK BANJARBARU

Progresif: Jurnal Ilmiah KomputerProgresif: Jurnal Ilmiah Komputer

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.

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.

  1. 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
  2. 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
  3. 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
  4. 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
Read online
File size592.77 KB
Pages12
DMCAReport

Related /

JURIS Model SIGAP Sistem Identifikasi Gejala Kantuk Pengemudi Menggunakan YOLO 11 2026More at 2026

PELITABANGSAPELITABANGSA Hasil pelatihan menghasilkan nilai precision hingga 0,966, recall mencapai 0,962, mAP@50 sebesar 0,970, dan mAP@50–95 sebesar 0,708, yang menunjukkanHasil pelatihan menghasilkan nilai precision hingga 0,966, recall mencapai 0,962, mAP@50 sebesar 0,970, dan mAP@50–95 sebesar 0,708, yang menunjukkan

JURIS Aplikasi Penghitung Kecepatan Mobil dengan Akurasi Tinggi Menggunakan Yolo untuk Meminimasi Kecelakaan 2026More at 2026

UNIKOMUNIKOM Secara keseluruhan, sistem deteksi laju dan plat nomor kendaraan berbasis video dengan YOLOv5‑DeepSORT dan HyperLPR berhasil melaksanakan tiga fungsiSecara keseluruhan, sistem deteksi laju dan plat nomor kendaraan berbasis video dengan YOLOv5‑DeepSORT dan HyperLPR berhasil melaksanakan tiga fungsi

JURIS Prediksi Risiko Tekanan Darah Tinggi dengan Menerapkan Artificial Neural Network 2025More at 2025

PLBPLB Temuan ini menunjukkan bahwa ANN tetap memberikan kinerja yang sangat baik meskipun diterapkan pada dataset synthetic but realistic, serta berpotensi menjadiTemuan ini menunjukkan bahwa ANN tetap memberikan kinerja yang sangat baik meskipun diterapkan pada dataset synthetic but realistic, serta berpotensi menjadi

JURIS Pencapaian Klasifikasi Terbaik Berbasis Perbaikan Citra CLAHE Dan Dark Channel Prior Pada Spesies Ikan 2025More at 2025

UMUSUMUS Hasil ini mengindikasikan bahwa peningkatan citra harus disesuaikan dengan karakteristik dataset spesifik agar tidak mengurangi kemampuan model dalam mengidentifikasiHasil ini mengindikasikan bahwa peningkatan citra harus disesuaikan dengan karakteristik dataset spesifik agar tidak mengurangi kemampuan model dalam mengidentifikasi

JURIS Identifikasi Kualitas dan Jenis Buah Cabai Menggunakan Algoritma Deep Learning 2025More at 2025

UMGOUMGO Salah satu, arsitektur Deep Learning yang paling umum digunakan dalam analisis gambar adalah Convolutional Neural Network (CNN). Pada penelitian ini, sampelSalah satu, arsitektur Deep Learning yang paling umum digunakan dalam analisis gambar adalah Convolutional Neural Network (CNN). Pada penelitian ini, sampel

JURIS Classification of Date Types Using Gray Level Co occurrence Matrix Red Green Blue and Convolutional Neural Network 2025More at 2025

IDID Studi ini bertujuan untuk mengatasi masalah ini dengan mengembangkan model klasifikasi otomatis yang menggabungkan fitur tekstur Matriks Kemunculan TingkatStudi ini bertujuan untuk mengatasi masalah ini dengan mengembangkan model klasifikasi otomatis yang menggabungkan fitur tekstur Matriks Kemunculan Tingkat

JURIS Deep Learning Models Performance on Marine Fish Species Classification 2025More at 2025

UNAIRUNAIR Dalam penelitian ini, tiga arsitektur Convolutional Neural Network (CNN) yaitu ResNet-50, AlexNet, dan GoogLeNet dibandingkan dalam mengklasifikasikanDalam penelitian ini, tiga arsitektur Convolutional Neural Network (CNN) yaitu ResNet-50, AlexNet, dan GoogLeNet dibandingkan dalam mengklasifikasikan

JURIS Color Recognition of Objects Using Image Color Data Element Analysis Model Based on Deep Neural Network 2025More at 2025

MEDIAPUBLIKASIMEDIAPUBLIKASI Dikombinasikan dengan model pembelajaran mendalam dan model fitur warna, elemen gambar dan model pengenalan warna dibuat. (3) Dalam proses reproduksi warna,Dikombinasikan dengan model pembelajaran mendalam dan model fitur warna, elemen gambar dan model pengenalan warna dibuat. (3) Dalam proses reproduksi warna,

Useful /

JURIS Strategi Guru dalam Menerapkan Pendekatan Deep Learning di Sekolah Dasar 2026More at 2026

UNISAPUNISAP Hasil penelitian menunjukkan bahwa guru memahami deep learning sebagai pembelajaran berpusat pada siswa yang menekankan keterlibatan aktif, berpikir kritis,Hasil penelitian menunjukkan bahwa guru memahami deep learning sebagai pembelajaran berpusat pada siswa yang menekankan keterlibatan aktif, berpikir kritis,

JURIS Dashboard Prestasi Siswa SMPN 1 Purwakarta Visualisasi Data dengan Google Looker Studio 2025More at 2025

STMIK BANJARBARUSTMIK BANJARBARU Penelitian ini berfokus pada pengembangan dashboard interaktif berbasis Google Looker Studio untuk mengatasi tantangan pengelolaan data prestasi siswaPenelitian ini berfokus pada pengembangan dashboard interaktif berbasis Google Looker Studio untuk mengatasi tantangan pengelolaan data prestasi siswa

JURIS Web Based Geographic Information System Model for Construction Business Surveys 2025More at 2025

STMIK BANJARBARUSTMIK BANJARBARU Penelitian ini bertujuan untuk mengembangkan Sistem Informasi Geografis berbasis web sebagai solusi untuk mengatasi permasalahan tersebut. Sistem InformasiPenelitian ini bertujuan untuk mengembangkan Sistem Informasi Geografis berbasis web sebagai solusi untuk mengatasi permasalahan tersebut. Sistem Informasi

JURIS Implementasi Teknologi Android untuk Meningkatkan Transparansi Pengelolaan Bank Sampah Desa Rendole 2025More at 2025

STMIK BANJARBARUSTMIK BANJARBARU Penelitian ini bertujuan untuk mengembangkan aplikasi manajemen bank sampah berbasis Android menggunakan Flutter sebagai platform pengembangan mobile,Penelitian ini bertujuan untuk mengembangkan aplikasi manajemen bank sampah berbasis Android menggunakan Flutter sebagai platform pengembangan mobile,

ads-block-test