68 BAB 4 HASIL DAN PEMBAHASAN
4.1. Uji Algoritma Pengujian dilakukan untuk mendapatkan algoritma yang paling optimal dari segi kecepatan dan tingkat akurasi yang dapat berjalan secara real time pada smartphone Android.
Pengujian ini dilakukan dengan menggunakan
smartphone Android dan perangkat lunak dengan spesifikasi pada tabel 4.1 dan 4.2. Selain itu pengujian dilakukan pada ruangan yang memiliki cahaya yang memadai.
Tabel 4.1 Spesifikasi Smartphone Android yang Digunakan Type
Samsung I9300 Galaxy S III
Operating System
Android OS, v 4.1 (Jelly Bean)
Processor
Quad-core 1.4 GHz Cortex-A9
RAM
1 GB
Front Camera
1.9 MP, 720p@30fps
Resolution
720 x 1280 pixels, 4.8 inches (~306 ppi pixel density)
Storage
5 MB
Tabel 4.2 Spesifikasi Perangkat Lunak yang Digunakan Library
OpenCV 2.4.6
Tools Development
Android NDK, Android SDK
IDE
Eclipse Helios
4.1.1. Face Detection Pada
tahap
menggunakan
ini,
algoritma
pendeteksian Viola
Jones.
wajah
dilakukan
Algoritma
Viola
dengan Jones
membutuhkan sebuah classifier yang berfungsi untuk melakukan pendeteksian terhadap sebuah objek. Classifier menggunakan data yang disimpan pada file XML untuk memutuskan bagaimana mengklasifikasi setiap lokasi gambar. Terdapat 5 cascade classifier yang akan diuji dalam
69 pendeteksian wajah tampak depan. Dari kelima classifier ini akan dipilih sebuah classifier yang paling optimal untuk digunakan dalam penelitian ini. Kelima classifier yang akan digunakan untuk mendeteksi wajah tampak
depan
ialah
classifier
harrcascade_frontalface_alt, haarcascade_frontalface_default
haarcascade_frontalface_alt_tree, haarcascade_frontalface_alt2, dan
lbpcascade_frontalface.
Diharapkan dari pengujian ini akan didapatkan sebuah classifier yang memiliki tingkat fps (frame per second) yang cukup tinggi serta tingkat akurasi pendeteksian wajah yang baik untuk digunakan dalam smartphone Android. Untuk kode aplikasi yang digunakan, dapat dilihat pada lampiran L5.
70 Hasil dari pengujian algoritma Viola-Jones sebagai berikut: 1.
Haarcascade_frontalface_alt_tree Berikut
ini
merupakan
hasil
pengujian
terhadap
pendeteksian
wajah
dengan
menggunakan
classifier
haarcascade_frontalface_alt_tree.
Gambar 4.1.
Pendeteksian wajah dengan classifier haarcascade_frontalface_alt_tree
Berdasarkan gambar 4.1, ketika terdapat wajah pada kamera, maka akan muncul pesan “Face Detected: haarcascade_frontalface_alt_tree.xml”. Namun, jika wajah tidak dapat terdeteksi pada kamera, akan muncul pesan “Face Not Detected using haarcascade_frontalface_alt_tree.xml”. Pesan ditampilkan dalam selang waktu 150 ms. Untuk lebih jelasnya, dapat dilihat pada tabel 4.3.
Tabel 4.3 Hasil Pendeteksian Wajah dengan Classifier Haarcascade_frontalface_alt_tree Total wajah yang ditampilkan
54 wajah
Total wajah yang terdeteksi
52 wajah
Total wajah yang tidak terdeteksi
2 wajah
Range FPS yang dihasilkan
~ 2-3 fps
Tingkat akurasi
x 100% = 96.296%
71 2.
Haarcascade_frontalface_alt Berikut ini merupakan hasil pengujian terhadap pendeteksian wajah dengan classifier haarcascade_frontalface_alt.
Gambar 4.2.
Pendeteksian wajah dengan classifier haarcascade_frontalface_alt
Berdasarkan gambar 4.2, ketika terdapat wajah pada kamera, maka akan muncul pesan “Face Detected: haarcascade_frontalface_alt”. Namun, jika wajah tidak dapat terdeteksi pada kamera, akan muncul pesan “Face Not Detected using haarcascade_frontalface_alt”. Pesan ditampilkan dalam selang waktu 150 ms. Untuk lebih jelasnya, dapat dilihat pada tabel 4.4.
Tabel 4.4 Hasil Pendeteksian Wajah dengan Classifier Haarcascade_frontalface_alt Total wajah yang ditampilkan
54 wajah
Total wajah yang terdeteksi
52 wajah
Total wajah yang tidak terdeteksi
2 wajah
Range FPS yang dihasilkan
~ 2-4 fps
Tingkat akurasi
x 100% = 96.296 %
72
3.
Haarcascade_frontalface_alt2 Berikut ini merupakan hasil pengujian terhadap pendeteksian wajah dengan classifier haarcascade_frontalface_alt2.
Gambar 4.3.
Pendeteksian wajah dengan classifier haarcascade_frontalface_alt2
Berdasarkan gambar 4.3, ketika terdapat wajah pada kamera, maka akan muncul pesan “Face Detected: haarcascade_frontalface_alt2”. Namun, jika wajah tidak dapat terdeteksi pada kamera, akan muncul pesan “Face Not Detected using haarcascade_frontalface_alt2”. Pesan ditampilkan dalam selang waktu 150 ms. Untuk lebih jelasnya, dapat dilihat pada tabel 4.5.
Tabel 4.5 Hasil Pendeteksian Wajah Dengan Classifier Haarcascade_frontalface_alt2 Total wajah yang ditampilkan
54 wajah
Total wajah yang terdeteksi
54 wajah
Total wajah yang tidak terdeteksi
0 wajah
Range FPS yang dihasilkan
~ 3-4 fps
Tingkat akurasi
x 100% = 100%
73 4.
Haarcascade_frontalface_default Berikut ini merupakan hasil pengujian terhadap pendeteksian wajah dengan classifier haarcascade_frontalface_default.
Gambar 4.4.
Pendeteksian wajah dengan classifier haarcascade_frontalface_default
Berdasarkan gambar 4.4, ketika terdapat wajah pada kamera, maka akan muncul pesan “Face Detected: haarcascade_frontalface_default..xml”. Namun, jika wajah tidak dapat terdeteksi pada kamera, akan muncul pesan “Face Not Detected using haarcascade_frontalface_default.xml”. Pesan ditampilkan dalam selang waktu 150 ms. Untuk lebih jelasnya, dapat dilihat pada tabel 4.6.
Tabel 4.6 Hasil Pendeteksian Wajah dengan Classifier Haarcascade_frontalface_default Total wajah yang ditampilkan
52 wajah
Total wajah yang terdeteksi
52 wajah
Total wajah yang tidak terdeteksi
0 wajah
Range FPS yang dihasilkan
~ 3-4 fps
Tingkat akurasi
x 100% = 100%
74
5.
Lbpcascade_frontalface Berikut ini merupakan hasil pengujian terhadap pendeteksian wajah dengan classifier lbpcascade_frontalface.
Gambar 4.5.
Pendeteksian wajah dengan classifier lbpcascade_frontalface
Berdasarkan gambar 4.5, ketika terdapat wajah pada kamera, maka akan muncul pesan “Face Detected: lbpcascade_frontalface..xml”. Namun, jika wajah tidak dapat terdeteksi pada kamera, akan muncul pesan “Face Not Detected using lbpcascade_frontalface.xml”. Pesan ditampilkan dalam selang waktu 150 ms. Untuk lebih jelasnya, dapat dilihat pada tabel 4.7.
Tabel 4.7 Hasil Pendeteksian Wajah dengan Classifier Lbpcascade_frontalface Total wajah yang ditampilkan
85 wajah
Total wajah yang terdeteksi
85 wajah
Total wajah yang tidak terdeteksi
0 wajah
Range FPS yang dihasilkan
~ 4-5 fps
Tingkat akurasi
x 100% = 100%
75 4.1.2. Face Recognition Pada tahap pengenalan wajah ini, akan dilakukan pengujian terhadap 3 algoritma yaitu Eigenface, Fisherface dan LBPH (Local Binary Pattern Histogram). Tahap ini terbagi menjadi 2 fase yaitu fase training dan fase testing. Pada fase training sekumpulan gambar akan ditraining dengan menggunakan ketiga algoritma secara bergantian kemudian hasil dari training akan disimpan dalam file XML. Setelah fase training, maka dilakukan testing terhadap hasil training untuk mendapatkan nilai prediction. Nilai prediction akan digunakan untuk menentukan nilai threshold yang berfungsi sebagai faktor penentu wajah dikenali atau tidak. Pengujian dilakukan dengan menggunakan sampel wajah seseorang yang kemudian di-testing sebanyak 50 orang. Berikut hasil dari pengujian masing-masing algoritma :
4.1.2.1. Eigenface Tabel 4.8 Hasil Pengujian Algoritma Eigenface Nilai prediction saat wajah di-testing 4633.81 dengan wajah yang sama : Nilai prediction terkecil saat wajah di- 2004.2 testing dengan wajah yang berbeda : Nilai prediction terbesar saat wajah di- 8360.78 testing dengan wajah yang berbeda : Rata-rata FPS yang dihasilkan:
0.67
Berdasarkan uji coba terhadap algoritma eigenface, dapat disimpulkan bahwa proses pengenalan wajah memiliki FPS yang sangat rendah sehingga program terlihat seperti berhenti ketika melakukan proses pengenalan wajah. Selain itu, nilai prediksi untuk pengenalan wajah sangat besar berkisar antara 2004.2 hingga 8360.78 untuk wajah yang berbeda. Hal tersebut menjadikan proses pengenalan wajah menjadi sangat lama dan nilai prediksi yang didapatkan sangat besar sehingga
76 mengakibatkan ketidakakuratan program dalam melakukan pengenalan wajah.
4.1.2.2. Fisherface Tabel 4.9 Hasil Pengujian Algoritma Fisherface Nilai prediction saat wajah di-testing 318.59 dengan wajah yang sama : Nilai prediction terkecil saat wajah di- 61.42 testing dengan wajah yang berbeda : Nilai prediction terbesar saat wajah di- 2805.77 testing dengan wajah yang berbeda : Rata-rata FPS yang dihasilkan:
1.23
Berdasarkan uji coba algoritma fisherface, dapat disimpulkan bahwa proses pengenalan wajah memiliki FPS yang lebih tinggi jika dibandingkan dengan algoritma eigenface. Namun, FPS yang dimiliki oleh fisherface masih belum cukup untuk diaplikasikan secara real time pada smartphone. Selain itu, nilai prediksi untuk pengenalan wajah juga cukup besar berkisar antara 61.42 hingga 2805.77 untuk wajah yang berbeda.
Jika diperhatikan, nilai prediksi terkecil pada wajah yang
berbeda bahkan jauh lebih kecil jika dibandingkan dengan nilai prediction pada wajah yang sama. Hal tersebut membuat uji coba dengan algoritma fisherface masih belum cukup baik dalam melakukan proses pengenalan wajah.
77 4.1.2.3. LBPH Tabel 4.10 Hasil Pengujian Algoritma LBPH Nilai prediction saat wajah di-testing 29.32 dengan wajah yang sama : Nilai prediction terkecil saat wajah di- 71.88 testing dengan wajah yang berbeda : Nilai prediction terbesar saat wajah di- 367.47 testing dengan wajah yang berbeda : Rata-rata FPS yang dihasilkan:
6.58
Berdasarkan uji coba dengan menggunakan algoritma LBPH, dapat dilihat bahwa proses pengenalan wajah memiliki FPS yang tinggi dan cukup untuk melakukan proses pengenalan wajah secara real time oleh smartphone. Selain itu, nilai prediksi untuk pengenalan wajah juga cukup kecil berkisar antara 71.88 dan 367.47 untuk wajah yang berbeda. Hal ini menjadikan LBPH sebagai algoritma yang cukup akurat untuk melakukan proses pengenalan wajah.
4.1.3. Face Expression Penelitian akan dilakukan untuk mencari hasil yang paling optimal untuk pengenalan ekspresi wajah diantara teknik-teknik sebagai berikut:
78 4.1.3.1. Viola Jones Pada teknik ini, ekspresi wajah dikenali dengan menggunakan algoritma Viola Jones. Teknik ini akan menggunakan classifier Haar yang telah ditraining pada berbagai ekspresi seperti mulut yang tersenyum.
Gambar 4.6. Pendeteksian ekspresi wajah dengan menggunakan classifier haarcascasde_smile
Algoritma ini diujikan secara real time untuk mendeteksi ekspresi wajah. Hasil dari teknik ini sebagai berikut:
79
Tabel 4.11 Hasil Pendeteksian Ekspresi Wajah dengan Menggunakan Classifier Haarcascade_smile Total wajah tersenyum yang ditampilkan : 100 Total wajah tersenyum yang terdeteksi : Total
wajah
tersenyum
yang
44
tidak 56
terdeteksi : Range FPS yang dihasilkan :
1.74 - 4.36
Tingkat akurasi :
Dari penelitian ini dapat disimpulkan bahwa tingkat akurasi terhadap pengenalan ekspresi masih sangat rendah sebesar 50%. Lebih lanjut, teknik ini tidak efisien digunakan karena hanya dapat menghasilkan fps dengan kisaran 1-2 fps sehingga tampilan terlihat tidak lancar (patah-patah).
4.1.3.2. ASM (Active Shape Model) dan SVM (Support Vector Machine) SVM (Support Vector Machine) merupakan sebuah machine learning yang membutuhkan input data agar SVM dapat melakukan analisa terhadap input data dan mengambilkan kesimpulan dari input seperti yang telah dijelaskan pada Bab 2. Pada penelitian ini, input data yang diberikan pada SVM berupa kumpulan koordinat facial feature point dengan ekspresi-ekspresi wajah yang berbeda. Untuk mendapatkan facial feature point pada wajah, digunakan metode ASM (Active Shape Model).
80
Gambar 4.7. Ekstraksi facial point secara real time menggunakan ASM
Seperti yang terlihat pada gambar 4.7, ASM akan menghasilkan facial feature point pada wajah. Selanjutnya koordinat facial feature point akan dinormalisasi (diberikan skala) terlebih dahulu agar koordinat ini bernilai 0 sampai 1. Normalisasi ini bertujuan untuk memudahkan SVM melakukan perhitungan matematika saat melakukan training yang didapatkan dengan rumus sebagai berikut :
Setelah
melakukan
normalisasi,
langkah
selanjutnya
ialah
menentukan kernel yang akan dipakai saat SVM melakukan training. Karena facial feature point tersebar secara non-linier, maka dipilih kernel RBF (Radial Basis Function) karena kernel ini dapat mengklasifikasikan data non-linier. Namun untuk menggunakan RBF, perlu ditentukan nilai C dan gamma terbaik agar akurasi yang dihasilkan SVM akurat. Oleh karena itu dilakukan teknik grid search, untuk mendapatkan nilai parameter C dan gamma yang paling optimal.
81
Gambar 4.8. Grid Search terhadap facial points yang telah dinormalisasi
Berdasarkan gambar 4.8, didapatkan parameter C terbaik sebesar 128.0 dan parameter gamma terbaik sebesar 0.5 dengan tingkat akurasi dari cross validation sebesar 100%. Selanjutnya, nilai C dan gamma ini akan dipakai sebagai parameter pada SVM untuk melakukan training terhadap facial point yang telah dinormalisasi. Output dari training ini akan disimpan dalam bentuk file pada Android dan dipakai untuk mengklasifikasikan ekspresi wajah berdasarkan titik yang diekstrasi secara real-time.
Gambar 4.9. Hasil Prediksi Wajah
Model hasil training ini diujikan untuk 30 sampel wajah yang berbeda-beda dan menghasilkan akurasi sebesar 56.67%. Hal ini berarti
82 dari sekitar 30 wajah yang berbeda, hanya 17 ekspresi wajah yang berhasil dapat diprediksi dengan benar. Hal ini yang menjadi kendala pada saat menggunakan ASM library.
4.1.3.3. PCA (Principal Component Analysis) Principal Component Analysis adalah sebuah metode dalam dunia matematika untuk mengurangi tingkat kompleksitas dari data-data, namun tetap mempertahankan sebagian besar variasi dari kumpulan data tersebut. Pada teknik ini, pertama-tama perlu disiapkan sampel citra ekspresi wajah yaitu potongan mulut tersenyum dan potongan mulut pada saat ekspresi netral. Untuk mendapatkan potongan mulut ini, digunakan algoritma Viola-Jones untuk mendeteksi wajah pada gambar. Setelah wajah berhasil terdeteksi maka akan dilakukan pemotongan bagian mulut dari gambar wajah. Pemotongan ini dilakukan dengan cara melakukan perubahan ukuran pada kotak berwarna hijau menjadi kotak yang berwarna jingga seperti pada gambar 4.10.
Gambar 4.10. Proses mendapatkan gambar potongan mulut pada wajah
Misalkan ada sebuah variabel H. variabel H ini didapat dari 40% dari tinggi wajah. Variabel H akan digunakan sebagai tinggi mulut.
83
Gambar 4.11. Proses pengambilan tinggi mulut
Selanjutnya, posisi Y kotak jingga akan ditambahkan dengan 60% dari tinggi wajah.
Gambar 4.12. Proses pemindahan posisi Y kotak jingga
Kemudian lebar kotak akan dipotong agar mendapatkan bagian mulut yang lebih spesifik seperti pada gambar 4.13. Pertama-tama lebar kotak jingga akan diubah menjadi 60% dari lebar wajah.
Gambar 4.13. Proses pengambilan lebar mulut
84 Tahap selanjutnya ialah melakukan pergeseran terhadap sumbu X pada kotak jingga sebesar 0.2 dari lebar wajah sehingga sesuai dengan gambar 4.10. Setelah pemotongan gambar mulut untuk ekspresi netral dan tersenyum didapatkan, maka potongan mulut akan diubah warna menjadi grayscale. Kemudian gambar yang telah di-grayscale diubah menjadi matriks dengan ukuran N x M, dimana :
N = panjang gambar mulut x lebar gambar mulut. M = jumlah gambar mulut.
Misalkan terdapat sebuah gambar mulut netral dan sebuah gambar mulut dengan ekspresi tersenyum, panjang gambar = 100 pixel, dan lebar gambar = 70 pixel maka N = 100 x 70 = 7000, sehingga matriks akan berukuran 7000 x 2. Setelah citra diubah menjadi matriks, maka akan dicari rata-rata dari matriks yang telah berisi mulut dengan ekspresi netral dan tersenyum. Kemudian, mengikuti aturan PCA, perlu ditentukan vektor eigen dan nilai eigen terbaik dari matriks covariance agar dapat dilakukan perbandingan terhadap ekspresi wajah yang ingin dikenali.
4.2. Evaluasi 4.2.1. Evaluasi User Evaluasi dilakukan dengan cara menyebarkan kuesioner uji aplikasi secara fisik (tercetak) ke beberapa masyarakat yang menggunakan smartphone. Berdasarkan penyebaran kuesioner, terdapat 30 responden yang ikut berpartisipasi dalam pengujian aplikasi. Hasil kuesioner ini telah dirangkum dan disimpulkan sebagai berikut:
85 Pertanyaan 1: Apakah penggunaan aplikasi “Locknia” mudah digunakan?
Gambar 4.14. Diagram penggunaan aplikasi Locknia berdasarkan tingkat kesulitan penggunaan
Berdasarkan gambar 4.14, dapat dilihat bahwa sebesar 22 orang merasa sangat mudah untuk menggunakan aplikasi Locknia. Sedangkan 8 orang merasa cukup mudah untuk menggunakan aplikasi Locknia. Tidak ada responden yang merasa kesulitan terhadap penggunaan aplikasi Locknia.
Pertanyaan 2: Bagaimana tingkat keamanan dari aplikasi “Locknia”?
Gambar 4.15. Diagram penggunaan aplikasi Locknia berdasarkan tingkat keamanan
Berdasarkan gambar 4.15, dapat dilihat bahwa sebesar 20 responden merasa tingkat keamanan aplikasi “Locknia” sudah sangat aman. Sedangkan 10 responden menjawab tingkat keamanan aplikasi
86 “Locknia” cukup aman. Tidak ada responden yang merasa tidak aman terhadap penggunaan aplikasi “Locknia”.
Pertanyaan 3: Apakah ada kendala selama menggunakan aplikasi “Locknia”?
Gambar 4.16. Diagram penggunaan aplikasi Locknia berdasarkan kendala selama menggunakan aplikasi
Berdasarkan gambar 4.16, sebanyak 17 responden menjawab tidak ada kendala ketika menggunakan aplikasi “Locknia”. Namun, sebanyak 13 responden menjawab terdapat sedikit kendala dalam menggunakan aplikasi “Locknia”. Jika dilihat, kendala tersebut antara lain: -
Sulit ketika awal penggunaan aplikasi “Locknia”
-
Menu How to Use sulit terlihat
-
Wajah selalu terdeteksi tersenyum walau dalam keadaan netral
-
Aplikasi terlalu sensitive karena wajah tidak boleh keluar dari wilayah unlock
87 Pertanyaan 4: Bagaimana menurut anda tampilan layar aplikasi “Locknia”?
Gambar 4.17. Diagram penggunaan aplikasi Locknia berdasarkan tingkat ketertarikan berdasarkan user interface
Berdasarkan gambar 4.17, dapat dilihat bahwa sebesar 16 responden merasa bahwa tampilan layar pada aplikasi “Locknia” sudah sangat menarik. Sedangkan 13 responden menjawab menarik. Selain itu, 1 responden merasa tampilan layar pada aplikasi “Locknia” kurang menarik.
Pertanyaan 5: Apakah petunjuk yang disediakan pada aplikasi “Locknia” mudah dimengerti?
Gambar 4.18. Diagram penggunaan aplikasi Locknia berdasarkan tingkat kemudahan petunjuk
Berdasarkan gambar 4.18, dapat dilihat bahwa sebanyak 20 responden merasa bahwa panduan yang diberikan aplikasi Locknia sangat mudah dimengerti. Sedangkan 10 responden menjawab mudah
88 dimengerti. Tidak ada responden yang menjawab panduan sulit dimengerti.
Pertanyaan 6: Bagaimana tingkat efisiensi waktu terhadap penggunaan aplikasi “Locknia”?
Gambar 4.19. Diagram penggunaan aplikasi Locknia berdasarkan efisiensi waktu.
Berdasarkan gambar 4.19, dapat dilihat bahwa sebanyak 18 responden merasa bahwa tingkat efisiensi waktu penggunaan aplikasi Locknia sangat efisien. Sedangkan 11 responden menjawab cukup efisien. Selain itu, 1 responden merasa bahwa tingkat efisiensi waktu aplikasi Locknia kurang efisien.
Pertanyaan 7: Apakah kalian akan merekomendasikan aplikasi “Locknia” kepada teman atau kolega Anda?
Gambar 4.20. Diagram ketertarikan pengguna untuk merekomendasi aplikasi Locknia.
Berdasarkan gambar 4.20, dapat dilihat bahwa sebanyak 22 responden sangat tertarik untuk merekomendasikan aplikasi Locknia kepada teman atau kolega mereka. Sedangkan 8 responden menjawab
89 tertarik untuk merekomendasikan aplikasi Locknia. Tidak ada responden yang tidak tertarik untuk merekomendasikan aplikasi Locknia.
Setelah dilakukan implementasi dan testing, ditemukan beberapa kelebihan dan kekurangan dari aplikasi melalui kuesioner, antara lain:
Kelebihan aplikasi yang dikembangkan: 1. Aplikasi secara umum sangat mudah digunakan. 2. Tingkat keamanan dari aplikasi Locknia ialah sangat aman. 3. User Interface pada aplikasi Locknia sangat menarik untuk digunakan. 4. Petunjuk yang disediakan sangat mudah dimengerti. 5. Waktu yang dibutuhkan sangat efisien untuk menggunakan aplikasi Locknia. 6. User sangat merekomendasikan aplikasi Locknia untuk digunakan sebagai lock screen.
Kekurangan aplikasi yang dikembangkan: 1. Pencocokan wajah terhadap lingkaran yang disediakan yang dirasa cukup sulit. 2. Waktu untuk masuk ke menu PIN terlalu cepat. 3. Terkadang sulit untuk pendeteksian wajah. 4. Muka beberapa user selalu dianggap tersenyum. 4.3. Penggunaan Aplikasi Sebelum memulai menjalankan aplikasi Locknia, user perlu mendownload OpenCV Manager terlebih dahulu agar aplikasi Locknia dapat berfungsi dengan baik. OpenCV Manager dapat di download dari link sebagai berikut:
https://play.google.com/store/apps/details?id=org.opencv.engine
90 Pada saat aplikasi dijalankan, akan tampil menu utama seperti gambar 4.21.
Gambar 4.21. Tampilan menu utama
Langkah pertama yang dilakukan ialah menekan tombol Setting New password terlebih dahulu. Setting new password ini berfungsi untuk menyimpan citra yang nantinya akan digunakan untuk melakukan face processing.
Gambar 4.22. Tampilan pengambilan wajah untuk di-training
Setelah menekan tombol Setting New Password, maka akan ditampilkan kamera seperti pada gambar 4.22. Di sebelah kiri atas terdapat tulisan yang berupa petunjuk untuk menggunakan aplikasi. Kemudian, disebelah wajah terdapat timer dengan hitungan mundur dimulai dari angka 5 hingga angka 1. Selama timer berjalan, maka dilakukan proses pengambilan gambar.
91
Gambar 4.23. Tampilan pengambilan PIN sebagai secondary password
Setelah gambar berhasil diambil, user dapat memasukkan PIN dan confirm PIN sebagai alternatif jika terjadi kegagalan dalam melakukan face unlock. Setelah user menginput PIN dan confirm PIN, maka tampilan akan kembali ke menu utama. Jika button Lock ditekan, maka tampilan akan berubah seperti gambar 4.24.
Gambar 4.24. Tampilan layar utama ketika aplikasi terkunci
Jika button gambar Unlock ditekan, maka akan muncul kamera seperti gambar 4.25.
92
Gambar 4.25. Tampilan pengambilan gambar dan ekspresi untuk melakukan unlock screen
Pada gambar 4.25, dapat dilihat terdapat lingkaran hijau yang menandakan bahwa terdapat wajah. Selain itu, di sisi kiri atas, terdapat petunjuk yang menandakan bahwa ekspresi wajah harus netral untuk pertama kali. Jika ekspresi wajah telah netral, maka petunjuk akan berubah menjadi “Change Your Expression”. Jika ekspresi wajah berubah, maka layar akan terbuka kembali. Namun, jika terdapat kesalahan dalam melakukan unlock screen, misalnya tidak ada perubahan ekspresi (Expression Doesn’t Change), maupun wajah tidak dikenali (Face Not Recognized) maka user akan diminta untuk meng-input PIN yang sesuai.
Gambar 4.26. Proses Unlock menggunakan PIN
