Abstrak
Kulit adalah organ tubuh terluar manusia dengan sensitifitas tertinggi dari lingkungan luar yang dapat
menimbulkan penyakit kulit. Penyakit kulit pada negara beriklim tropis seperti Indonesia adalah
melasma. Melasma diakibatkan penggunaan kosmetik berlebihan yang bersentuhan dengan sinar
ultraviolet. Jika dibiarkan dapat merusak sel kulit, merusak DNA dan berisiko timbulnya kanker kulit.
Pemeriksaan on site dilakukan dokter kulit mengandalkan pemeriksaan visual dan anamnesis, yang tidak
menutup kemungkinan menimbulkan analisis dan diagnosis yang kurang akurat. Sehingga penderita
memilih melakukan selfcare. Namun, selfcare dapat menyebabkan melasma semakin parah apabila
salah mengidentifikasi. Oleh karena itu, dibutuhkan sistem deteksi untuk membantu mengidentifikasi
melasma secara otomatis. Menggunakan 20 data citra wajah terbagi 16 citra latih dan 4 citra uji. Citra
wajah diolah melalui pemotongan citra secara non-overlapping sliding window untuk mendapatkan citra
window, lalu dikonversi ke citra grayscale. Menggunakan metode Gray Level Co-occurrence Matrix
(GLCM) sebagai ekstraksi tekstur dengan arah sudut kombinasi 0°, 45°, 90°, 135° dan jarak
ketetanggaan d=1,2,3. Kemudian mencari nilai fitur GLCM yakni kontras, homogenitas, energi dan
entropi. Metode tahap klasifikasi menggunakan K-Nearest Neighbour (KNN) bernilai k=5. Penelitian
ini berhasil pada pengujian citra window, persentase terbaik 98% dengan ukuran window 200x200 piksel
melalui arah sudut 3 kombinasi 0°+45°+90° dan jarak ketetanggaan d=2.
Kata kunci: penyakit kulit, melasma, ekstraksi ciri, GLCM, KNN
Abstract
Skin is the outermost human organ with the highest sensitivity from external environment, it can cause
skin diseases. Skin disease in tropical countries like Indonesia is melasma. Melasma is caused by
excessive use of cosmetics and contact with ultraviolet light. If allowed to damage skin cells, damage
DNA and risk of skin cancer. Examination on site by a dermatologist relies on visual examination and
history taking, which does not rule out the possibility on inaccurate analysis and diagnosis. Therefore,
patients choose to do selfcare. However, selfcare can cause melasma to get worse if it is misidentified.
Therefore, a detection system is needed to help identify melasma automatically. Using 20 face images
data divided into 16 training images and 4 testing images. Face image come in processed cropping
images in non-overlapping sliding window to get the window images, then converted to grayscale
images. Using the Gray Level Co-occurrence Matrix (GLCM) method as texture extraction with
combination angle is 0 °, 45 °, 90 °, 135 ° and neighboring distance value d = 1,2,3. Use of GLCM
features are contrast, homogeneity, energy and entropy. For classification method using K-Nearest
Neighbor (KNN) with value k=5. This research success in testing of window images, the best percentage
was 98% with window size of 200x200 pixels, angular direction with 3 combination is 0°+45°+90° and
distance of neighborhood is d = 2.
Keywords: skin disease, melasma, feature extraction, GLCM, KNN
menimbulkan berbagai penyakit kulit. Penyakit Dalam kajian yang dilakukan oleh Materka dan
kulit pun sering mendapat anggapan remeh Strzelecki (1998) menunjukkan metode statistik
dikarenakan bersifat cenderung tidak berbahaya yakni orde kedua memberikan hasil lebih baik
dan tidak menyebabkan kematian. Hal tersebut dalam mengekstrak karakteristik tekstur dan
sangat salah, karena apabila penyakit kulit selalu menyebutkan pula bahwa metode statistik orde
dibiarkan menyebabkan penyakit semakin kedua paling baik dalam melakukan analisis
menyebar dan sulit untuk mengobatinya. tekstur adalah yang dikembangkan oleh Haralick
Penyakit kulit yang kadang kala ditemukan pada (1973) yaitu Gray Level Co-occurrence Matrix
negara dengan iklim tropis seperti Indonesia (GLCM), bahkan Siqueira et al (2013)
adalah melasma. Melasma diakibatkan oleh menyatakan diantara beberapa pendekatan
penggunaan kosmetik yang mengandung zat statistik, GLCM terbukti sangat powerful
pemutih kulit dengan dosis yang salah kemudian sebagai deskriptor ciri dalam merepresentasikan
terjadi reaksi fotosesitisasi dengan sinar suatu karakteristik tekstur dari citra.
ultraviolet yang kronis sehingga dapat merusak
Penelitian yang dilakukan Riyan Hartanti
sel kulit, merusak DNA dan dimungkinkan
(2011) dalam mendeteksi potensi kanker
beresiko timbulnya kanker kulit (Oktarina,
payudara citra x-ray memanfaatkan Gray Level
2012).
Co-occurrence Matrix (GLCM) untuk
Pemeriksaan secara on site yang dilakukan mencirikan tekstur massa tumor, normal serta
oleh dokter kulit saat ini mengandalkan gugus mikroklasifikasi pada area mammogram.
pemeriksaan visual objek mata dan anamnesis. Menggunakan jarak ketetanggaan d=1,2,3 serta
Pemeriksaan secara subjektif ini tidak menutup fitur GLCM diantaranya kontras, homogenitas,
kemungkinan dapat menimbulkan analisis dan energi, entropi, mean, korelasi dan standar
diagnosis yang kurang akurat. Sehingga deviasi. Dari 50 data, tiap ciri tekstur GLCM
beberapa dari penderita melasma memilih untuk menunjukkan ketujuh fitur GLCM yang
mengobati diri sendiri atau selfcare. Namun, digunakan dapat mewakili karakteristik tekstur
selfcare dapat menyebabkan area kulit menjadi untuk ketiga kategori klasifikasi. Pada
semakin parah jika salah dalam mengidentifikasi klasifikasi K-Nearest Neighbor (KNN)
penyakit ini. Oleh karena hal tersebut, menghasilkan rasio pengenalan terbaik nilai k=5
dibutuhkanlah sistem deteksi untuk membantu dengan akurasi 86%. Pendeteksian lainnya
dalam mengidentifikasi melasma pada citra meneliti kelainan tulang belakang sebanyak 128
wajah secara otomatis. citra yang menghasilkan persentase keberhasilan
84,84% menggunakan Gray Level Co-
Satu-satunya penelitian melasma terdahulu
occurrence Matrix. Pada jarak ketetanggaan
oleh Xu Zhang et al (2016) melakukan teknik
bernilai d=3 serta fitur GLCM menggunakan
segmentasi untuk identifikasi area melasma dan
energi, kontras, homogenitas dan korelasi.
area kulit normal yang berjudul “Reaction-
Metode klasifkasi yang digunakan K-Nearest
diffusion Based Level Set Method with Local
Neighbor (KNN) untuk 3 klasifikasi yakni
Entropy Thresholding for Melasma Image
tulang punggung normal, kelainan
Segmentation”. Wang et al (2007) menerapkan
dekstroskoliosis dan kelainan levoskoliosis pada
pendekatan top down yakni upaya dengan
nilai k=5 (Afriyana, Purnamasari dan Patmasari,
mengekstraksi karakteristik yang dimiliki citra
2018). Kedua penelitian tersebut menggunakan
agar dapat dilakukan pengenalan citra.
parameter arah sudut 0°, 45°, 90° dan 135°.
Karakteristik yang dimiliki diantaranya warna,
tekstur dan bentuk. Penelitian lainnya dengan metode Gray Level
Co-occurrence Matrix (GLCM) untuk
Penelitian ini difokuskan untuk meneliti
mendeteksi kondisi organ pankreas melalui citra
melalui karakteristik tektur dalam mendeteksi
iris mata dengan akurasi 75% menggunakan
melasma. Karakteristik tekstur memberikan
metode pengenalan Jaringan Syaraf Tiruan
informasi mengenai fitur-fitur yang lebih
Backpropagation (Eskaprianda, Isnanto dan
penting dan spesifik mengenai melasma dengan
Santoso, 2011). Adapun penerapan GLCM
permukaan tekstur kulit yang berbeda-beda
mendeteksi kelainan gigi akurasi 66,6% melalui
sekalipun menampilkan warna yang homogen.
metode pengenalan naïve bayes (Harisman dan
Terdapat metode ekstraksi tekstur seperti Wijaya, 2017).
Gray Level Cooccurrence Matrix, Local Binary
Pattern (LBP), Haar Wavelet dan lain-lain.
0,871
0,87
0,879
0,893
0,907
0,886
0,914
0,89
0,871
0,893
0,864
0,886
0,88
0,914
0,89
0,907
0,864
ciri tekstur yang berbeda pula.
0,86 0,857
0,85
0,84 0,843
0,836 0,843 0,84 0,843 0,843
0,829
0,821 0,829 0,829 0,821
0,807 0,814 0,814 0,814 0,81
0,8 0,8
0,793 0,793 0,793 0,79
0,75
0,786 0,779
0,771
0,786
0,771
0,757
0,75 0,743
0,779
0,736
0,779
0,77
0,75
0,78
0,771
0,76
0,757
0,771
0,743
0,74
0,779
0,771
0,77
5. KESIMPULAN DAN SARAN
0,721
0,7 0,7
0,65 0,65
0,664 0,664
0,636
0,679
5.1 Kesimpulan
0,6 0,6
0,55
Ukuran window yang digunakan dalam
0,5
0° 45° 90° 135° 0° +45° 0°++90° 0°+135° 45°+90° 45°+135° 90°+135° 0°+45° 0°+45° 45°+90° 0°+90° 0°+45°
penelitian adalah 100x100, 150x150, 200x200
+90° +135° +135° +135° +90°+135°