Analisis Faktor dan Metode untuk Menentukan Tipe Kulit Wajah: Tinjauan Literatur
DOI:
https://doi.org/10.25126/jtiik.20241046955Abstrak
Kulit merupakan bagian pelindung terluar yang melapisi sebagian besar dari tubuh manusia. Kulit wajah menjadi bagian kulit paling sensitif sehingga lebih mudah bermasalah dibanding yang lainnya. Perawatan kulit wajah yang tidak tepat dapat menyebabkan timbulnya permasalahan kulit wajah yang baru atau bahkan memperburuk permasalahan sebelumnya. Mendeteksi tipe kulit menjadi langkah awal dalam pengobatan maupun perawatan. Selama ini, penentuan tipe kulit wajah harus dengan keterampilan dokter atau tenaga kesehatan dengan dibantu alat yang mahal dan sulit dimiliki, tetapi dengan adanya perkembangan teknologi saat ini memudahkan seseorang untuk menentukan tipe kulit wajah dengan lebih praktis dan mudah tanpa harus ke dokter. Dari beberapa penelitian yang telah dilakukan sebelumnya, tipe kulit wajah maupun penyakit yang timbul pada area wajah dapat dideteksi melalui pembelajaran citra dengan berbagai macam metode. Data citra yang digunakan sebagai pembelajaran berupa citra digital maupun citra mikroskopis yang kemudian diolah dengan berbagai metode ekstraksi ciri hingga diteruskan dengan klasifikasi tipe kulit. Proses tinjauan literatur menggunakan metode scoping review yang mengidentifikasi setiap literatur secara mendalam. Literatur yang digunakan disesuaikan dengan kriteria yang telah ditentukan seperti topik pembahasan, ketersediaan literatur full text, dan abstrak. Tinjauan literatur ini menunjukkan bahwa akurasi pengolahan citra tidak hanya ditentukan berdasarkan metode, melainkan terdapat faktor lain seperti jumlah dan kualitas dataset yang digunakan serta ekstraksi ciri yang dilakukan. Hasil dari tinjauan literatur ini memberikan gambaran mengenai studi yang relevan dengan topik, perbedaan setiap literatur yang dibahas serta bermanfaat bagi peneliti yang akan mengembangkan teknologi pengolahan citra untuk menentukan tipe kulit wajah.
Abstract
Skin is the outer protective part that covers most of the human body. Facial skin is the most sensitive part of the skin hence it is more prone to problems than other parts. Improper facial skin care can cause new facial skin problems or even aggravate the previous problems. Detecting on the skin type is the first step in treatment or care. So far, determining the type of facial skin must be with the skills of a doctor or health worker with the help of tools that are expensive and difficult to have, but with current technological developments it makes it easier for someone to determine the type of facial skin more practically and easily without having to see a doctor. From the several previous studies, facial skin types and diseases that emerge in the facial area can be detected through image learning using various methods. Image data used as learning is in the form of digital images and microscopic images which are then processed using various feature extraction methods and then continued with skin type classification. The literature review process uses the scoping review method which identifies each literature in depth. The literature used is adjusted to predetermined the criteria such as the topic of discussion, the availability of full text literature, and the abstraction. This literature review shows that the accuracy of image processing is not only determined based on the method, but there are also other factors such as the number and quality of the datasets used and the feature extraction performed. The results of this literature review provide an overview of studies that are relevant to the topic, the differences in each literature discussed and are useful for researchers who will develop image processing technology to determine the type of facial skin.
Downloads
Referensi
ADELIA, A., BUDIANTI, W.K. AND EFFENDY, E.H., 2019. Eczema Coxsackium: Bentuk Atipikal Hand, Foot, And Mouth Disease Yang Disebabkan Oleh Coxsackievirus A6. Media Dermato Venereologica Indonesiana, 45(1), pp.46–51. https://doi.org/10.33820/mdvi.v45i1.17.
ALASKA, K.P. AND HIDAYAT, H.T., 2021. Klasifikasi Citra Kulit Wajah Menggunakan Metode Naïve Bayes Berbasis Android. JAISE : Journal of Artificial Intelligence and Software Engineering, 1(1), pp.16–22.
AMELIA, R.D., TRITOASMORO, I.I. AND IBRAHIM, N., 2019. Klasifikasi Jenis Kulit Wajah Menggunakan Metode Discrete Wavelet Transform dan Backpropagation. e-Proceeding of Engineerging, 6(2), pp.4147–4153.
ARKSEY, H. AND O’MALLEY, L., 2005. Scoping studies: Towards a methodological framework. International Journal of Social Research Methodology: Theory and Practice, 8(1), pp.19–32. https://doi.org/10.1080/1364557032000119616.
ASBULLAH, A., WULANDINI, P. AND FEBRIANITA, Y., 2021. Faktor-Faktor yang Mempengaruhi Terhadap Timbulnya Acne Vulgaris (Jerawat) Pada Remaja di SMAN 1 Pelangiran Kabupaten Indragiri Hilir Tahun 2018. Jurnal Keperawatan Abdurrab, 4(2), pp.79–88. https://doi.org/10.36341/jka.v4i2.1603.
BAUMANN, L., 2008. Understanding and Treating Various Skin Types: The Baumann Skin Type Indicator. Dermatologic Clinics, 26(3), pp.359–373. https://doi.org/10.1016/j.det.2008.03.007.
FARAGE, M.A., 2019. The Prevalence of Sensitive Skin. Frontiers in Medicine, 6(May), pp.1–13. https://doi.org/10.3389/fmed.2019.00098.
FARHAN, M., RAFI, WIDODO, A., WAHYU, RAHMAN, M. AND ARIF, 2019. Ekstraksi Ciri Pada Klasifikasi Tipe Kulit Wajah Menggunakan Metode Haar Wavelet. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 3(3), pp.2903–2909.
FIRAZ, T., NUSANTARA, B., ATMAJA, R.D., ELEKTRO, F.T. AND TELKOM, U., 2018. Klasifikasi Jenis Kulit Wajah Pria Berdasarkan Tekstur Menggunakan Metode Gray Level Co-Occurrence Matrix (GLCM) dan Support Vector Machine (SVM). eProceedings of Engineering, 5(2), pp.2130–2137.
INDRIYANI AND MADE SUDARMA, I., 2020. Classification of Facial Skin Type Using Discrete Wavelet Transform, Contrast, Local Binary Pattern and Support Vector Machine. Journal of Theoretical and Applied Information Technology, 98(5), pp.768–779.
MUHABA, K.A., DESE, K., AGA, T.M., ZEWDU, F.T. AND SIMEGN, G.L., 2022. Automatic Skin Disease Diagnosis Using Deep Learning from Clinical Image and Patient Information. Skin Health and Disease, 2(1). https://doi.org/10.1002/ski2.81.
NURKHASANAH AND MURINTO, 2021. Klasifikasi Penyakit Kulit Wajah Menggunakan Metode Convolutional Neural Network. Sainteks, 18(2), p.183. https://doi.org/10.30595/sainteks.v18i2.13188.
REDDY, S.P. AND MANOHAR, A.B.S.R., 2019. Studies on Different CNN Algorithms for Face Skin Disease Classification Based on Clinical Images. IEEE Access, 7, pp.66505–66511. https://doi.org/10.1109/ACCESS.2019.2918221.
ROSLAN, R., RAZLY, I.N.M., SABRI, N. AND IBRAHIM, Z., 2020. Evaluation of Psoriasis Skin Disease Classification Using Convolutional Neural Network. IAES International Journal of Artificial Intelligence, 9(2), pp.349–355. https://doi.org/10.11591/ijai.v9.i2.pp349-355.
SADELI, M.S., WARDHANA, M., WINDARI, M. AND RAHMAWATI, A., 2021. Gambaran Klinis Dan Fitur Dermoskopi Keratosis Seboroik Di Rumah Sakit Sanglah, Denpasar. Jurnal Medika Udayana, 10(10), pp.8–14.
SAFIRA, N.P., MAGDALENA, R. AND SAIDAH, S., 2020. Klasifikasi Jenis Kulit Manusia Menggunakan Metode Gabor Wavelet Berbasis Android. e-Proceeding of Engineering, 7(2), pp.3693–3702.
SAIDAH, S., FUADAH, Y.N., ALIA, F., IBRAHIM, N., MAGDALENA, R. AND RIZAL, S., 2021. Facial Skin Type Classification Based on Microscopic Images Using Convolutional Neural Network (CNN). Proceedings of the 1st International Conference on Electronics, Biomedical Engineering, and Health Informatics, 746, pp.75–83. https://doi.org/10.1007/978-981-33-6926-9_7.
SARTIKA, TRITOASMORO, I.I. AND SUSATIO, E., 2012. Klasifikasi Jenis Kulit Wajah Berdasarkan Analisis Tekstur dengan Metode K-Nearest Neighbor. pp.0–6.
SETIAWAN, R., 2020. Aspek Klinis Rosasea. Cermin Dunia Kedokteran, 47(1), pp.35–38.
SINAULAN, C.D. AND HANTARA, A., 2021. Model Klasifikasi Permasalahan Kulit Wajah Menggunakan Metode Support Vector Machine. Jurnal Pendidikan dan Kewirausahaan, 9(1), pp.297–308. https://doi.org/10.47668/pkwu.v9i1.246.
SOFIA SAIDAH, SUPARTA, I.P.Y.N. AND SUHARTONO, E., 2022. Modifikasi Convolutional Neural Network Arsitektur GoogLeNet dengan Dull Razor Filtering untuk Klasifikasi Kanker Kulit. Jurnal Nasional Teknik Elektro dan Teknologi Informasi, 11(2), pp.148–153. https://doi.org/10.22146/jnteti.v11i2.2739.
SUSANTI, S., 2014. 500 Rahasia Cantik Alami Bebas Jerawat. I ed. Jakarta: Gramedia Widiasarana Indonesia.
TRIYANTO, E., 2010. Pengalaman Masa Pubertas Remaja Studi Fenomenologi di Purwokerto. Jurnal Ners, 5(2), pp.147–153.
VELASCO, J., PASCION, C., ALBERIO, J.W., APUANG, J., CRUZ, J.S., GOMEZ, M.A., MOLINA, B., TUALA, L., THIO-AC, A. AND JORDA, R., 2019. A Smartphone-based Skin Disease Classification Using Mobilenet CNN. International Journal of Advanced Trends in Computer Science and Engineering, 8(5), pp.2632–2637. https://doi.org/10.30534/ijatcse/2019/116852019.
WU, Z., ZHAO, S., PENG, Y., HE, X., ZHAO, X., HUANG, K., WU, X., FAN, W., LI, F., CHEN, M., LI, J., HUANG, W., CHEN, X. AND LI, Y., 2019. Studies on Different CNN Algorithms for Face Skin Disease Classification Based on Clinical Images. IEEE Access, 7, pp.66505–66511. https://doi.org/10.1109/ACCESS.2019.2918221.
WULANDARI, S.A., 2019. Pengelompokan Jenis Kulit Normal, Berminyak dan Kering Menggunakan 4-Connectivity dan 8-Connectivity Region Properties Berdasarkan Ciri Rerata Bound. Jurnal Transformatika, 17(1), p.78. https://doi.org/10.26623/transformatika.v17i1.1341.
ZAKIAH, PATMASARI, R. AND SAIDAH, S., 2021. Klasifikasi Jenis Kulit Wajah Menggunakan Metode Convolutional Neural Network (CNN). e-Proceeding of Engineering, 8(6), p.11610.
ZAP BEAUTY CLINIC & MARKPLUS INC, 2018. ZAP Beauty Index 2018. Mark Plus Inc, pp.1–33.
ZAP BEAUTY CLINIC & MARKPLUS INC, 2021. ZAP Beauty Index 2021. Mark Plus Inc.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Artikel ini berlisensi Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0)
Penulis yang menerbitkan di jurnal ini menyetujui ketentuan berikut:
- Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama naskah secara simultan dengan lisensi di bawah Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0) yang mengizinkan orang lain untuk berbagi pekerjaan dengan sebuah pernyataan kepenulisan pekerjaan dan penerbitan awal di jurnal ini.
- Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).