BAB 4 HASIL DAN PEMBAHASAN
4.1
Implementasi
4.1.1
Spesifikasi Sistem Spesifikasi komputer yang digunakan dalam melakukan simulasi pada aplikasi
perancangan pencarian daftar hitam dengan deteksi wajah berdasarkan database SQL ini ditunjukkan pada Tabel 4.1 : Tabel 4.1 Spesifikasi perangkat keras Intel® Core™ 2 Duo Processor T6500 (2.1 Processor Ghz, 800Mhz FSB) Chipset
Intel® GM45
Memory
4GB DDR3 RAM 1066 MHz
Graphic
NVIDIA GeForce G105M
Monitor
14” HD Acer CineCrystal™ LED LCD Integrated Acer Crystal Eye 1.3MP
Kamera Webcam
Tabel 4.2 Spesifikasi perangkat lunak Sistem Operasi
Microsoft® Windows 7 Professional
Framework
Microsoft .NET Framework 2.0
IDE
Microsoft Visual Studio 2012
Library
EmguCV 87
88 4.1.2
Penggunaan Aplikasi Saat aplikasi dijalankan, maka form utama akan ditampilkan seperti pada
Gambar. Jika data training citra wajah belum ada di database, maka pesan akan ditampilkan seperti yang ditunjukkan di dalam Gambar 0.2 .
Gambar 4.1 Form utama (main form)
Gambar 4.2 Pesan jika belum ada data di database
89 Langkah pertama yang perlu dilakukan adalah memasukkan training data ke dalam database dengan memilih menu “Training Data”.
Gambar 4.3 Mengakses form input training data
Proses penambahan data training citra wajah dapat dilakukan dengan menangkap secara langsung citra wajah yang tertangkap oleh webcam yang sedang aktif. Pengguna dapat menekan tombol “Capture” pada saat ada citra wajah yang sedang tertangkap oleh proses deteksi yang ditunjukakan dengan adanya kotak merah, hijau, atau biru sesuai posisi arah wajah. Citra wajah yang berhasil ditangkap akan ditambahkan ke dalam listbox “Face Image”.
90
Gambar 4.4 Form input data training melalui kamera webcam (realtime capture)
91
Gambar 4.5 Tampilan form input data training dengan wajah yang berhasil ditangkap Citra wajah yang berhasil ditangkap diberi nama berdasarkan penggunaan pose saat deteksi dilakukan. Untuk pose dari depan ditandai dengan “Frontal Face Image i”, pose dari kanan ditandai dengan “Right Face Image i”, dan pose dari kiri ditandai dengan “Left Face Image i” (variabel i sebagai penomoran) seperti ditunjukkan pada Gambar ) Citra wajah yang ditangkap akan ditampilkan ke dalam listbox “Face Image”. Bila citra wajah yang ditangkap tidak muncul di listbox “Face Image” maka pilih
92 “Refresh List Face Image” untuk menampilkannya. Citra wajah yang belum muncul tadi, akan segera ter-refresh dan ditampilkan di listbox “Face Image”.
Untuk
menghapus citra wajah yang telah ditangkap, dipilih “Delete Selected Image”. Citra wajah yang dipilih akan terhapus dari listbox “Face Image”.
Gambar 4.6 Me-refresh data citra wajah dalam listbox “Face Image”
Gambar 4.7 Menghapus data citra wajah dalam listbox “Face Image”
Pengisian data training seperti nama, jenis kelamin, alamat, tanggal lahir, kasus kriminalitas, tanggal, masuk dan keluar penjara dilakukan pada form “Training Data” di panel bagian kanan. Gambar pengisian data profil ditunjukkan seperti gambar di bawah ini.
93
Gambar 4.8 Tampilan pengisian data training database
Setelah citra wajah telah ditambahkan dan semua data-data training telah diisi, maka pilih tombol “Save” untuk menyimpan data training ke dalam database. Pilih tombol “Cancel” untuk membatalkan operasi input data ke dalam database.
Gambar 4.9 Proses menyimpan data training ke dalam database
94
Gambar 4.10 Proses membatalkan penyimpanan data training ke dalam database
Setelah data training disimpan, proses pengenalan wajah dapat dilakukan dengan memilih sumber masukan. Sumber masukan dapat berupa tangkapan secara realtime, citra digital statis, atau video. Untuk sumber masukan berupa realtime capture, dapat dipilih tombol “Turn On Camera”.
Gambar 4.11 Proses deteksi dan pengenalan citra wajah realtime capture
95 Citra wajah yang berhasil dideteksi akan ditandai dengan kotak berwarna merah(depan), biru(kiri), atau hijau(kanan) sesuai dengan pose yang terdeteksi. Sedangkan citra wajah yang berhasil dikenali akan dicatat dan ditambahkan ke dalam “List View” di bagian bawah form Main View.
Gambar 4.12 Proses deteksi dan pengenalan citra wajah realtime capture dikenali dan dicatat dalam List View
Untuk sumber masukan berupa citra digital statis, dapat dipilih tombol “Input Image”. Tombol “Input Image” ditunjukkan pada gambar di bawah ini.
96
Gambar 4.13 Mengakses form input image
Gambar 4.14 Form citra dengan masukan gambar digital Pada tampilan rancangan layar form Input Image, pengguna dapat memasukan citra wajah digital dengan memilih tombol “Browse”. Citra wajah digital yang telah dipilih akan ditampilkan di panel bagian kiri .
Untuk mencocokkan citra wajah digital yang dipilih dengan citra wajah dari database, maka dipilih “Predict”. Bila citra wajah digital yang dipilih cocok dengan
97 citra wajah pada database, maka data-data orang tersebut akan dimunculkan di panel bagian kanan. Untuk sumber masukan berupa video, dapat dipilih tombol “Input Video”. Lalu pilih video yang ingin dicocokan citra wajahnya dengan citra wajah di database.
Gambar 4.15 Mengakses form input video
Gambar 4.16 Form citra dengan masukan video
98 Semua citra wajah yang cocok dengan citra wajah yang terdapat di database akan disimpan dan dapat dilihat di “View All History”. Isi dari form View All History adalah detil dari citra wajah yang telah dikenali tersebut.
Gambar 4.17 Mengakses form view all history
Gambar 4.18 Form view all history
99 Untuk melihat semua data yang tersimpan di database.. Maka dipilih “View “ All Data”. ”. Pada form ini akan ditampilkan citra wajah dan data diri secara detil dari setiap orang yang telah disimpan datanya di dalam database.
Gambar 4.19 Mengakses form view all data
Gambar 4.20 Form view all data Pengaturan deteksi dan pengenalan dapat dilakukan dengan membuka form “Settings” dengan memilih tombol “Settings”. Di dalam form ini pengguna dapat mengatur nilai threshold yang ingin dipakai. Rentang nilai threshold yang dipilih di adalah 1000-5000.
100
Gambar 4.21 Mengakses form Settings
Gambar 4.22 Tampilan form Settings
4.2
Ilustrasi Blacklisting
4.2.1
Blacklist Administration Blacklist Administration merupakan proses memasukan data-data data orang yang
masuk ke dalam daftar hitam kepolisian ke dalam database. Data input berupa citra wajah, nama, alamat,, tanggal lahir, kasus kriminalitas kriminalitas,, dan tanggal masuk serta keluar penjara. Satu tu data terdiri dari banya banyak citra wajah(depan, kiri, dan kanan).. Semakin S banyak citra wajahnya, maka hasil hasilnya akan semakin valid. Dengan dilakukannya proses
101 Blacklist Administration, maka setiap orang yang tertangkap oleh kamera, dapat dikenali dan dicatat di histori. Dengan begitu sistem ini dapat membantu pihak kepolisian untuk mengetahui keberadaan dari orang-orang yang masuk ke dalam daftar hitam kepolisian.
Gambar 4.23 Ilustrasi training data pada Blacklisting
102 4.2.2
Multiple Face Identification Multiple Face Identification merupakan proses identifikasi citra wajah yang
tertangkap kamera dengan citra wajah yang berada pada data training di database. Proses yang dilakukan adalah kamera mengambil dan menyimpan foto setiap 1 detik dari offline video atau realtime video. Citra wajah yang tertangkap akan di-capture dan citra wajah tersebut akan dicocokkan dengan citra wajah pada data training di database. Untuk mengetahui orang yang masuk ke dalam daftar blacklist, dapat dilihat pada kolom Wanted.Dari contoh ilustrasi Gambar 4.24, orang yang masuk ke dalam daftar blacklist berjumlah empat orang (Lea, Keren, Iren, Albert).
Gambar 4.24 Ilustrasi data-data pada database
Citra wajah masukan yang terdeteksi akan diberikan tanda berupa kotak berwarna merah, hijau, atau biru sesuai dengan posisi wajah yang tertangkap. Citra wajah masukan yang cocok dengan citra wajah pada data training di database dan
103 masuk ke dalam daftar blacklist akan dicatat dan ditampilkan dalam kolom List View seperti yang ditunjukkan pada Gambar 4.25. Detail yang ditampilkan berupa nama, tanggal capture, dan waktu capture. Gambar yang cocok disimpan & dilakukan pencatatan histori. Dengan adanya proses Multiple Face Identification ini, para pelaku tindak kriminalitas yang masuk dalam daftar blacklist dapat diketahui nama, tanggal dan waktu keberadaannya, dan diharapkan dengan adanya sistem ini dapat membantu pihak kepolisian untuk menangkap para pelaku tindak kriminalitas.
Gambar 4.25 Ilustrasi multiple face identification
104 4.3
Hasil Analisis Data dan Pembahasan
4.3.1
Analisis Data Tujuan dari perancangan ini adalah menemukan citra wajah orang yang berada
pada data training yang masuk ke dalam daftar blacklist dengan posisi citra wajah dari kiri, tengah, atau kanan. Analisis data dalam perancangan ini didapat dengan melakukan simulasi penggunaan sistem yang telah dibuat untuk mengetahui beberapa hal berikut: a.
Posisi pengambilan citra wajah manakah yang digunakan agar sistem dapat melakukan pengenalan citra wajah dengan optimal.
b.
Berapa nilai threshold yang paling cocok digunakan bergantung pada jumlah data training yang digunakan.
c.
Berapa jumlah orang yang dapat dikenali sistem untuk dicocokkan citra wajahnya dengan citra wajah yang di database.
d.
Apakah metode Linear Discriminant Analysis dapat menemukan citra wajah orang yang di blacklist pada database. Dalam perancangan ini, data training citra wajah diambil dari beberapa orang
dengan posisi kamera dari kiri, tengah, dan kanan. Variasi sudut pengambilannya adalah -67.5o, -45o, -22,5o, 0o, 22,5o, 45o, 67,5o terhadap axis tegak lurus bidang rata. Hal ini dilakukan agar variasi data training citra wajah banyak dan nilai threshold yang optimal dapat diprediksi.
105
Gambar 4.26 Axis tegak lurus bidang rata Citra wajah yang menjadi data training dalam percobaan simulasi ini diantaranya : Tabel 4.3 Citra wajah yang menjadi data training No.
Wajah Depan
Wajah Kanan
Wajah Kiri
Nama
1.
Lea
2.
Dennis
3.
Keren
106
4.
Ivan
5.
Darmawan
6.
Ritchie
7.
Albert
8.
Mega
107
9.
Iren
10.
Robert
4.3.2
Pembahasan Citra wajah yang terdeteksi ditandai oleh kotak berwarna merah, biru, dan hijau.
Kotak berwarna merah menandakan citra wajah yang terdeteksi sebagai citra wajah dari bagian depan (frontal face), kotak berwarna biru menandakan citra wajah yang terdeteksi sebagai citra wajah dari sebelah kiri (left profile face), dan kotak berwarna hijau menandakan citra wajah yang terdeteksi sebagai citra wajah dari sebelah kanan (right profile face). Jika dari citra wajah yang terdeteksi tersebut berhasil dikenali sebagai salah satu dari data training, maka akan ditampilkan data hasil pengenalan ke dalam listbox yang ada di bagian bawah. Melakukan double-click pada tombol “View All History” di bagian kanan bawah akan menampilkan jendela baru dengan detil pengenalan yang berhasil dilakukan, yaitu citra wajah yang ditangkap. Proses simulasi pertama dilakukan dengan menggunakan nilai threshold sebesar 3000, menggunakan 10 sampel, dan dalam waktu 60 detik. Hasil
108 simulasi ditunjukkan pada Tabel 4.5. Keakuratan pengenalan dilihat dari variasi jumlah sudut yang tersedia sebagai data training ditunjukkan pada Tabel 4. dengan perhitungan berikut: % keakuratan
∑ berhasil % ∑ terdeteksi
Tabel 4.4 Variasi data training Variasi Sudut Pengambilan Variasi Sisi Kiri
Sisi Depan
Sisi Kanan
I
22.5o
0o
22.5o
II
45o
0o
45o
III
22.5o, 45o
0o
22.5o, 45o
IV
45o, 67.5o
0o
45o, 67.5o
V
22.5o, 45o, 67.5o
0o
22.5o, 45o, 67.5o
Tabel 4.5 Hasil simulasi berdasarkan variasi data training Jumlah
Jumlah
Terdeteksi
Berhasil
I
278
172
61.87%
II
318
198
62.22%
III
365
256
70.13%
IV
412
299
72.57%
V
489
397
81.18%
Variasi
% keakuratan
109
Proses simulasi kedua dilakukan dengan menggunakan nilai threshold sebesar 3000, menggunakan 10 sampel, sudut citra wajah data training-nya menggunakan variasi V dan dalam waktu 60 detik. Hasil simulasi ditunjukkan pada Tabel 4.6.
Tabel 4.6 Hasil simulasi untuk setiap sampel
No.
Jumlah
Jumlah
Terdeteksi
Berhasil
Nama
1.
Lea
40
31
2.
Dennis
45
39
3.
Keren
52
37
4.
Ivan
46
38
5.
Darmawan
48
39
6.
Ritchie
55
42
7.
Albert
47
41
8.
Mega
57
50
9.
Iren
45
37
10.
Robert
54
43
489
397
Total
Berdasarkan hasil simulasi di atas, maka dapat dihitung keakuratan sistem dalam mengenali setiap wajah yang terdeteksi adalah:
110 % keakuratan
∑ berhasil % ∑ terdeteksi %
. % Proses simulasi ketiga dilakukan dengan menggunakan 10 sampel, sudut citra wajah data training-nya menggunakan variasi V, dalam waktu 60 detik, dan beberapa variasi nilai threshold. Variasi nilai threshold yang digunakan dalam pengujian adalah 1000, 2000, 3000, 4000, 5000. Hasil simulasi dan keakuratan pengenalan dilihat dari variasi jumlah sudut yang tersedia sebagai data training ditunjukkan pada Tabel 4.7. Keakuratan pengenalan dilihat dari keberhasilan pengenalan berdasarkan nilai threshold dihitung dengan rumus berikut: % keakuratan
∑ berhasil % ∑ dikenali dalam batas threshold
Hasil perhitungan keakuratan berdasarkan nilai threshold ditunjukkan pada Tabel 4.3 : Tabel 4.3 Hasil simulasi berdasarkan variasi nilai threshold Jumlah Nilai No.
Dikenali
Jumlah
dalam Batas
Berhasil
Threshold
% keakuratan
Maksimum Threshold 1.
5000
512
331
64.64%
2.
4000
493
348
70.58%
3.
3000
489
397
81.18%
4.
2000
426
412
96.71%
111 5.
1000
424
424
100%
Maka dapat diambil kesimpulan secara umum terhadap hubungan jumlah data training citra wajah dan nilai threshold adalah sebagai berikut: 1.
Semakin banyak citra wajah yang digunakan dalam melakukan training(dari berbagai sudut), maka pengenalan akan semakin baik. Dapat dilihat pada hasil penelitian melakukan variasi perubahan data training set yang digunakan.
2.
Semakin rendah nilai threshold, kemiripan citra wajah masukan dengan citra wajah training pada database semakin tinggi, tetapi dapat mengurangi keberhasilan pengenalan (semakin sulit untuk dikenali atau sulit terdeteksi) .
3.
Semakin tinggi nilai threshold, semakin tinggi kemungkinan mengenali citra wajah masukan dengan citra wajah di dalam data training, tetapi semakin tinggi kemungkinan kesalahan pencocokkan dengan data training pada database.
Kegagalan dalam pengenalan dapat disebabkan oleh beberapa hal berikut: 1.
Citra digital yang kurang jelas atau mengalami gangguan (noise) yang berlebihan.
2.
Adanya kemiripan antara citra wajah yang satu dengan citra wajah yang lainnya.
3.
Sudut putaran kepala yang tidak tersedia di dalam data training.
112 4.4
Perbandingan Aplikasi Pengenalan Wajah Perbandingan aplikasi pengenalan wajah :
1.
Pemecahan Masalah Pengenalan Citra Wajah Secara Realtime dengan Variasi Pose Menggunakan Metode Eigenfaces(Prasetyo, 2012)
2.
Perancangan Program Aplikasi Pengenalan Wajah dengan Metode Orthogonal Laplacianfaces(Adiran, 2011)
3.
Pengembangan Aplikasi Sistem Pengenalan Wajah Menggunakan Local Binary Pattern dengan Variasi Posisi Wajah(Jeffrey Joson, Ade Mahendra Lubis, Muhammad Zullidar, 2013)
Tabel 4.8 Perbandingan Aplikasi Pengenalan Wajah
No.
Metode
Platform
1.
Fiherfaces
Desktop
2.
Eigenfaces
Desktop
3.
Orthogonal Laplacianfaces
Desktop
4.
Local Binary Pattern
Desktop
% Jumlah Variasi Keakuratan Compiler Posisi Maksimum Wajah 5 100% Microsoft Visual Studio 2012 Ultimate, EmguCV 11 100% Microsoft Visual Studio 2010 Ultimate, EmguCV 1 98.268% Ms Visual C# 2008 Express Edition & Matlab R2010a 11 100% Microsoft Visual Studio 2010 Ultimate, OpenCV
