dc.description.abstract | Kulit tidak merata merupakan kondisi dimana kulit tampak tidak sehat, lelah, tidak cerah
dan tidak glowing. Kulit tidak merata dapat disebabkan oleh banyak faktor, diantaranya adalah
dehidrasi, menumpuknya sel kulit mati, usia, konsumsi alkohol atau kafein berlebihan, kurang
tidur dan stres berlebih. Selain itu, faktor lingkungan seperti polusi, paparan sinar UV dan
kelembaban yang rendah juga dapat menyebabkan kulit tidak merata.
Sistem deteksi kulit tidak merata menjadi salah satu upaya untuk membantu pihak medis
atau perusahaan kosmetik mengatasi masalah tersebut. Tahapan-tahapan yang digunakan
dalam sistem adalah deteksi wajah, seleksi bagian wajah, segmentasi kulit wajah, identifikasi
bagian wajah, mencari rata-rata dan standar deviasi warna kulit, lalu deteksi kulit tidak merata.
Tahapan deteksi wajah dilakukan dengan menggunakan dlib face predictor library. Setelah
wajah terdeteksi, kemudian sistem akan melakukan seleksi bagian wajah untuk menghilangkan
bagian mata, hidung, mulut dan alis mata menggunakan dlib facial landmark library. Citra
hasil seleksi kemudian akan disegmentasi bagian kulit dengan menggunakan metode multi
color space thresholding citra HSV. Citra yang sudah disegmentasi kemudian diidentifikasi
bagian wajah berdasarkan anatomi wajah manusia dan didapatkan bagian dagu, pipi kiri, pipi
kanan dan dahi. Tiap bagian identifikasi akan dihitung nilai rata-rata dan standar deviasi warna
kulit yang dilakukan dengan menggunakan numpy library. Tahap ini menjadi kebutuhan untuk
tahap deteksi kulit tidak merata. Tahapan selanjutnya adalah deteksi kulit tidak merata, ini
dilakukan dengan menggunakan metode statistika pengujian hipotesis uji Z perbandingan nilai
rata-rata. Nilai rata-rata warna kulit tiap bagian identifikasi akan dibandingkan dengan bagian
lainnya dan dapat diambil kesimpulan bahwa citra termasuk kulit tidak merata atau tidak.
Pengujian sistem dilakukan dengan metode confusion matrix untuk membandingkan
hasil deteksi sistem dan hasil deteksi pakar kesehatan kulit. Dari perhitungan confusion matrix
didapatkan nilai sensitifity sebesar 100%, specificity sebesar 0% dan accuracy sebesar 77%.
Dari hasil pengujian dapat diambil kesimpulan bahwa hasil deteksi sistem tidak memiliki
kecocokan dengan hasil deteksi pakar. Hal ini dikarenakan diagnosis kulit tidak merata oleh
pakar bersifat subjektif. | en_US |