BAB 4 PENGUJIAN DAN ANALISIS SISTEM Bab ini akan membahas mengenai proses pengujian dari sistem yang dirancang terhadap beberapa citra dijital replika kulit. Pengujian terhadap sistem ini dilakukan untuk mengetahui seberapa jauh kinerja dari algoritma analisis citra dapat menentukan karakteristik citra tekstur kulit dalam bentuk suatu bilangan numerik, berdasarkan parameter referensi yang didapatkan dari PT. Martina Berto. Setelah membahas mengenai proses pengujian sistem, maka akan dilanjutkan dengan tahap analisis sistem terhadap hasil pengujian dan prosesproses yang berkaitan.
4.1. Pengujian sistem
Seperti telah dijelaskan pada bab sebelumnya, proses analisis citra tekstur kulit akan menggunakan beberapa model JST yang divariasikan menurut jumlah neuron di dalam hidden layer. Fokus utama di dalam tahap pengujian sistem adalah pemeriksaan setiap model dari JST tersebut. Hasil dari sistem JST adalah suatu nilai parameter (dari masing-masing parameter referensi) yang diharapkan dapat merepresentasikan perubahan kondisi tekstur kulit, yaitu perbedaan nilai saat sebelum maupun setelah diberikan moisturizer. Pertama-tama, 120 citra dijital grayscale dari tekstur kulit dengan resolusi 128 x 128 piksel akan memasuki tahap ekstraksi fitur, yang akan menghasilkan nilai-nilai dari fitur tekstur Haralick. Setelah proses ekstraksi fitur, maka selanjutnya akan dilakukan proses seleksi fitur. Sistem analisis citra tekstur kulit menggunakan JST yang telah dirancang membutuhkan tiga buah fitur tekstur hasil proses seleksi dan akan menghasilkan dua buah keluaran dari model JST pertama dan sebuah keluaran dari model JST kedua yang merepresentasikan kondisi tekstur kulit. Sebelum memasuki proses pengujian JST, maka akan ditentukan fitur-fitur tekstur yang memiliki korelasi terbesar dengan parameter referensi R2
64
5
6
7
COR
VAR
IDM
9
65
-0,355
-0,641
1
Information Measures of 14 -0,9412 Correlation I
-0,9063 -0,6623
5
4
3
2
0,87909 0,69051 0,70668 -0,358
-0,6632 -0,4777
0,8057
-0,8498
1 -0,7267
0,97768
1
0,83837
-0,5443
-0,358
-0,2949 0,20132 -0,6728 -0,8128
-0,6638
0,80683
-0,7042 0,65339 0,54584
-0,73
1
7
6
5
4
3
2
1
0,49794 Sum Average 8
IDM
VAR
COR
CON
ASM
R4
R2
0,99768 -0,4777 0,86277 0,69051 0,73857 -0,6623 0,41039 0,47931 Sum Variance 9
0,4286
-0,5316
-0,7291 0,57313 0,57345
-0,7776 0,80746 -0,7162
0,8064
0,43009 -0,7832 0,47167 0,56401
1
1
-0,5033 0,85666 0,70668 0,73829 -0,6888
1
0,76693
1
0,43009
-0,7042
-0,73
1
1
-0,5742
0,8057 -0,5926 0,97352
-0,641
0,82011 -0,7932 0,90106
-0,3828
0,7784
-0,8843 0,81124 -0,7351
-0,7066
-0,355
-0,9472
-0,3472 0,62409 -0,3236
-0,4633
13
12
11
Information Measures of 14 Correlation I
Difference Entropy
Difference Variance
ENT
Information 0,76717 0,98009 0,49153 -0,7914 0,47626 0,57066 Measures of 15 Correlation II
-0,7136 0,13883 -0,7665
0,5741
-0,557
0,86577 -0,9308 0,71883 0,66712
0,83837 0,85128 -0,6632 0,93048 0,87909 0,78259 -0,9063 0,65666 0,65469 Sum Entropy 10
1
1
-0,5033
1
0,76693
0,8064
-0,7832
-0,7162 0,57313 0,47167 0,65339
-0,9765 0,89126 0,78658 0,67899 0,69146 -0,9114 0,73789 0,43339 0,96023 -0,7982 0,71731
1
6
-0,6888 0,80746 -0,7291
0,4286
-0,9412 0,47954 -0,4082 0,79716 0,89164 0,71414 0,73052
1
13 0,47954 -0,2949
Difference Entropy
1
12 -0,4082 0,20132 -0,9765
Difference Variance
11 0,79716 -0,6728 0,89126 -0,8498
Information Measures of 15 Correlation II
7
0,90106 0,93048 0,86277 0,85666 -0,5443
0,7784
0,13883 -0,9114 0,97352 -0,7932
0,76717 -0,7665 0,73789
0,98009 -0,9472 0,43339 -0,3828
Sum Entropy 10 0,89164 -0,8128 0,78658 -0,7267 0,97768
ENT
8
0,49153 -0,3472 0,96023 -0,8843 0,86577 0,78259 0,73857 0,73829 -0,7776
-0,7914 0,62409 -0,7982 0,81124 -0,9308
0,71414 -0,7066 0,67899 -0,5742
4
CON
10
0,66712 0,65469 0,47931 0,49794 -0,5316 0,57345 0,56401 0,54584 -0,6638 0,80683
11
Sum Variance 9
3
ASM
-0,557
12
0,47626 -0,3236 0,71731 -0,7351 0,71883 0,65666 0,41039
0,5741
13
0,73052 -0,7136 0,69146 -0,5926 0,82011 0,85128 0,99768
2
R4
0,57066 -0,4633
14
Sum Average 8
1
R2
15
dan R4 melalui proses perbandingan. Tabel 4.1 di bawah ini akan menunjukkan koefisien korelasi dari setiap fitur-fitur tersebut. Tabel 4. 1. Koefisien korelasi antara fitur tekstur Haralick dengan parameter referensi
Dari hasil penghitungan koefisien korelasi tersebut, maka terlihat bahwa fitur-fitur yang memiliki nilai korelasi terbesar untuk parameter R2 adalah Angular Second Moment (ASM), Sum Entropy, dan Entropi, sedangkan fitur-fitur
yang memiliki nilai korelasi terbesar untuk parameter R4 adalah Angular Second Moment (ASM), Entropi, dan Difference Variance. Fitur Angular Second Moment
(ASM) dan Entropi merupakan bagian dari fitur seleksi untuk parameter R2 dan R4. Akan tetapi, ada dua fitur yang bukan merupakan bagian dari kedua parameter tersebut, yaitu Sum Entropy (untuk R2) dan Difference Variance (untuk R4). Untuk mengatasinya, maka kedua fitur tekstur tersebut akan digunakan dalam fitur-fitur hasil seleksi, sehingga jumlah fitur hasil seleksi yang semula berjumlah tiga fitur akan berubah menjadi empat fitur. Hasil akhir yang didapat pada proses seleksi fitur ini adalah empat buah fitur tekstur Haralick, yaitu Angular Second Moment (ASM), Sum Entropy, Entropi, dan Difference Variance.
Keempat fitur tersebut akan menjadi komponen masukan dalam sistem JST, sehingga konfigurasi sistem JST yang digunakan akan ditunjukkan pada gambar 4.1 dan 4.2. Dalam proses pelatihan JST sebelumnya, citra latih yang digunakan berjumlah 100 citra. Sedangkan untuk proses pengujiannya akan membutuhkan semua citra tekstur kulit, yaitu sebanyak 120 citra, termasuk di dalamnya 100 citra latih.
Gambar 4. 1. Proses analisis citra menggunakan JST model pertama dengan empat masukan
66
Gambar 4. 2. Proses analisis citra menggunakan JST model kedua dengan empat masukan
Proses pengujian ini dilakukan dengan tujuan untuk mengetahui model JST terbaik yang dapat menghasilkan suatu nilai yang menyerupai karakteristik dari parameter referensi (baik yang menggunakan data latih R2 maupun R4, secara bersamaan ataupun secara individual), dengan melakukan penghitungan nilai MSE dari setiap nilai keluaran sistem JST dengan parameter referensi R2 dan R4. Jika MSE bernilai kecil, maka keluaran model JST tersebut dianggap memiliki perbedaan yang kecil dengan parameter referensi, sehingga model JST yang demikian merupakan model yang cukup representatif. Tabel 4. 2. Tabel hasil perhitungan MSE untuk setiap model JST Perhitungan MSE untuk model kedua dengan 1 keluaran
Perhitungan MSE untuk model pertama dengan 2 keluaran Tipe JST 1 2 3 4
MSE R2
MSE R4
0,008109 0,007813 0,006253 0,005578
0,000279 0,000274 0,000295 0,000209
Tipe JST 1 2 3 4
MSE R2
MSE R4
0,008105 0,007843 0,006391 0,005499
0,00024 0,000223 0,000158 0,000171
Dari tabel 4.2 dapat terlihat bahwa nilai MSE terkecil dalam model JST pertama didapatkan dari JST dengan empat neuron di bagian hidden layer untuk parameter R2 dan R4. Sedangkan untuk model JST kedua, nilai MSE terkecil
67
didapatkan dari sistem JST dengan tiga neuron hidden layer untuk parameter R4 dan JST dengan empat neuron untuk parameter R2. Pemilihan model JST yang dapat menghasilkan nilai yang paling sesuai dengan parameter R2 dan R4 dilakukan dengan penghitungan persentase tingkat kecocokan dari setiap model di atas. Persamaan yang digunakan untuk menghitung tingkat kecocokan adalah sebagai berikut:
1 N
⎧⎪ (xi ,hasil − xi ,referensi ) × 100 % ⎫⎪ 100 % − ⎨ ⎬ ∑ xi ,referensi ⎪⎭ i =1 ⎪ ⎩ N
(4.1)
Tingkat kecocokan nilai dari masing-masing model tersebut terhadap nilai parameter referensi diberikan dalam Tabel 4.3 di bawah ini: Tabel 4. 3. Tingkat kecocokan model JST optimal terhadap R2 dan R4
JST model pertama dengan 2 keluaran JST model kedua dengan 1 keluaran
MSE terhadap R2
MSE terhadap R4
Tingkat kecocokan sistem (%) terhadap R2
Tingkat kecocokan sistem (%) terhadap R4
JST dengan 4 neuron
0,005578
0,0002092
91,83909
93,48172
JST dengan 3 neuron
0,006391
0,000158
-
94,5666
JST dengan 4 neuron
0,005499
0,000171
92,21921
-
Tabel 4.3 di atas menunjukkan kecocokan nilai dari setiap model JST yang dikaitkan dengan masing-masing parameter yang berkaitan. Dari tabel tersebut maka didapatkan hasil sebagai berikut: •
Model JST pertama (dua keluaran) memiliki tingkat kecocokan sebesar 91,83909% untuk perhitungan terhadap R2 dan kecocokan sebesar 93,48172% untuk perhitungan terhadap R4, dimana kedua-duanya menggunakan konfigurasi empat neuron hidden layer.
•
Model JST kedua (satu keluaran) memiliki kecocokan sebesar 92,21921% untuk perhitungan terhadap R2 menggunakan empat neuron hidden layer
68
dan kecocokan sebesar 94,5666% untuk perhitungan terhadap R4 menggunakan tiga neuron.
4.2. Analisis sistem
Pada bagian ini akan diberikan suatu analisis mengenai langkah-langkah yang dilakukan di dalam penelitian ini, di antaranya adalah proses akuisisi citra, tahap pre-processing, proses ekstraksi fitur, dan tahap analisis citra menggunakan jaringan saraf tiruan (JST). Pada proses akuisisi citra, kendala yang dihadapi secara langsung adalah adanya gelembung udara dan ketebalan replika yang tidak sama. Gelembung udara tidak memiliki warna (bening) jika dibandingkan dengan daerah sekitarnya yang berwarna biru. Sedangkan ketebalan replika yang berbeda-beda akan berdampak pada intensitas warna yang tidak merata, dimana bagian replika yang lebih tebal memiliki warna yang lebih gelap daripada daerah sekitarnya. Sebagai solusinya, maka dari satu citra replika kulit akan diambil tiga buah citra yang dianggap mewakili semua karakteristik replika tersebut, dimana sifat-sifat citra tersebut hampir sama satu dengan yang lain (tidak ada perbedaan yang terlalu besar, baik dalam masalah intensitasnya ataupun sifat-sifat lainnya). Cara seperti ini juga dilakukan oleh pihak PT. Martina Berto dalam melakukan analisis tekstur kulit. Pada proses selanjutnya, telah dihitung bahwa nilai error terkecil akan didapatkan jika citra masukannya memiliki distribusi intensitas yang merata, artinya pada citra tersebut tidak memiliki daerah yang lebih gelap dari yang lain atau daerah yang lebih terang dari yang lain (dalam kasus ini, selain kedalaman daerah kerutan kulit). Untuk mengatasi masalah ini, diharapkan adanya devais akuisisi citra disertai perangkat lunak yang lebih baik. Di dalam proses pre-processing, metode yang digunakan adalah algoritma RETINEX. Algoritma tersebut bertujuan untuk mengatasi masalah kontras pada citra akibat pengaruh pencahayaan pada obyek yang berbeda-beda. Algoritma RETINEX membutuhkan masukan berupa citra logaritmik dan jumlah iterasi yang dibutuhkan. Jumlah iterasi tidak perlu terlalu besar, karena akan meningkatkan jarak spasial antar piksel yang bertetangga. Jika jumlah iterasinya terlalu besar,
69
maka citranya hampir sama dengan citra asal sebelum menggunakan algoritma RETINEX, sehingga perbedaannya sulit untuk diamati. Setelah citra dinormalisasi menggunakan algoritma RETINEX, maka selanjutnya adalah mengubah citra RGB tersebut menjadi citra grayscale. Hal ini bertujuan untuk melakukan penyederhanaan dalam proses perhitungan (dimensi ruang dari citra grayscale lebih kecil daripada citra RGB) dan citra grayscale dibutuhkan untuk proses ekstraksi
fitur
menggunakan
matriks
kookurensi
(GLCM,
Gray-Level
Coocurrence Matrix).
Untuk proses ekstraksi fitur, pendekatan yang digunakan adalah pendekatan statistik dengan ekstraksi fitur orde kedua. Fitur-fitur statistik yang digunakan adalah fitur tekstur Haralick [1]. Fitur-fitur tersebut membutuhkan komponen matriks kookurensi yang berasal dari masing-masing citra dijital replika kulit. Langkah selanjutnya adalah menentukan hubungan antara fitur tekstur Haralick tersebut dengan parameter referensi menggunakan korelasi. Setelah itu, fitur-fitur tersebut akan diseleksi kembali berdasarkan nilai korelasi terbesarnya. Hal ini dilakukan karena tidak semua fitur dapat merepresentasikan kondisi tekstur kulit dengan baik. Fitur tekstur menggunakan matriks kookurensi ini merupakan metode yang bersifat rotation invariant, sehingga walaupun citra dirotasi dalam orientasi apapun, maka karakteristiknya akan tetap sama. Proses utama yang dilakukan adalah menganalisis citra dijital tekstur kulit menggunakan jaringan saraf tiruan (JST). Model JST yang dirancang menggunakan model feed-forward back propagation. Model tersebut dipilih karena memiliki cara kerja yang sederhana dan telah banyak digunakan oleh para ahli. Sistem JST ini dibuat sedemikian rupa sehingga akan menghasilkan suatu nilai parameter tertentu dari citra tekstur kulit, dengan menggunakan fitur tekstur Haralick sebagai masukannya. Dari replika kulit yang diambil berdasarkan periode waktu tertentu (T = 0 minggu s/d T = 4 minggu) dan dengan penggunaan moisturizer, maka akan dihasilkan suatu nilai yang merepresentasikan kondisi
tekstur kulit tersebut. Dengan melihat perbedaannya dan mengacu pada nilai parameter dari alat komersial, maka kemanjuran moisturizer yang digunakan pada kulit subyek dapat diketahui, apakah dapat memperbaiki tekstur kulit atau tidak.
70
Tabel 4. 4. Contoh nilai-nilai yang dihasilkan oleh sistem JST dibandingkan dengan parameter referensi No. Citra 1 2 3 4 5 6
Parameter referensi dari PT. Martina Berto R4 R2 0,78333 0,20667 0,78333 0,20667 0,78333 0,20667 0,59667 0,15333 0,59667 0,15333 0,59667 0,15333
Hasil JST model pertama 4 neuron
Hasil JST model kedua 4 neuron
3 neuron
B12 ≈ R2 0,77801 0,73769 0,78888 0,56538 0,60793 0,55553
B22 ≈ R4 0,1995 0,19313 0,19985 0,14763 0,15333 0,1467
B12 ≈ R2 0,76157 0,75103 0,75953 0,55059 0,55107 0,55054
B22 ≈ R4 0,1959 0,19471 0,1946 0,15028 0,15395 0,14966
13 14 15 16 17 18
0,54 0,54 0,54 0,65667 0,65667 0,65667
0,13 0,13 0,13 0,17 0,17 0,17
0,52692 0,5452 0,52931 0,74401 0,72271 0,71562
0,14044 0,14152 0,14061 0,18656 0,16961 0,18239
0,55058 0,55059 0,55059 0,69834 0,56858 0,63903
0,1299 0,13 0,14265 0,18365 0,1658 0,18258
29 41 47 62 89 119
0,77 0,73667 0,75333 0,78 0,75 0,68
0,19667 0,2 0,19333 0,19333 0,16 0,18667
0,80609 0,70547 0,80643 0,69809 0,5882 0,74726
0,2001 0,16428 0,19893 0,17596 0,14641 0,18233
0,75424 0,73925 0,75879 0,79233 0,73544 0,73803
0,19204 0,17685 0,19236 0,1801 0,16337 0,1879
Dari keterangan yang diberikan PT. Martina Berto, maka suatu kulit dinyatakan mengalami perbaikan tekstur jika nilai parameter R2 dan R4 setelah diberikan moisturizer lebih kecil daripada nilai sebelum diberikan moisturizer. Sistem JST yang dibuat berusaha untuk mengikuti karakteristik tersebut. Tabel 4.4 di atas memberikan sebuah gambaran atas hasil yang diperoleh menggunakan sistem JST dibandingkan terhadap parameter referensi. Citra no. 1-3 diambil dari satu replika yang sama (pada waktu T = 0) dan citra no. 4-6 diambil juga dari satu replika yang sama (pada waktu T = 4), dimana citra no. 1-6 diambil dari satu subyek yang sama. Berdasarkan parameter referensi, terlihat bahwa kulit mengalami perbaikan tekstur kulit, ditandai dari nilai R2 dan R4 setelah diberikan moisturizer lebih kecil daripada sebelum diberikan moisturizer. Sebagai
perbandingan, nilai-nilai yang dihasilkan oleh sistem JST juga memiliki karakteristik yang sama. Terkadang, ada suatu kasus dimana nilai parameter R2
71
dan R4 setelah diberikan moisturizer lebih besar daripada sebelum diberikan moisturizer dan terlihat pada contoh citra no. 13-18 (diambil dari subyek yang
sama juga). Data-data yang terdapat pada bagian tabel ketiga menunjukkan hasil dari proses analisis citra yang bukan termasuk dalam citra latih. Dengan melihat hasil-hasil yang ada, sistem JST yang dirancang masih tetap dapat mengikuti karakteristik dari parameter referensi. Tabel 4.3 menunjukkan perbandingan kecocokan dari model JST utama, model pertama dengan dua keluaran dan model kedua dengan satu keluaran, dengan menggunakan konfigurasi jumlah neuron dari masing-masing model yang menghasilkan keluaran yang paling mendekati parameter referensi. Konfigurasi JST model pertama untuk menghasilkan nilai parameter yang menyerupai R2 dan R4 hanya memiliki tingkat kecocokan sebesar 91,83909% dan 93,48172%, menggunakan empat neuron pada hidden layer. Sedangkan konfigurasi JST model kedua memiliki tingkat kecocokan sebesar 92,21921% (dengan jumlah empat neuron) dan 94,5666% (dengan jumlah tiga neuron). Tingkat kecocokan hasil penggunaan JST model kedua lebih tinggi daripada model pertama, untuk setiap parameter. Konfigurasi pembobotan dan bias pada JST model kedua merupakan hasil pelatihan terhadap parameter referensi secara individual (nilai R2 saja atau R4 saja), bukan merupakan suatu kelompok data latih yang telah digabungkan (nilai R2 dan R4 secara bersamaan). Dalam hal ini, ada kemungkinan bahwa kecocokan nilai hasil JST dapat membaik jika proses pelatihan dilakukan secara spesifik, hanya bergantung pada data-data latih tertentu saja.
Tabel 4. 5. Tabel korelasi antara nilai hasil perhitungan JST dengan nilai parameter referensi Nilai Koefisien Korelasi R2 R4 JST dengan dua B12 0,797363 keluaran B22 0,803047 JST dengan satu B12 0,806587 keluaran B22 0,855534
Berdasarkan nilai korelasi yang didapatkan antara nilai-nilai hasil perhitungan menggunakan sistem JST dengan nilai-nilai parameter referensi dari alat milik PT. Martina Berto yang ditunjukkan pada Tabel 4.5, maka dapat dilihat bahwa nilai-
72
nilai tersebut memiliki korelasi yang cukup baik, sehingga nilai-nilai tersebut dapat mengikuti karakteristik dari nilai parameter referensi menggunakan replika kulit masukan yang sama. Jika dilihat dari jumlah neuronnya, maka hasil terbaik dari sistem JST model pertama didapat menggunakan empat buah neuron pada bagian hidden layer. Sedangkan untuk sistem JST model kedua, hasil terbaik akan didapatkan menggunakan jumlah neuron sebanyak tiga dan empat buah. Hal tersebut berarti semakin banyak jumlah neuron pada bagian hidden layer, maka hasilnya juga akan semakin baik. Akan tetapi, semakin banyak neuron juga akan berdampak pada waktu komputasi yang semakin lama, karena proses perhitungan akan menjadi semakin kompleks. Hal lain yang dapat menentukan hasil ini adalah pembobotan antar neuron. Nilai-nilai bobot dan bias dari JST ditentukan pada saat pelatihan, dimana proses tersebut dilakukan sebanyak 10.000 epoch. Semakin banyak epoch diharapkan bahwa nilai error antara nilai aktual yang didapat dengan nilai yang inginkan (nilai referensi/data latih) semakin kecil. Akan tetapi, pada prakteknya, seringkali jumlah epoch yang terlalu besar belum tentu dapat memaksimalkan kinerja rancangan sistem JST. Gambar 4.3 s/d 4.6 memberikan suatu ilustrasi bagaimana kecenderungan hasil yang didapatkan menggunakan JST, dibandingkan dengan parameter referensi R2 dan R4. Perbandingan Parameter Referensi R2 vs Hasil JST 2 keluaran 4 neuron
1,2
0,8
0,6
0,4
0,2
Indeks Citra Parameter Referensi R2
Hasil JST
Gambar 4. 3. Perbandingan Referensi R2 vs Hasil JST 2 keluaran
73
11 7
11 3
10 5 10 9
97
10 1
89
93
81
85
73
77
69
65
57
61
53
45
49
41
33
37
29
21
25
17
9
13
1
0 5
Nilai Parameter
1
Perbandingan Parameter Referensi R4 vs Hasil JST 2 keluaran 4 neuron
0,25
Nilai Parameter
0,2
0,15
0,1
0,05
11 3 11 7
10 9
10 5
97
10 1
89
93
81
85
73
77
69
65
61
57
53
49
45
41
37
33
29
21
25
13
17
5
9
1
0
Indeks Citra Parameter Referensi R4
Hasil JST
Gambar 4. 4. Perbandingan Referensi R4 vs Hasil JST 2 keluaran Perbandingan Parameter Referensi R2 vs Hasil JST 1 keluaran 4 neuron
1,2
0,8
0,6
0,4
0,2
Indeks Citra Parameter Referensi R2
Hasil JST
Gambar 4. 5. Perbandingan Referensi R2 vs Hasil JST 1 keluaran
74
11 7
11 3
10 9
10 5
97
10 1
93
89
81
85
77
73
69
65
61
57
53
49
45
41
37
33
29
25
21
17
13
9
5
0 1
Nilai Parameter
1
Perbandingan Parameter Referensi R4 vs Hasil JST 1 keluaran 3 neuron
0,25
Nilai Parameter
0,2
0,15
0,1
0,05
11 7
11 3
10 9
10 5
97
10 1
93
89
85
81
77
73
69
65
61
57
53
49
45
41
37
33
29
25
21
17
9
13
5
1
0
Indeks Citra Parameter Referensi R4
Hasil JST
Gambar 4. 6. Perbandingan Referensi R4 vs Hasil JST 1 keluaran
Dari gambar-gambar di atas dapat dilihat bahwa sebagian besar nilai-nilai parameter hasil keluaran sistem JST dapat mengikuti kecenderungan dari nilainilai parameter referensi R2 dan R4, dengan perbedaan yang tidak terlalu besar. Dengan hasil ini, maka diharapkan sistem analisis citra replika kulit yang dirancang akan dapat membantu proses pengujian terhadap effikasi moisturizer dan mungkin effikasi kosmetik lainnya, yang didasarkan pada adanya perubahan nilai-nilai suatu parameter tertentu. Berdasarkan hasil-hasil yang didapatkan dari proses di atas, terutama hasil yang ditunjukkan pada Tabel 4.3 – 4.5, maka sistem ini memiliki karakteristik yang menyerupai karakteristik alat analisis tekstur kulit milik PT. Martina Berto, dimana hasil sistem ini memiliki tingkat kecocokan dan korelasi yang cukup tinggi dengan nilai-nilai hasil proses analisis alat tersebut. Sistem ini dimungkinkan dapat menjadi suatu metode alternatif, yang dapat mengganti komponen komputasi dari alat analisis tekstur kulit, yaitu bagian perangkat lunak, sehingga pada akhirnya konsumen hanya membutuhkan masukan berupa replika kulit saja, yang tentunya memiliki harga yang lebih murah dibandingkan membeli alat tersebut beserta dengan perangkat lunaknya.
75
