BAB III ANALISIS DAN PERANCANGAN SISTEM

BAB III ANALISIS DAN PERANCANGAN SISTEM

Bab ini menjelaskan mengenai tahapan analisis dan perancangan sistem yang akan dikembangkan, yaitu Sistem Identifikasi Buron. Bab ini terbagi atas 5 bagian yang masing-masing akan menjelaskan mengenai analisis kebutuhan, perancangan sistem, desain modul, desain basis data, dan desain antarmuka. 3.1 Analisis Kebutuhan Pada

bagian

pendahuluan

telah

dijelaskan

mengenai

latar

belakang

pengembangan sistem ini. Yaitu karena kurang idealnya perbandingan polisi dan warga di Indonesia, maka Kepolisian Republik Indonesia dituntut untuk melakukan pekerjaannya secara lebih efisien. Salah satunya adalah menemukan buronan secepat mungkin. Oleh karena itu, dibuatlah sebuah sistem yang akan berfungsi untuk mempermudah Kepolisian Repubilk Indonesia melakukan identifikasi terhadap ciri-ciri pelaku kejahatan, dalam hal ini adalah bagian wajah. Identifikasi dilakukan dengan membuat sketsa wajah pelaku kejahatan. Dalam prosesnya, polisi menanyakan ciri-ciri pelaku kejahatan yang diingat oleh saksi berdasarkan beberapa komponen wajahnya. Yaitu: rambut, bentuk dagu, alis, bentuk wajah, mata, hidung, telinga, dan bibir. Keterangan dari saksi ini menjadi bagain penting dalam proses rekonstruksi wajah dari pelaku kejahatan. Permasalahanpermasalahan tersebut melatarbelakangi proses pembuatan sistem ini. Kebutuhan sistem: 1. Sistem yang bisa mengenali wajah berdasarkan alis. 2. Sistem dapat menampilkan template alis sebagai representasi keseluruhan variasi dan jenis alis. 28 Perbandingan eigenface dan klustering..., M. Faizal Reza, FASILKOM UI, 2008

3. Sistem dapat melakukan rekonstruksi wajah, pada saat pengembangan ini cukup merekonstruksi bagian alis saja. 4. Sistem dapat melakukan ekstraksi ciri dari alis. 5. Sistem dapat menampilkan hasil pencarian berupa wajah yang memiliki alis yang memiliki nilai kemiripan yang tinggi dengan template. 6. Sistem bisa membandingkan antara dua metode, yaitu Eigenface dan Klustering K-Means dengan Koreksi Gamma, yang akan digunakan utnuk melakukan ekstraksi ciri pada alis. Sistem Identifikasi Buron yang akan dikembangkan dapat dimodelkan seperti pada gambar 3.1 UNIT EKSTRAKSI CIRI ALIS

UNIT EKSTRAKSI CIRI 1

INDEKS CITRA ALIS 1

Input Ekstraksi BASIS DATA CITRA ALIS

PENGGUNA

UNIT EKSTRAKSI CIRI 2

INDEKS CITRA ALIS 2

BASIS DATA CITRA WAJAH Pilihan Template Alis

ANTAR MUKA PEROLEHAN CITRA WAJAH

UNIT PEROLEHAN CITRA WAJAH

Citra Wajah Keluaran

Gambar 3.1 Arsitektur Sistem

Pada Gambar 3.1 dapat dilihat bagaimana pemodelan dari arsitektur sistem yang akan dikembangkan. Unit-unit ini akan dijelaskan lebih dalam pada Tabel 3.1.

29 Perbandingan eigenface dan klustering..., M. Faizal Reza, FASILKOM UI, 2008

Tabel 3.1 Penjelasan Fungsi dari Unit-Unit Sistem

Unit Unit Ekstraksi Ciri Alis

Fungsi -

Perantara antara pengguna dan sistem untuk melakukan ekstraksi ciri dan pengindeksan dari citra alis yang ada dalam basis data.

-

Unit ini terdiri dari dua unit (Unit Ekstraksi Ciri 1 dan Unit Ekstraksi Ciri 2) yang melakukan ekstraksi dengan dua metode yang berbeda.

-

Menerima input dari pengguna berupa pemicu agar sistem bisa berjalan.

Unit Ekstraksi 1

-

Melakukan ekstraksi terhadap citra alis berdasarkan metode Eigenface.

-

Unit ini menggunakan citra alis dari Basis Data Citra Alis untuk diekstrak cirinya.

-

Hasil ekstraksi akan digunakan untuk melakukan pencarian pada Unit Perolehan Citra Wajah.

-

Unit ini dapat dioperasikan melalui Antarmuka perolehan wajah.

Unit Ekstraksi 2

-

Melakukan ekstraksi terhadap citra alis berdasarkan metode

Klustering K-Means

dengan Koreksi

Gamma. -

Unit ini menggunakan citra alis dari Basis Data Citra Alis untuk diekstrak cirinya.

-

Hasil

pengindeksan

akan

digunakan

untuk

melakukan pencarian pada Unit Perolehan Citra


Wajah. Unit perolehan Citra

-

Wajah

Melakukan pencarian terhadap citra wajah yang sesuai dengan citra alis yang dipilih.

-

Pencarian dilakukan dengan membandingkan antara citra alis yang dipilih dengan citra alis yang terdapat pada wajah melalui Indeks Citra Alis.

-

Pengukuran kemiripan alis dilakukan dengan metode Jarak Euclidean.

Antarmuka

Perolehan

-

Citra Wajah.

Perantara

antar

pengguna

dan sistem

untuk

menampilkan 10 wajah hasil pencarian. -

Perantara untuk menjalankan Unit Ekstraksi Ciri 1.

-

Menampilkan citra hasil pencarian beserta dengan angka kemiripan dengan alis yang dipilih oleh pengguna.

3.2 Perancangan Sistem Bagian ini akan menjelaskan mengenai rancangan sistem yang akan dibuat berdasarkan hasil dari analisis kebutuhan. Ada tiga desain yang dibuat, yaitu: desain modul, desain basis data dan desain antar muka.

3.2.1 Desain Modul Dengan melihat hasil dari analisis kebutuhan, maka dapat disimpulkan modulmodul apa saja yang dibutuhkan oleh sistem. Ada tiga modul yang dibutuhkan, yaitu: modul Ekstraksi Ciri Citra Wajah EIGN (Eigenface), modul Ekstraksi Ciri Citra Wajah


KMGC (Klustering K-Means dengan Koreksi Gamma), dan modul Pencarian Citra Wajah. Desain modul dimodelkan pada gambar 3.2 Sistem Identifikasi Buron

Ekstraksi Ciri Citra Alis 1

Ekstraksi Ciri Citra Alis 2

Pencarian Citra Wajah

Gambar 3.2 Desain Modul dari Sistem Identifikasi Buron

Berikut akan dijelaskan mengenai fungsi modul-modul yang dimodelkan pada gambar 3.2: 1.

Modul Ekstraksi Ciri Citra Alis 1 Modul ini berfungsi untuk melakukan ekstraksi ciri dari seluruh citra alis

yang berada di dalam basis data. Hasil dari ekstraksi ciri akan disimpan, dan akan digunakan pada modul pencarian citra wajah. Sebelum diekstraksi, dilakukan koreksi Gamma terhadap citra untuk memperbaiki pencahayaan. Modul ekstraksi ini mengunakan metode Eigenface. 2.

Modul Ekstraksi Ciri Citra Alis 2 Modul ini memiliki fungsi yang sama dengan modul sebelumnya, yaitu

untuk melakukan ekstraksi ciri dari seluruh citra alis yang berada di dalam basis data. Hasil dari ekstraksi cirinya akan disimpan dan akan digunakan pada modul pencarian citra wajah. Yang berbeda dengan ekstraksi pertama adalah metode yang digunakan, modul ini menggunakan Klustering K-Means dengan Koreksi Gamma. 3.

Modul Pencarian Citra Wajah Modul ini memiliki fungsi untuk melakukan melakukan pencarian citra

wajah dari basis data. Citra wajah yang ditampilkan adalah citra wajah yang 32 Perbandingan eigenface dan klustering..., M. Faizal Reza, FASILKOM UI, 2008

bagian alisnya paling mirip dengan alis yang dipilih oleh pengguna. Modul pencarian ini dibagi dua, yaitu pencarian dari metode Eigenface dan pencarian dari metode Klustering K-Means dengan Koreksi Gamma. Kemiripan diukur dengan menetapkan jarak euclidean dari dua hasil ekstraksi ciri citra alis.

3.2.2 Desain Basis Data Pada sistem ini basis data yang digunakan adalah sistem file (.bmp) yang diklasifikasikan dengan folder berdasarkan jenisnya dan dinamakan secara teratur. Yaitu citra alis, citra wajah, dan template citra alis. Sedangkan untuk hasil ekstraksi ciri dari seluruh citra wajah disimpan dalam bentuk file dengan format teks (.txt).

3.2.3 Desain Antar Muka Sistem yang ingin dikembangkan adalah sistem yang menginginkan interaksi dengan pengguna. Oleh sebab itu, sistem ini akan berbasiskan Graphical User Interface (GUI). Berdasarkan kebutuhan yang telah dapatkan sebelumnya, maka dibuatlah rancangan GUI seperti yang ditampilkan pada Gambar 3.3.


Combo Box bagian Wajah Sketsa Rekonstruksi Wajah

Menu Ekstraksi EIGN

Tampilkan Template

Menu Ekstraksi KMGC

Combo Box Ciri

Progress Bar Ekstraksi Pencarian EIGN Pencarian KMGC

Progress Bar Pencarian

Template 1

Citra Wajah hasil Pencarian EIGN

Template 2

Template 3

Template 4

Template 5

Template 6

Citra Wajah hasil Pencarian KMGC

1

2

3

4

5

1

2

3

4

5

6

7

8

9

10

6

7

8

9

10

Gambar 3.3 Desain Antarmuka Perolehan Citra Wajah


BAB IV IMPLEMENTASI

Bab ini akan menjelaskan mengenai implementasi dari sistem yang akan dikembangkan, berdasarkan hasil analisis yang telah diperoleh sebelumnya. Bab ini terdiri dari penjelasan mengenai spesifikasi sistem, perangkat keras dan perangkat lunak, yang akan digunakan, implementasi prosedur yang akan dipakai untuk melakukan ekstraksi dan pencarian wajah. 4.1 Spesifikasi Sistem Bagian ini menjelaskan mengenai perangkat keras dan perangkat lunak yang digunakan untuk membuat Sistem Identifikasi Buron. 4.1.1 Perangkat Keras Sistem Identifikasi Buron ini dikembangkan pada komputer desktop, dengan spesifikasi sebagai berikut: Processor

: Intel (R) Pentium(R) 4 CPU 3.06 GHz

Graphics Card : Intel(R) 82915G Express Chipset Family Memory

: 504 MB RAM

4.1.2 Perangkat Lunak Perangkat Lunak yang digunakan untuk mengembangkan sistem ini adalah sebagai berikut: Microsoft Windows XP Home Edition Version 2002 Service Sistem Operasi: Pack 2 Lingkungan Matlab 7.0.4 dan Microsoft Visual C++ 6.0 Pengembangan 35 Perbandingan eigenface dan klustering..., M. Faizal Reza, FASILKOM UI, 2008

(IDE): OpenCV. Library ini menyediakan fungsi-fungsi untuk Library: memproses citra, melakukan perhitungan matriks dan lain-lain. 4.2 Implementasi Bagian ini akan menjelaskan mengenai implementasi dari modul-modul yang menyusun sistem ini. Ada tiga buah modul yang dibuat, modul ekstraksi ciri citra alis 1, modul ekstraksi ciri citra alis 2, dan modul pencarian citra wajah.

4.2.1 Modul Ekstraksi Ciri Citra Alis 1 Modul ini berfungsi untuk melakukan ekstraksi ciri terhadap semua citra alis yang ada pada basis data. Algoritma yang digunakan untuk mendapatkan ciri dari seluruh citra alis pada basis data adalah algoritma yang menerapkan teori eigenface sebagai berikut, 1.

Menyatakan citra alis pada basis data sebagai matriks X yang setiap elemennya merupakan nilai grayscale. Matriks X ini akan memiliki ukuran n x l, dimana l adalah lebar pixel citra wajah dikalikan dengan tinggi piksel citra wajah dan n adalah jumlah citra wajah pelatihan. Setiap citra wajah memiliki matriks grayscale tersendiri. Matriks grayscale ini dirubah ke bentuk vektor dengan cara menyambungkan baris demi baris dari matriks ini. Lalu setiap vektor grayscale dari semua citra wajah pelatihan digabungkan menjadi matriks X dengan menyambungkannya secara baris per baris. Misalkan ukuran citra wajah adalah 60 x 80, maka bentuk matriks X adalah seperti berikut,

2. Mencari matriks kovarian C dari matriks X 3. Mencari vaktor eigen dan nilai eigen dari matriks kovarian C, dan kemudian diurutkan berdasarkan nilai eigennya.


4. Menentukan M vektor eigen yang terbesar berdasarkan suatu batas nilai yang ditentukan, misalkan saja 0. Artinya kita hanya bisa mengambil vektor-vektor eigen dimana nilai eigennya lebih besar daripada 0. Dari vektor-vektor tersebut kita membuat matriks W. 5. Melakukan transformasi citra ke vektor ciri dengan cara sebagai berikut. ER  XW

(2.17)

Algoritma diatas diimplementasikan dengan C++. Implementasi program dapat dilihat pada Lampiran A.

4.2.2 Modul Ekstraksi Ciri Citra Alis 2 Modul ini berfungsi untuk melakukan ekstraksi ciri terhadap semua citra alis yang ada pada basis data. Algoritma yang digunakan untuk mendapatkan ciri dari seluruh citra alis pada basis data adalah algoritma yang menerapkan teori klustering Kmeans dengan koreksi Gamma sebagai berikut, 1. Menyatakan citra alis sebagai matriks X dengan besar ukuran 38 x 6. Lalu mengubahnya menjadi grayscale, seelum dilakukan proses yang lain. 2. Memberikan Koreksi Gamma sebesar 0.5 kepada matriks, sehingga bisa mengubah pencahayaan dan tingkat kecerahan dari masing-masing piksel. 3. Mengubah matriks menjadi vektor dengan panjang 228, hasil kali dari 38x6. 4. Melakukan klustering dengan K-Means, sehingga dapat membuat kluster sebanyak 3 buah untuk alis gelap, alis terang, dan kulit. Penjabaran Klustering K-means sebagai berikut, a. Klustering dilakukan dengan membuat titik berat 3 buah secara acak, yang dipilih dari 3 buah anggota vektor.


b. Dihitung jarak euclidean-nya dengan anggota vektor yang lain. Sebuah titik anggota vektor dikatakan anggota dari sebuah kluster, jika jarak euclidean antara titik tersebut dengan titik berat dari ke-3 kluster, paling kecil jika dibandingkan dengan jaraknya dengan titik berat kluster lain. c. Setelah diketahui pembagian klasternya, maka akan didapat titik berat baru dari tiap kluster. d. Ulangi lagi proses (dari b) hingga pembagian kluster tidak berubahubah. 5. Didapatkan tiga buah titik berat dari suatu citra. Lalu akan ditulis dalam file untuk dipergunakan dalam proses pencarian citra wajah. Algoritma ini diimplementasikan dengan Matlab. Implementasi program dapat dilihat pada Lampiran A.

4.2.3 Modul Pencarian Citra Wajah Modul ini berfungsi untuk melakukan pencarian citra wajah pada basis data yang bagian alisnya paling mirip dengan citra alis yang diberikan saat rekonstruksi wajah. Matriks eigenface E yang dihasilkan oleh modul ekstraksi ciri alis merupakan representasi ciri dari seluruh citra alis yang terdapat pada basis data. Oleh karena itu matriks E ini akan sangat berperan dalam modul pencarian citra wajah. Algoritma yang digunakan untuk melakukan pencarian citra wajah pada basis data adalah algoritma yang menerapkan teori jarak euclidean sebagai berikut, 1. Hitung nilai kemiripan setiap citra alis pada basis data dengan citra alis template yang diberikan pengguna pada saat rekonstruksi wajah. Nilai kemiripan dapat


dihitung dengan menerapkan jarak euclidean, rumus dapat dilihat pada (2.13), antara dua vektor ciri citra alis yang diambil dari matriks E.

2. Lakukan normalisasi nilai kemiripan agar nilai kemiripan berada pada rentang nilai [0,1]. dk ' 1 

dk



n

d i 1 i

(2.18)

d’ adalah nilai kemiripan yang dinormalisasi, k = 1, 2, …, n. Notasi n adalah jumlah citra alis pada basis data, sedangkan d adalah nilai kemiripan atau jarak euclidean antara dua ciri citra alis. 3. Urutkan nilai kemiripan yang telah dinormalisasi dari nilai yang terbesar ke nilai yang terkecil, lalu tampilkan 10 citra wajah yang memiliki nilai kemiripan tertinggi. Algoritma ini diimplementasikan dengan menggunakan C++ dan library tambahan OpenCV. Implementasi program dapat dilihat pada lampiran A.

4.3 Antar Muka Gambar-gambar berikut ini merupakan hasil implementasi dari rancangan antarmuka yang telah dibuat sebelumnya.


Gambar 4.1 Antar Muka Perolehan Citra Wajah

Gambar 4.2 Antar Muka Hasil Pencarian Citra Wajah


BAB V PERCOBAAN DAN ANALISIS

Bab ini akan menjelaskan mengenai hasil percobaaan dan analisis dari sistem yang telah dikembangkan. Bab ini terdiri atas data dan metode pengujian, beserta analisis dari hasil pengujian. 5.1 Data dan Metode Pengujian Pada bagian ini menjelaskan mengenai data yang digunakan untuk melakukan pengujian pada Sistem Identifikasi Buron, tepatnya pada hasil pencarian citra wajah berdasarkan ciri alis. Pada bagian ini juga akan dijelaskan mengenai metode pengujian yang digunakan dan pengukuran keberhasilan pengujian. 5.1.1 Data Uji Coba Data yang akan digunakan untuk bahan uji coba adalah 500 buah citra wajah frontal, dengan pencahayaan dan latar belakang yang hampir sama. Setiap citra wajah merupakan wajah orang yang berbeda. Wajah yang dipakai merupakan wajah penduduk Indonesia yang mayoritas memiliki kekhasan Melayu. Setiap citra wajah akan memiliki ukuran 60 x 80 piksel. Setiap citra wajah tidak memakai kacamata atau penghalang wajah lainnya. Citra wajah ini didapatkan dari data yang dimiliki oleh Pusat Pengembangan Sistem Informasi (PPSI) Universitas Indonesia. 5.1.2 Metode Pengujian Sistem ini diuji dengan menggunakan cara meminta responden untuk mencoba menggunakan sistem yang telah dibuat dan mengisi kuisoner untuk melakukan penilaian terhadap hasil pencarian yang dilakukan oleh sistem. Hal ini ditujukan untuk melihat seberapa besar kesepakatan responden terhadap hasil pencarian citra alis, baik yang 41 Perbandingan eigenface dan klustering..., M. Faizal Reza, FASILKOM UI, 2008

relevan ataupun yang tidak relevan (relevance judgement), apakah telah sesuai dengan template alis dan kategori yang telah di pilih. Ada 6 skenario yang digunakan dalam pengujian, yang tampilan dari citranya dapat dilihat pada tabel 5.2. 6 skenario itu adalah, a. Skenario 1: Alis tebal, template nomer 6 b. Skenario 2: Alis tipis, template nomer 2 c. Skenario 3: Alis sambung, template nomer 6 d. Skenario 4: Alis normal, template nomer 1 e. Skenario 5 Alis sedang, template nomer 1 Hasil ini akan digunakan dalam penghitungan nilai precision-recall untuk menentukan kinerja dari Sistem Identifikasi Buron, modul Perolehan Citra Wajah berdasarkan citra Alis.

5.2 Hasil Uji Coba Sistem ini diuji coba dengan meminta kepada responden untuk menilai relevansi dari 10 besar hasil pencarian dengan template alis dan kategori yang telah diberikan. Pengkategorian alis dilakukan oleh penulis dengan membuat asumsi mengenai definisi dari tiap kategori. Hal ini dilakukan karena penulis membatasi penelitian ini untuk tidak

Gambar 5.1. Pembagian alis menjadi beberapa bagian unuk memudahan kategorisasi

mencari kepada ilustrator yang ada di kepolisian mengenai definisi tiap kategori alis. Tiap kategori penulis definisikan seperti yang ada di Tabel 5.1 yang dibantu penjelasannya dengan Gambar 5.1 untuk memudahkan kategorisasi. Tabel 5.1 Pendefinisian dari kategori alis dalam sistem Identifikasi Buron.

Kategori Alis Tebal.

Definisi Adalah alis yang memiliki warna rambut yang terlihat tegas, lebar alis


yang relatif besar. Alis Tipis.

Adalah alis yang hampir seluruh bagiannya memiliki bulu jarang.

Alis Sambung

Adalah alis yang memiliki bulu halus pada persambungan dua bagian depan alis. Atau memiliki bentuk yang bisa dibilang hampir tersambung.

Alis Normal.

Adalah alis yang memiliki bagian depan yang tebal, sedangkan bagian belakang yang cenderung tipis, tidak tegas terlihat bulumatanya, menjadi semakin pipih, atau lebarnya semakin kecil.

Alis Sedang.

Adalah alis yang bagian depan dan belakang berukuran hampir sama, dengan lebar alis yang relatif sedang. Pada alis ini tidak ada bagian yang tipis.

Dari pengkategorian yang telah dilakukan, maka penulis mendapatkan jumlah dari citra alis relevan yang berada dalam basis data. Hal ini penulis lakukan secara subjektif dengan melihat satu persatu citra alis. Citra yang relevan ini nantinya akan digunakan sebagai template dalam pencarian alis. Lihat di tabel 5.2 untuk lebih jelas. Tabel 5.2. Skenario Pengujian dan Jumlah Citra Relevan dalam basis Data.

Skenario

Kategori

Citra Alis

Jumlah citra relevan dalam basis data

1

Tebal

35

Nomor Template: 6 2

Tipis

32

Nomor Template: 2 3

Sambung

7

Nomor Template: 6 4

Normal

30

Nomor Template: 1 5

Sedang

107

Nomor Template: 1

Setelah pengkategorian dilakukan, maka penulis melakukan pengujian sistem kepada 15 responden untuk menguji relevansi hasil pencarian terhadap kategori yang 43 Perbandingan eigenface dan klustering..., M. Faizal Reza, FASILKOM UI, 2008

ada dan template yang digunakan. Data relevansi ini ini akan digunakan dalam penghitungan nilai precision dan recall. Hal ini dilakukan untuk mengetahui efektifitas sistem dalam melakukan pencarian citra alis yang mirip dengan citra template alis yang diberikan. Penghitungannya dilakukan dengan menggunakan rumus sebagai berikut, Precision =

Jumlah citra relevan yang diperoleh Jumlah citra yang diperoleh

Recall =

Jumlah citra relevan yang diperoleh

(2.19)

(2.20)

Jumlah citra relevan pada basis data Jumlah citra relevan yang diperoleh adalah, citra alis yang disepakati relevan oleh lebih dari 50 % responden. Hasil ini dapat memberikan tanda relevan / tidak relevan kepada 10 besar citra alis termirip yang dihasilkan dari tiap percobaan. Pada Tabel 5.3 ditampilkan contoh 10 besar hasil pencarian untuk alis kategori tebal. Untuk empat kategori lainnya, bisa dilihat pada Lampiran B.

Tabel 5.3 Contoh 10 Besar Hasil Pencarian Alis Kategori Tebal

No 1

Citra Alis

10 besar Hasil pencarian EIGENFACE

R

R

R

R

R

TR

R

R

TR

R


Klustering K-Means dengan Koreksi Gamma

R

R

R

R

R

R

R

R

R

R

Agar bisa menghasilkan nilai precision rata-rata, maka perlu untuk dilakukan interpolasi terhadap precision dan recall dari setiap pencarian. Precision yang dihitung pada standar recall ke-j adalah precision maksimum pada suatu recall antara titik ke-j dan titik (j + 1)[18]. (2.21)

P (r j )  max P (r ) r j  r  r j 1

Setelah itu baru bisa mengambil kesimpulan, seberapa efektif metode yang dipakai untuk mengukur kemiripan alis.

5.2.1 Hasil Uji Coba Perolehan Citra Wajah berdasarkan citra Alis dengan menggunakan Eigenface Dari hasil pengujian, didapatkan data hasil interpolasi sebagai berikut, Tabel 5.4 Hasil pengujian dengan metode Eigenface

Recall 0 0,1 0,2 0,3 0,4

Precision Skenario 1

1 1 0.8


1 0.857 0.889


0 1 0.4 0 0.375



1 0.75 0

1 0 0

Rata-rata Precision

0.8 0.7214 0.4178

0.6464


Terlihat dari Tabel 5.4, bahwa rata-rata precision dari pencarian dengan metode ekstraksi ciri Eigenface untuk recall 0 sampai dengan 0.2 adalah 0.6464. Sehingga dapat diketahui, bahwa sistem ini memiliki efektifitas sebesar 64.64 % untuk recall 0 sampai 0.2. Nilai precision pada recall 0.3 atau lebih bernilai nol, karena jumlah citra relevan yang didapatkan dari pencarian maksimal 10 buah. Jumlah ini terlalu kecil jika dibandingkan dengan jumlah citra relevan yang ada dalam basis data terutama pada skenario 1,2,4,5. Sedangkan skenario 3 (alis sambung) memiliki peningkatan precision yang relatif besar, karena alis jenis sambung berjumlah sedikit. Secara subjektif penulis menghitung hanya ada 7 citra alis yang sesuai dengan kategori sambung. Ukuran citra yang kecil (60 x 80) juga berpengaruh dalam mendeteksi alis sambung, karena bayangan pada lekukan dahi antara dua alis bisa dideteksi sebagai bulu halus antar alis.

5.2.2 Hasil Uji Coba Perolehan Citra Wajah berdasarkan citra Alis dengan menggunakan Klustering K-Means dengan Koreksi Gamma Dari hasil pengujian, didapatkan data hasil interpolasi sebagai berikut, Tabel 5.5 Hasil pengujian dengan metode Klustering K-Means dengan Koreksi Gamma

Recall 0 0,1 0,2 0,3 0,4

Precision Skenario 1 1 1 1

Precision Skenario 2 1 0.857 0.8

Precision Skenario 3 0 1 0.667 0 0.333

Precision Skenario 4 1 1 0.889

Precision Skenario 5 1 0 0

Rata-rata Precision 0.8 0.7714 0.6712

0.747533

Terlihat dari Tabel 5.5 bahwa rata-rata precision untuk recall 0 sampai dengan 0.2 dari pencarian dengan metode ekstraksi ciri Klustering K-Means dengan Koreksi Gamma memiliki nilai 0.7475. Sehingga dapat diketahui, bahwa sistem ini memiliki efektifitas sebesar 74.75% Terlihat juga bahwa nilai precision setelah nilai recall lebih 46 Perbandingan eigenface dan klustering..., M. Faizal Reza, FASILKOM UI, 2008

dari 0.2 adalah nol, kecuali untuk skenario 3. Hal ini karena jumlah citra relevan yang didapatkan dari pencarian maksimal 10 buah. Jumlah ini terlalu kecil jika dibandingkan dengan jumlah citra relevan yang ada dalam basis data terutama pada skenario 1,2,4,5. Sedangkan skenario 3 (alis sambung) memiliki peningkatan precision yang relatif besar, karena alis jenis sambung berjumlah sedikit. Secara subjektif penulis menghitung hanya ada 7 citra alis yang sesuai dengan kategori sambung. Ukuran citra yang kecil (60 x 80) juga berpengaruh dalam mendeteksi alis sambung, karena bayangan pada lekukan dahi antara dua alis bisa dideteksi sebagai bulu halus antar alis. 5.3

Analisis Hasil Uji Coba Pada bagian ini akan dijelaskan mengenai analisis dari hasil uji coba. Terdapat

dua hal yang akan dianalisis, yaitu pencarian dengam metode ekstraksi ciri Eigenface dan yang kedua adalah pencarian dengan metode ekstraksi ciri Klustering K-Means dengan Koreksi Gamma. 5.3.1 Analisis

Perolehan

Citra

Wajah

berdasarkan

citra

Alis

dengan

menggunakan Eigenface Dari hasil percobaan didapatkan bahwa dengan menggunakan ekstraksi ciri alis eigenface, hasil pengukuran kemiripan alis memiliki efektivitas sebesar 64.64%. Ada beberapa hal yang mempengaruhi hasil pencarian, yaitu: 1. Ukuran piksel yang kecil (60 x 80 piksel), hal ini membuat pencarian alis terutama untuk kategori sambung mengalami hambatan. Karena dalam definisi alis sambung, ada bulu tipis pada persambungan bagian tengah alis.Hal ini terbukti pada hasil pencarian yang relevan, dari dua metode, hanya ada 3 citra dari 10 yang dianggap relevan oleh para responden. Ukuran piksel ini juga punya

pengaruh

ketika

survei,

yaitu

menimbulkan

mengidentifikasi alis karena kecilnya ukuran citra tersebut.


hambatan

dalam

2. Pencahayaan ketika pengambilan foto dan pose orang yang difoto. Hal ini mempengaruhi ekstraksi ciri, karena citra alis tidak terlihat secara jelas. Hal ini juga membuat citra memiliki standar yang berbeda karena pencahayaan, bahkan ketika sudah dilakukan koreksi Gamma. Pencahayaan dan pose orang juga mempengaruhi survei, responden mengalami beberapa hambatan untuk mengidentifikasi citra alis. 5.3.2 Analisis

Perolehan

Citra

Wajah

berdasarkan

citra

Alis

dengan

menggunakan Klustering K-Means dengan Koreksi Gamma Dari hasil percobaan didapatkan bahwa dengan menggunakan ekstraksi ciri alis Klustering K-Means dengan Koreksi Gamma, hasil pengukuran kemiripan alis memiliki efektivitas sebesar 74.75%. Hal-hal yang mempengaruhi metode eigenface, yaitu ukuran, pencahayaan dan pose orang pada citra, juga mempengaruhi pencarian pada metode ini. Dalam

penelitian

ini

didapatkan Kulit

ekstraksi ciri dengan Klustering K-Means memiliki efektivitas pencarian yang

lebih

besar dibandingkan dengan eigenface. Hal ini penulis analisis sebagai dampak dari Alis Tebal

karakter ekstraksi ciri Klustering K-Means

Alis Tipis

Gambar 5.2 Segmentasi Citra Alis dengan K-Means

yang menggunakan titik berat dari 3 segmen citra alis sebagai ciri unik dari alis. Nilai dari titik berat bisa merepresentasikan bagaimana bentuk dan ketebalan alis, karena setiap citra alis diklasifikasi menjadi 3 bagian (alis tebal, alis tipis, kulis). Sebagaimana bisa dilihat pada Gambar 5.2.


BAB III ANALISIS DAN PERANCANGAN SISTEM

Recommend Documents