Deteksi Lesi Acne Vulgaris pada Citra Jerawat Wajah Menggunakan Metode K-Means Clustering

Riyan Latifahul Hasanah, Muhamad Hasan

Abstract


Acne vulgaris atau jerawat merupakan penyakit kulit yang dialami hampir 85% orang dan umumnya terjadi pada usia remaja. Namun penyakit ini dapat bertahan hingga bertahun-tahun hingga mempengaruhi fisik dan psikologis yang berat pada penderita jerawat kronis. Dalam melakukan perawatan jerawat, perlu diidentifikasi jenis dan keparahan jerawat secara tepat agar didapatkan hasil perawatan yang optimal. Metode manual dianggap kurang efektif, sehingga diusulkan metode otomatis menggunakan komputer, yaitu menggunakan teknik pengolahan citra dan teknik pembelajaran mesin. Penelitian ini dilakukan untuk mendeteksi lesi jerawat pada citra jerawat wajah secara otomatis menggunakan metode K-Means Clustering berdasarkan teknik pengolahan citra. Sebelum dilakukan segmentasi, citra asli dengan format RGB dikonversi menjadi format L*a*b. Hasil penelitian menunjukkan bahwa metode yang diusulkan dapat membedakan lesi jerawat dan lesi non-jerawat dan menandainya dalam Region of Interest (ROI). Setelah bagian kulit yang berjerawat terdeteksi, maka dapat dilakukan proses lebih lanjut untuk perawatan jerawat, seperti identifikasi jenis jerawat dan keparahan jerawat.


Full Text:

PDF

References


Abas, F. S., Kaffenberger, B., Bikowski, J., & Gurean, M. N. (2016). Acne Image Analysis : Lesion Localization and Classification. Medical Imaging 2016: Computer-Aided Diagnosis, 1–9. https://doi.org/10.1117/12.2216444

Alamdari, N., Tavakolian, K., Alhashim, M., & Fazel-rezai, R. (2016). Detection and Classification of Acne Lesions in Acne Patients : A Mobile Application. IEEE International Conference on Electro Information Technology (EIT), 739–743. https://doi.org/10.1109/EIT.2016.7535331

Balbin, J. R., Cruz, J. C. Dela, Camba, C. O., Gozo, A. D., Jimenez, S. M. B., & Tribiana, A. C. (2017). Facial Fluid Synthesis for Assessment of Acne Vulgaris Using Luminescent Visualization System through Optical Imaging and Integration of Fluorescent Imaging System. Second International Workshop on Pattern Recognition, 1–5. https://doi.org/10.1117/12.2280829

Becker, M., Wild, T., & Zouboulis, C. C. (2016). Objective Assessment of Acne. In Clinics in Dermatology. Elsevier B.V. https://doi.org/10.1016/j.clindermatol.2016.10.006

DermnetNZ. (2020). Acne Affecting the Face Image. DermnetNZ. https://www.dermnetnz.org/

Gómez-Polo, C., Muñoz, M. P., Lorenzo Luengo, M. C., Vicente, P., Galindo, P., & Martín Casado, A. M. (2016). Comparison of the CIELab and CIEDE2000 color difference formulas. Journal of Prosthetic Dentistry, 115(1), 65–70. https://doi.org/10.1016/j.prosdent.2015.07.001

Herrera, L. J., Santana, J., Yebra, A., Rivas, M. J., Pulgar, R., & Perez, M. M. (2017). A Model for Prediction of Color Change After Tooth Bleaching Based on CIELAB Color Space. Proceedings of SPIE, 10453. https://doi.org/10.1117/12.2272680

Hrosik, R. C., Etuba, E., Dolicanin, E., Jovanovic, R., & Tuba, M. (2019). Brain Image Segmentation Based on Firefly Algorithm Combined with K-means Clustering. Studies in Informatics and Control, 28(2), 167–176. https://doi.org/10.24846/v28i2y201905

Intan, I., Ghani, A. D., & Salman, N. (2019). Visualisasi Operasi Aritmatika Pada Pengolahan Citra Digital. Prosiding Seminar Ilmiah Sistem Informasi Dan Teknologi Informasi, 8(1), 237–249. http://ejurnal.dipanegara.ac.id/index.php/sisiti/article/view/237-249

Kittigul, N., & Uyyanonvara, B. (2016). Automatic Acne Detection System for Medical Treatment Progress Report. 7th International Conference on Information Communication Technology for Embedded Systems 2016, 2–5. https://doi.org/https://doi.org/10.1109/ICTEmSys.2016.7467119

Lucut, S., & Smith, M. R. (2016). Dermatological Tracking of Chronic Acne Treatment Effectiveness. 38th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), 5421–5426. https://doi.org/https://doi.org/10.1109/EMBC.2016.7591953

Prayogo, L. M., & Basith, A. (2021). Perbandingan Metode Roberts’ Filter, Segmentasi dan Band Ratio Pada Citra Landsat 8 untuk Analisis Garis Pantai. Rekayasa, 14(3), 353–359. https://doi.org/10.21107/rekayasa.v14i3.10300

Ramadah, F., Wibawa, I. P. D., & Rizal, A. (2022). Sistem Deteksi Api Menggunakan Pengolahan Citra Pada Webcam Dengan Metode Yolov3. E-Proceeding of Engineering, 9(2), 226–231. https://openlibrarypublications.telkomuniversity.ac.id/index.php/engineering/article/view/17721

Shen, X., Zhang, J., Yan, C., & Zhou, H. (2018). An Automatic Diagnosis Method of Facial Acne Vulgaris Based on Convolutional Neural Network. Scientific Reports, 8, 1–10. https://doi.org/10.1038/s41598-018-24204-6

Wu, X., Wen, N., Liang, J., Lai, Y., She, D., Cheng, M., & Yang, J. (2019). Joint Acne Image Grading and Counting via Label Distribution Learning. IEEE International Conference on Computer Vision (ICCV), 10642–10651. https://ieeexplore.ieee.org/abstract/document/9010021/




DOI: https://doi.org/10.31294/ijse.v8i1.12966

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

 

ISSN : 2714-9935 


Published by LPPM Universitas Bina Sarana Informatika

Jl. Kramat Raya No.98, Kwitang, Kec. Senen, Kota Jakarta Pusat, DKI Jakarta 10450


This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License