PENGENALAN WARNA KULIT WAJAH MANUSIA PADA OBJEK BERGERAK

MENGGUNAKAN BACKGROUND SUBSTRACTION DAN TRANSFORMASI

YCBCR

Muhammad Haikal Nurul Fadillah Ahmad Ihsan

Teknik Informatika
Universitas Samudra
Kota Langsa, 24416
Email :
haikalsigli.1410@gmail.com
Teknik Informatika
Universitas Samudra
Kota Langsa, 24416
e-mail:
nurulfadillah@unsam.ac.id
Teknik Informatika
Universitas Samudra
Kota Langsa, 24416
e-mail:
ahmadihsan@unsam.ac.id

Abtsrak
Gambar atau citra memiliki karakeristik unik yang tidak dimiliki oleh data teks. Teknologi
pengolahan citra sangat penting sebagai bentuk informasi visual, yang telah banyak diaplikasikan dalam
sistem keamanan data. Sistem Pengenalan wajah merupakan hasil aplikasi pengolahan citra (Image
processing). Salah satu cara sistem pengenalan wajah yaitu dengan mendeteksi warna kulit wajah. Kulit
dapat digunakan sebagai informasi misalnya proses pendeteksian untuk deteksi manusia, deteksi wajah
dan pelacakan wajah, yang meliputi pengenalan pelacakan tangan, posisi tangan dan gerakan (gesture),
diagnosa medis seperti deteksi kanker kulit, dan lain-lain. Deteksi kulit dipengaruhi oleh berbagai faktor
seperti iluminasi, latar belakang, karakteristik kamera, dan etnisitas. Dalam aplikasinya, akan
melakukan deteksi jenis warna kulit pada objek bergerak. Untuk mendeteksi objek bergerak
menggunakan metode background subtraction. Background subtraction akan memisahkan foreground
(objek utama) dengan background (objek belakang) dengan melakukan pengurangan pengurangan citra
sederhana pada area RGB dan Grayscale. Konsep utama dari pendeteksi gerak ini adalah perbedaan
nilai piksel putih. Keberadaan noise pada citra biner dapat dihilangkan dengan metode morfologi.
Dalam pendeteksian jenis warna kulit digunakan transformasi ruang warna YcbCr. Untuk
menklasifikasi jenis warna kulit dilakukan segmentasi kulit mengunakan batasan nilai range piksel kulit
pada masing-masing metode. Nilai-nilai range ini diambil berdasarkan kisaran piksel jenis warna kulit.
Tujuan dari penelitian ini adalah menerapkan metode Background Subtraction untuk mendeteksi objek
bergerak dan transformasi YcbCr untuk deteksi warna kulit wajah.
Kata kunci : Pengolahan Citra Digital, Deteksi Gerak, Background Subtraction, Transformasi Warna
YCBCR
Abtsrast
Images or images have unique characteristics that are not possessed by text data. Image
processing technology is very important as a form of visual information, which has been widely applied
in data security systems. Face recognition system is the result of image processing applications. One
way of facial recognition systems is by detecting facial skin color. Skin can be used as information such
as the detection process for human detection, face detection and face tracking, which includes the
introduction of hand tracking, hand and movement position (gesture), medical diagnoses such as skin
cancer detection, and others. Skin detection is influenced by various factors such as illumination,
background, camera characteristics, and ethnicity. In the application, it will detect the type of skin on
a moving object. To detect moving objects using the background subtraction method. Background
subtraction will separate the foreground (main object) from the background (back object) by doing a
reduction in simple image reduction in the RGB and Grayscale area. The main concept of this motion
detector is the difference in the value of white pixels. The existence of noise in binary images can be
removed by morphological methods. In detecting the type of skin used transformation YcbCr color
space. To classify the type of skin, skin segmentation is done using the limit of the range of skin pixel
values in each method. The values of this range are taken based on the pixel range of skin color types.
The purpose of this study was to apply the Background Subtraction method to detect moving objects
and YcbCr transformation for detection of facial skin color.
Keywords: Digital Image Processing, Motion Detection, Background Subtraction, YCBCR Color
Transformation

1. Pendahuluan Dalam hal ini adalah bagaimana komputer

Citra (image) adalah istilah lain untuk
gambar. Sebagai salah satu komponen
multimedia yang memegang peranan sangat
penting dalam bentuk informasi visual, citra
mempunyai karakteristik yang tidak dimiliki
oleh data teks, yaitu kaya dengan informasi
(Sutoyo, et al., 2009). Operasi pengolahan citra
merupakan operasi yang dilakukan untuk
mentransformasikan suatu citra menjadi citra
lain yang dapat dikatagorikan berdasarkan
tujuan transformasi maupun cakupan terhadap
citra. Pada awalnya pengolahan citra ini
dilakukan untuk memperbaiki kualitas citra,
namun dengan berkembangnya dunia
komputasi yang ditandai dengan semakin
meningkatnya kapasitas dan kecepatan proses
komputer, serta munculnya ilmu-ilmu
komputasi yang memungkinkan manusia dapat
mengambil informasi dari suatu citra, maka
pengolahan citra tidak dapat dilepaskan
dengan bidang computer vision.
Dalam perkembangannya pengolahan citra
dan computer vision digunakan sebagai
pengganti mata manusia, dengan perangkat
input image capture seperti kamera dan scanner
dijadikan sebagai mata dan mesin komputer
dijadikan sebagai otak yang mengolah
informasi.
Otak bisa menentukan apakah objek yang
dilihat oleh mata itu adalah manusia atau bukan,
wajah atau tangan dan sebagainya. Oleh karena
itu, sangat penting penelitian yang bertujuan
agar komputer dapat memiliki fungsi
mendeteksi objek tersebut layaknya manusia
diperlukan suatu cara dengan metode tertentu.
mampu mendeteksi suatu objek bergerak dan
menentukan warna kulit wajah manusia.
Kulit dapat digunakan sebagai sumber
informasi untuk proses pendeteksian. Informasi
yang diperoleh dari kulit sangat relevan untuk
proses pendeteksian antara lain untuk proses
pendeteksian manusia. pendeteksian wajah, dan
penjejakan wajah (face tracking).
Warna kulit setiap orang yang beragam
tidak selalu sama, hal ini disebabkan beberapa
faktor yang menentukan warna kulit.
keberagaman warna kulit wajah bisa dijadikan
sebagai objek pembeda wajah manusia. Hal ini
dapat dijadikan sebagai pengendali keamanan
komputer jika didukung database gambar dari
berbagai pengguna komputer.
2. METODE
2.1 Perancangan Sistem
Proses perancangan sistem dapat dilihat
pada blok diagram berikut :
Deteksi
Kamera Komputer
Gerakan
Deteksi
Hasil Deteksi
Warna kulit
Gambar 1. Blok Diagram
Berdasarkan blok diagram diatas,
pendeteksian wajah ini dapat dibagi menjadi 3
tahap, yaitu tahap citra awal, tahap deteksi
gerakan, dan tahap deteksi kulit. Tiap-tiap tahap
memiliki proses-proses pengolahan citra di
dalamnya. Atau secara umum dapat dilihat pada frame dari kamera dan mendeteksi seluruh
flowchart sebagai berikut: objek foreground. Suatu deskripsi pendekatan
yang telah ada tentang Background Subtraction
adalah mendeteksi objek dari foreground
start sebagai perbedaan frame sekarang dan gambar
background.
Input data
F
citra

Metode ini sangat terpengaruh dengan nilai

Ada pergerakan
threshold karena nilai threshold akan
Deteksi gerak T Cropping

berpengaruh penting pada hasil gambar yang

nantinya akan dibandingkan dan dilihat apakah
Wajah=coklat F Wajah=hitam F Wajah=putih Segmentasi YCbCr Segmentasi RGB

ada perubahan atau tidak.

T T T

Terdeteksi
kulit
Terdeteksi
kulit
Terdeteksi
Thresholding merupakan salah satu metode
kulit putih
coklat hitam
segmentasi citra yang memisahkan antara objek
dengan background dalam suatu citra
End
berdasarkan pada perbedaan tingkat
kecerahannya atau gelap terang nya. Region
Gambar 2. Flowchart
citra yang cenderung gelap akan dibuat semakin
2.2 Deteksi Gerak gelap (hitam sempurna dengan nilai intensitas
a. Frame extraction sebesar 0), sedangkan region citra yang
cenderung terang akan dibuat semakin terang
Pada tahap awal file video ditangkap dan (putih sempurna dengan nilai intensitas sebesar
dipecah menjadi citra-citra digital berdasarkan 1). Oleh karena itu, keluaran dari proses
kecepatan video. Proses ekstraksi dilakukan segmentasi dengan metode thresholding adalah
terhadap video dimana untuk setiap frame pada berupa citra biner dengan nilai intensitas piksel
satuan waktu tertentu diubah ke dalam bentuk sebesar 0 atau 1. Setelah citra sudah
citra digital. Citra digital yang dihasilkan dalam tersegmentasi atau sudah berhasil dipisahkan
bentuk JPEG (Joint Photographic Experts objeknya dengan background, maka citra biner
Group). Misal saat menggunakan Webcam yang diperoleh dapat dijadikan sebagai
yang memiliki kecepatan 15 fps (frame per masking utuk melakukan proses cropping
second) atau 15 citra per detik. Setiap kelipatan sehingga diperoleh tampilan citra asli tanpa
detik ke 0,1 dan ke 0,15 dilakukan capture citra background atau dengan background yang
yang akan diproses selanjutnya. dapat diubah-ubah.
b. Transformasi grayscale Selanjutnya dilakukan operasi morfologi
deteksi gerak secara sederhana dapat untuk menyempurnakan bentuk objek pada citra
dilakukan dengan mencari perubahan posisi biner hasil segmentasi. Operasi morfologi yang
antara dua buah citra yang berurutan yang dilakukan adalah berupa filling holes, area
opening, dan dilasi.
diperoleh dari hasil pencarian dengan
menggunakan perangkat monitoring seperti proses operasi filling holes, tujuan dari
webcam. Metode operasi perhitungan yang operasi ini ialah untuk mengisi keseluruhan
digunakan untuk mendeteksi adanya gerakan region dengan nilai 1. Operasi ini menggunakan
yaitu operasi perubahan piksel putih (255). acuan berdasarkan nilai piksel tetangganya.
Untuk itu citra yang didapat harus diubah ke Operasi ini akan mengubah piksel nilai 0 yang
dalam bentuk grayscale agar nilai yang ada berada disekililing nilai 1 menjadi piksel nilai
pada citra tersebut lebih sedikit dan mudah 1. Operasi opening secara umu menghaluskan
untuk dihitung. garis-garis bentuk objek, menghilangkan
bagian-bagian sempit, dan menghilangkan
c. Deteksi gerak
penonjolan-penonjolan yang tipis.
Tujuan dari Background Subtraction itu
sendiri adalah untuk menghasilkan urutan
 Operasi dilasi Dilakukan untuk didapatkan dari perhitungan yang
memperbesar ukuran segmen objek dengan menggunakan nilai RGB yang telah didapatkan
menambah lapisan di sekeliling objek. Terdapat sebelumnya. Dengan persamaan-persamaan
2 cara untuk melakukan operasi ini, yaitu sebagai berikut:
dengan cara mengubah semua titik latar yang
bertetangga dengan titik batas menjadi titik
Y = (0.222*R) + (0.707*G) +
objek, atau lebih mudahnya set setiap titik yang
(0.07*B)
tetangganya adalah titik objek menjadi titik
Cb = (-0.159*R) + (-0.332*G) +
objek. Cara kedua yaitu dengan mengubah
(0.05*B)
semua titik di sekeliling titik batas menjadi titik
Cr = ((0.5*R)*(-0.419*G)) + (-
objek, atau lebih mudahnya set semua titik
0.081*B)
tetangga sebuah titik objek menjadi titik objek.
d. Proses croping
Pada penelitian ini akan dilakukan
Proses cropping dilakukan untuk klasifikasi jenis-jenis warna kulit berdasarkan
mempersempit area pendeteksian wajah nilai Y bernilai luminance (tingkat keterangan),
sehingga diharapkan dapat mempercepat proses Cb bernilai Chrominance Blue ( tingkat
pendeteksian wajah [1,2]. Proses cropping kebiruan) dan Cr bernilai Chrominance Red
dilakukan berdasarkan pada koordinat piksel (tingkat kemerahan). Klasifikasi warna kulit
putih terdekat dengan sumbu (0,0) atau Xmin terbagi menjadi 3 klasifikasi yaitu : warna
dan Ymin. Dan terjauh dari sumbu (0,0) atau hitam, warna putih, warna coklat.
Xmax dan Ymax. Hasil dari proses cropping ini
Pada proses klasifikasi jenis warna
yang kan menjadi masukan bagi tahap
akan dilakukan proses segmentasi kulit
selanjutnya, yaitu tahap deteksi warna kulit.
mengunakan batasan nilai range piksel kulit
pada masing-masing metode. Nilai-nilai range
2.3 Deteksi Warna Kulit ini diambil berdasarkan kisaran piksel jenis
warna kulit. Berikut adalah nilai range kulit
Secara Keseluruhan proses pedeteksian
pada Ycrcb yang dapat dibuat acuan untuk
jenis warna kulit dapat dilihat pada blok
mengerjakan sistem ini. Pada metode Ycrcb ,
diagram :
nilai range berdasarkan pada nilai cr dan cb . Y
Melakukan
Melakukan transformasi ruang
segmentasi kulit
mengunakan batasan nilai
atau luminance tidak menggunakan range
penyeimbangan
warna RGB menjadi YCbCr
warna RGB range piksel jenis-jenis kulit karena Y merupakan pencahayaan dalam suatu
citra gambar. Terdapat range nilai yang
Gambar 3. Blok Diagram Proses Detesi mendeteksi piksel kulit pada Ycrcb :
Warna Kulit
Tabel 1. Tabel Range Klasifikasi Warna
Pada tahap deteksi kulit akan dilakukan
Kulit Wajah
dua kali segmentasi terhadap citra, yaitu
berdasarkan RGB dan YCbCr. Segmentasi ini Min Max Min Max Warna
bertujuan untuk lebih mengoptimalkan proses Cb Cb Cr Cr Kulit
pendeteksian warna kulit ini. 110 130 80 120 Hitam
Segmentasi berdasarkan RGB 130 150 120 140 Coklat
dilakukan untuk mengeliminasi area-area yang 150 200 140 170 Putih
dapat dipastikan bukan warna kulit, seperti
putih mutlak, hitam mutlak, hijau mutlak, biru
3. HASIL DAN ANALISA
mutlak dan lainlain.
Bedasarkan metode penelitian yang telah
Hasil dari proses segmentasi RGB
diusulkan dan dijelaskan diatas, dilakukan
tersebut dilanjutkan dengan proses segmentasi
serangkaian menggunakan perangkat lunak
YCbCr. Segmentasi ini bertujuan untuk
mencari area-area berwarna kulit. Nilai YCbCr
matlab. Beberapa fungsi dari matlab digunakan
untuk mempermudah proses percobaan.
4.1 Frame Ekstraktion
File video yang digunakan dalam
percobaan ini didapatkan dengan melakukan Tabel 3. Hasil Morfologi
perekaman menggunakan kamera smartphone Treshold Morfologi
pada salah satu ruangan. File video berdurasi 3
detik. Dari file video tersebut, dilakukan
ekstraksi citra untuk setiap 0.03 detik frame,
sehingga dihasilkan sekitar 100 citra dalam
format PNG. Dari hasil ekstraksi frame akan
diambil dua buah citra untuk dilakukan
perabandingan perubahan citra piksel putih.
4.2 Transformasi grayscale
Untuk mempermudah dalam mendeteksi
gerakan dilakukan segmentasi grayscale
terhadap citra yang didapatkan.

Tabel 2. Hasil Grayscale

Citra Asli Citra Grayscale Setelah dilakukan transformasi Citra biner,
kedua citra akan dibandingkan untuk
mendapatkan perbedaan nilai piksel putih.
Perbedaan nilai yang dihasilkan menjadi
indikator proses deteksi pergerakan.
4.4 Cropping
Setelah didapat hasil proses deteksi gerak
selanjutnya akan dilakukan proses cropping,
proses cropping ini dilakukan untuk
mengurangi area pendeteksian warna kulit
wajah. Hasil proses cropping adalah sebagai
berikut.

4.3 Deteksi Gerak

Pada proses deteksi gerak akan dilakukan
transformasi citra ke citra biner. Untuk
mengubah citra menjadi citra biner digunakan
metode thresholding. Dan melakukan operasi Gambar 4. Hasil Croping
morfologi pada citra biner untuk
menghilangkan noise yang terdapat pada citra. Hasil dari proses cropping ini yang kan
Dan berikut hasil transformasinya. menjadi masukan bagi tahap selanjutnya, yaitu
tahap deteksi warna kulit.
4.5 Deteksi warna kulit
 Pada hasil pengujian Ycrcb dapat
disimpulkan bahwa output image Y adalah 35098
sama halnya dengan image grayscale atau 2
keabu-abuan dengan mempunyai nilai asli dari
sample image. Sedangkan pada Cr mempunyai
kemurnian warna yang cukup tinggi, dimana
image yang terdeteksi benda lebih terang. 1890
Sedangkan untuk cb adalah mempunyai nilai
yang digelapkan sehingga terlihat
perbedaannya yang sedikit mencolok.
784
Tabel 4. Hasil Transformasi YCbCr
Citra Citra
Citra cb Citra cr
asli Ycbcr
1171

5794
hasil dari deteksi warna kulit wajah
dalam ruang krominan memiliki nilai-nilai
yang berguna untuk mempermudah
mengklasifikasi warna kulit wajah. Perhitungan Dari hasil pengujian proses
rata – rata Cb dan rata Cr mampu binarization atau proses segmentasi kulit hitam
mengklasifikasi warna kulit dengan didapatkan hasil seperti yang diharapkan yaitu
mencocokkan data range nilai warna kulit jika piksel warna termasuk dalam range piksel
wajah yang menjadi acuan dalam klasifikasi kulit hitam maka tercetak warna putih (255) dan
warna kulit. Jika nilai perhitungan yang jika bukan termasuk piksel warna kulit maka
dilakukan berada pada range nilai warna kulit tercetak warna hitam (0). Pada pengujian tabel
maka warna kulit dapat diklasifikasi sesuai di atas adalah proses binarization dengan
range nilai yang telah ditentukan klasifikasi metode transformasi warna Ycrcb.
warna kulitnya. Tabel hasil pengujian warna
Berdasarkan data dari tabel, disaat
kulit wajah manusia dengan deteksi warna
melakukan pendeteksian warna kulit
dalam ruang krominan dapat dilihat pada tabel
menggunakan transformasi YCbCr pada nilai
berikut.
range kulit hitam didapatkan, saat objek wajah
Tabel 5. Hasil deteksi Kulit Pada Range adalah wajah kulit hitam jumlah area kulitnya
Piksel Kulit Hitam berkisaran antara 30000. Dan saat objek yang
dideteksi adalah objek yang kulit coklat jumlah
Juml area kulitnya berkisaran 1000 sampai 5000.
Citra Deteksi ah
Citra asli
biner kulit area 4. KESIMPULAN
kulit
Berdasarkan data hasil pengujian dan
analisa pada bab sebelumnya, maka dapat
39902 diambil beberapa kesimpulan sebagai berikut :
a. Konsep utama dari sitem adalah
mendeteksi perubahan nilai piksel putih.
b. Proses segmentasi sangat bergantung pada
kondisi pencahayaan. Akibatnya, nilai
 ambang pada suatu kondisi pencahayaan
dengan kondisi pencahayaan yang lain bisa
jadi berbeda.
c. Keuntungan dari penggunaan model warna
YCbCr sebagai dasar segmentasi deteksi
warna kulit adalah pengaruh luminasi dapat
dipisahkan. Pada model warna YCbCr,
semua informasi tentang tingkat kecerahan
diberikan oleh komponen Y (luminasi),
karena komponen Cb (biru) dan komponen
Cr (merah) tidak tergantung dari luminasi.
d. Pada hasil pengujian Ycrcb dapat
disimpulkan bahwa output image Y adalah
sama halnya dengan image grayscale atau
keabu-abuan dengan mempunyai nilai asli
dari sample image. Sedangkan pada Cr
mempunyai kemurnian warna yang cukup
tinggi, dimana image yang terdeteksi benda
lebih terang. Sedangkan untuk cb adalah
mempunyai nilai yang digelapkan sehingga
terlihat perbedaannya yang sedikit
mencolok
e. Pada proses binarization dapat disimpulkan
bahwa jika piksel warna termasuk dalam
range piksel kulit maka tercetak warna
putih (255) dan jika bukan termasuk piksel
warna kulit maka tercetak warna hitam (0).
Setelah melakukan penelitian ini, penulis
mendapatkan beberapa hal yang perlu untuk
dipelajari lebih lagi, yaitu:
a. Untuk mendapatkan proses pendeteksian
wajah yang lebih cepat, hendaknya citra
masukan melalui proses pengecilan terlebih
dahulu. Pengecilan ukuran citra ini supaya
jumlah piksel citra lebih sedikit. Setelah
ukuran citra masukan diperkecil, barulah
proses-proses pendeteksian wajah
dilakukan. Setelah proses pendeteksian
wajah selesai, barulah ukuran citra tersebut
dikembalikan seperti semula.
b. Untuk memperoleh akurasi pendeteksian
wajah yang lebih baik, maka penentuan
area wajah dilakukan berdasarkan ekstraksi
fitur area wajah, seperti mata, hidung atau
mulut, bukan berdasarkan warna.
c. Akurasi nilai range piksel untuk
mengklarifikasi kelompok warna masih
kurang. Maka perlu dilakukan penelitian
lebih lanjutnya untuk meklarifikasi warna
kulit wajah.
PUSTAKA
[1] Enny Indasyah, Elsen Ronando. 2017.
EKSTRAKSI CIRI MENGGUNAKAN
METODE TRANSFORMASI WARNA
YCBCR UNTUK KLASIFIKASI KULIT
MANUSIA. Jurnal Mantik Penusa.
Volume 1 No 2 Desember 2017.
[2] Nurul Hidayat, Muh. Arif Rahman. 2015.
CARA CEPAT UNTUK MENDETEKSI
KEBERADAAN WAJAH PADA CITRA
YANG MEMPUNYAI BACKGROUND
KOMPLEKS MENGGUNAKAN
MODEL WARNA YCbCr DAN HSV.
Jurnal Teknologi Informasi dan Ilmu
Komputer. Vol. 2, No. 2, Oktober 2015.
[3] Sulaeman Santoso, Erico Darmawan H.
2015. Kombinasi Penggunaan Model
Warna dalam Pendeteksian Letak Bibir
pada Gambar Digital Berwarna. Jurnal
Teknik Informatika dan Sistem Informasi.
Volume 1 Nomor 2 Agustus 2015.
[4] Arif Sutikno, Ema Utami, Andi Sunyoto.
2014. PENERAPAN METODE
MORFOLOGI GRADIEN UNTUK
PERBAIKAN KUALITAS DETEKSI
TEPI PADA CITRA MOTIF BATIK.
Jurnal Teknologi Informasi. Vol . IX
Nomor 26 Juli 2014.
[5] Achmad, B. & Firdausy, K. 2005. Teknik
Pengolahan Citra Digital Menggunakan
Delphi. Jogjakarta: Ardi Publishing.
[6] Munir, R. 2004. Pengolahan Citra Digital
dengan Pendekatan Algoritmik. Bandung:
Informatika
[7] Indra Dwi Ananto (09018107), Murinto
(0510077302). 2015. “APLIKASI
PENGOLAHAN CITRA MENDETEKSI
KUALITAS CABAI BERDASARKAN
TINGKAT KEMATANGAN
MENGGUNAKAN TRANSFORMASI
WARNA YcbCr”. Jurnal Sarjana Teknik
Informatika. Volume 3 Nomor 1, Februari
2015.
[8] Jati Sasongko Wibowo. 2011.
Deteksi danKlasifikasi Citra Berdasarkan
Warna Kulit Menggunakan HSV.
Jurnal Teknologi Informasi DINAMIK. V
olume 16, No.2,Juli2011
[9] Rijal. Yusron, & Mardi Supeno & Mauridy Pass Filter. Seminar Nasional Aplikasi
H. Purnomo. 2006. Deteksi Wajah Pada Teknologi Informasi (SNATI) 2006.
Objek Bergerak Dengan Menggunakan Universitas Islam Indonesia.
Kombinasi Gabor Filter Dan Gaussian Low