DETEKSI SKINTONE MENGGUNAKAN MODEL WARNA CIELAB DAN KLASIFIKASI SUPPORT VECTOR MACHINE

Shofiyah; Nunik Pratiwi;

ABSTRAK

Deteksi Skintone Menggunakan Model Warna CIELAB dan Klasifikasi

Support Vector Machine
Shofiyah

Penelitian ini memiliki tujuan untuk mengembangkan sebuah sistem dalam mendeteksi warna kulit
manusia dengan pendekatan model warna CIELAB dan metode klasifikasi Support Vector Machine
(SVM). Data yang digunakan berupa 35.829 citra wajah dari SkinTone Classification Dataset yang
diperoleh dari platform Kaggle pada tahun 2023. Tahapan praproses meliputi perubahan ukuran citra
dan konversi ke ruang warna CIELAB. Ekstraksi fitur dilakukan dengan menghitung rata-rata serta
simpangan baku pada setiap komponen L*, a*, dan b*. Dataset kemudian dipisahkan menjadi data
pelatihan dan data pengujian dengan rasio 80:20, lalu diklasifikasikan menggunakan SVM dengan
kernel Radial Basis Function (RBF). Evaluasi performa sistem dianalisis menggunakan metrik
akurasi, presisi, recall, dan F1-score. Sistem ini berhasil mencapai akurasi sebesar 92,09%, dengan
performa terbaik pada kategori warna kulit gelap (dark), yang memperoleh F1-score sebesar 97,9%.
Walaupun hasil performa pada kelas lain sedikit lebih rendah, sistem ini secara keseluruhan
menunjukkan kemampuan klasifikasi yang baik dan berpotensi dikembangkan lebih lanjut untuk
kebutuhan identifikasi warna kulit secara praktis dan akurat.
Kata kunci: warna kulit; CIELAB; ekstraksi fitur; Support Vector Machine; klasifikasi citra

Skin Tone Detection Using the CIELAB Color Model and Support Vector

Machine Classification
Shofiyah

This study aims to develop a system for detecting human skin tone using the CIELAB color model
and the Support Vector Machine (SVM) classification method. The dataset used consists of 35,829
facial images obtained from the SkinTone Classification Dataset, sourced from the Kaggle platform
in 2023. The preprocessing stages include image resizing and conversion to the CIELAB color
space. Feature extraction is performed by calculating the mean and standard deviation for each
component of L*, a*, and b*. The dataset is then split into training and testing sets with an 80:20
ratio, followed by classification using SVM with a Radial Basis Function (RBF) kernel. The system’s
performance is evaluated using accuracy, precision, recall, and F1-score metrics. The system
achieved an accuracy of 92.09%, with the highest performance observed in the dark skin tone
category, which attained an F1-score of 97.9%. Although the performance in other classes was
slightly lower, the system overall demonstrates strong classification capabilities and has the
potential to be further developed for practical and accurate skin tone identification.
Keywords: skin color; CIELAB; feature extraction; Support Vector Machine; image classification