BAB IV HASIL PENELITIAN DAN PEMBAHASAN. 4.1 Pengembangan Sistem Pengenalan Wajah 2D

30

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

4.1

Pengembangan Sistem Pengenalan Wajah 2D Penelitian ini mengembangkan model sistem pengenalan wajah dua dimensi

pada citra wajah yang telah disiapkan dalam data training dan data test. Pengenalan wajah dilakukan dengan menggunakan algoritma eigenface berbasis PCA (principal component analysis) dalam proses pengambilan ciri pada citra wajah dan manhattan distance untuk penghitungan kesamaan jarak antar citra data training dan citra yang diuji. Sebelum proses pengenalan wajah berlangsung, citra data training memasuki tahap pra-proses untuk dilakukan normalisasi. Langkah pertama dalam sistem pengenalan wajah ini adalah pengambilan data dengan bantuan kamera digital. Pengambilan data ini dilakukan oleh user yang berupa citra RGB, selanjutnya data dimasukkan kedalam komputer untuk diproses. Proses ini dilakukan oleh sistem dengan tujuan melakukan normalisasi citra data training. Berikut ini contoh hasil pengambilan data yang masing-masing citra berukuran 3x4 piksel:

Gambar 4. Contoh data training (jarak pengambilan citra 1m)

Alfin Sholeh,2013

Pengembangan Sistem Pengenalan Wajah 2d Dengan Implementasi Algoritma Eigenface Dan Manhattan Distance Universitas Pendidikan Indonesia | repository.upi.edu

31

Gambar 5. Contoh data test (jarak pengambilan citra 1,5m)

Contoh data training dan data test diatas citra yang digunakan berdasarkan jarak pengambilan yang berbeda, yaitu 1 meter dan 1,5 meter. Pada akhirnya akan dibandingkan hasil dari pengenalan wajah ini, pada jarak pengambilan citra yang mana yang memiliki akurasi tertinggi.

4.1.1 Pra-Proses Pra-proses ini bertujuan untuk mempersiapkan citra data training yang diproses oleh sistem agar informasi yang terkandung didalamnya layak untuk diolah pada proses selanjutnya. Proses ini tidak dilakukan secara manual, melainkan oleh sistem yang menggunakan program matlab dengan kode berikut:

Alfin Sholeh,2013


32

Gambar 6. Kode pra-proses pada program matlab

RGB to Grayscale Salah satu tahapan pra-proses ini banyak digunakan dalam sistem pengenalan wajah karena memiliki persamaan yang sederhana dan mampu mengurangi kebutuhan memori penghitungan sehingga mempercepat proses yang dilakukan. Metode yang digunakan dalam konversi citra ini yaitu luminance, metode ini banyak dipakai untuk pemrosesan citra karena didesain untuk menyamakan intensitas warna hijau dalam pandangan manusia. Berikut ini persamaan yang digunakan untuk mendapatkan nilai grayscale: Grayscale = (Red * 0.2126) + (Green * 0.7152) + (Blue * 0.0722) ... (4.1)

Sebagai contoh, suatu citra wajah RGB memiliki nilai piksel red = 20, green = 26 dan blue = 38. Berikut ini contoh penghitungan dari persamaan diatas: Grayscale

= (20 * 0,2126) + (26 * 0,7152) + (38 * 0,0722) = 4,252 + 18,5952 + 2,7436 = 25,5908

Alfin Sholeh,2013


33

Berikut ini hasil dari konversi citra RGB menjadi citra grayscale menggunakan persamaan 4.1:

Citra RGB

Citra Grayscale

Gambar 7. Konversi citra RGB menjadi citra grayscale

Reduksi Dimensi Tahapan pre-proses selanjutnya yaitu reduksi dimensi citra 2D pada data training menjadi citra 1D. Reduksi dimensi ini bertujuan untuk mempermudah proses selanjutnya yaitu pencarian nilai rata-rata baris. Berikut ini contoh reduksi dimensi pada citra data training yang berukuran 3x4 piksel:

Gambar 8. Reduksi dimensi citra 2D menjadi 1D Alfin Sholeh,2013


34

Pada gambar 6 diatas, reduksi dimensi citra 2D menjadi 1D dilakukan pada semua citra data training yang telah dikonversi menjadi citra grayscale. Setelah citra 2D data training tereduksi menjadi nilai 1D, maka selanjutnya adalah menggabungkannya menjadi matriks T (augmentasi) menggunakan kode pra-prses program matlab pada gambar 4.

Gambar 9. Piksel citra grayscale data training

Tabel 4.1 Matriks augmentasi nilai piksel citra grayscale data training

Citra ke-1 225 212 223 225 133 171 217 125 185 115

Citra ke-2 192 222 225 221 178 220 217 130 191 140

Matriks T Citra ke-3 1 88 73 7 77 60 7 58 55 8

Citra ke-4 84 73 58 74 72 64 71 74 71 85

Citra ke-5 228 208 221 226 139 174 220 136 179 136

Alfin Sholeh,2013


35

71 120

80 123

63 100

80 73

93 109

Pada tabel 4.1 berisi nilai matriks augmentasi yang diperoleh dari hasil reduksi dimensi citra data training yang telah dikonversi menjadi citra grayscale. Nilai pada citra grayscale berkisar antara 0 sampai 255. Nilai matriks augmentasi ini selanjutnya diproses pada proses feature extraction (pengambilan ciri).

4.1.2 Feature Extraction Proses feature extraction ini bertujuan untuk mengambil ciri pada citra data training dan citra yang diuji. Perbedaan pengambilan ciri pada citra data training dan citra yang diuji adalah citra data training melalui tahap penghitungan nilai eigenface dan PCA, sedangkan citra yang diuji langsung pada penghitungan PCA. Ciri ini yang nantinya akan digunakan sebagai penghitungan kesamaan jarak pada ruang eigen.

Menghitung Nilai Mean Citra Tahap pertama proses pengambilan ciri adalah menghitung nilai rata-rata baris (m) dari matriks T menggunakan persamaan berikut: m = (sum_tiapbaris) / banyak_datatraining .................................... (4.2)

Alfin Sholeh,2013


36

Berikut ini contoh penghitungan menggunakan persamaan 4.2 pada baris pertama tabel 4.1: m

= (1 + 192 + 225 + 84 + 228) / 5 = (730) / 5 = 146

Tabel 4.2 Nilai rata-rata baris Nilai m Baris ke-1 146 Baris ke-2 160,6 Baris ke-3 160 Baris ke-4 150,6 Baris ke-5 119,8 Baris ke-6 137,8 Baris ke-7 146,4 Baris ke-8 104,6 Baris ke-9 136,2 Baris ke-10 96,8 Baris ke-11 77,4 Baris ke-12 105

Pada tabel 4.2 berisi nilai m yang merupakan nilai rata-rata tiap baris dari matriks T. Nilai ini digunakan sebagai patokan untuk menghitung selisih pada citra data training. Setelah nilai m diperoleh, maka langkah selanjutnya adalah menghitung nilai matriks A dengan cara mengurangi setiap nilai pada matriks T dengan nilai m. Berikut persamaan yang digunakan untuk menghitung matriks A yang berisi nilai selisih antara citra data training dengan nilai rata-rata baris: A = T - m ............................................................................................. (4.3)

Alfin Sholeh,2013


37

Tabel 4.3 Nilai selisih citra data training pada matriks A

Citra ke-1 79 51,4 63 74,4 13,2 33,2 70,6 20,4 48,8 18,2 -6,4 15

Citra ke-2 46 61,4 65 70,4 58,2 82,2 70,6 25,4 54,8 43,2 2,6 18

Matriks A Citra ke-3 -145 -72,6 -87 -143,6 -42,8 -77,8 -139,4 -46,6 -81,2 -88,8 -14,4 -5

Citra ke-4 -62 -87,6 -102 -76,6 -47,8 -73,8 -75,4 -30,6 -65,2 -11,8 2,6 -32

Citra ke-5 82 47,4 61 75,4 19,2 36,2 73,6 31,4 42,8 39,2 15,6 4

Pada tabel 4.3 berisi nilai matriks A yang merupakan nilai selisih tiap piksel dengan titik pusat pada citra data training. Nilai ini digunakan untuk mencari nilai matriks kovarian. Berikut ini bentuk citra dari nilai matriks A pada tabel 4.3 diatas:

Gambar 10. Bentuk citra dari nilai matriks A

Menghitung Matriks Kovarian Setelah mendapatkan nilai matriks A, maka tahap selanjutnya adalah menghitung nilai matriks kovarian L dengan menggunakan persamaan berikut:

Alfin Sholeh,2013


38

L = A’ x A ......................................................................................... (4.4)

Pada persamaan 4.4 diatas, A’ merupakan bentuk matriks transpose dari matriks A. Berikut ini nilai dari matriks kovarian yang telah dihitung menggunakan persamaan 4.4:

Tabel 4.4 Nilai matriks kovarian

L1 28042,960 28836,360 -50853,240 -34447,440 28421,360

Matriks Kovarian (L) L2 L3 L4 28836,360 -50853,240 -34447,440 36040,760 -55216,840 -39854,040 -55216,840 98685,560 61412,360 -39854,040 61412,360 47563,160 30193,760 -54027,840 -34674,040

L5 28421,360 30193,760 -54027,840 -34674,040 30086,760

Menghitung Nilai Eigen dan Vektor Eigen Setelah nilai matriks kovarian diperoleh, maka tahap selanjutnya yaitu mencari nilai eigen (D) dan nilai vektor eigen (V) dari matriks kovarian L. Nilai eigen adalah nilai karakteristik dari suatu matriks bujur sangkar, sedangkan vektor eigen diambil berdasarkan nilai eigen yang lebih besar dari 0. Dalam penelitian ini nilai eigen merupakan nilai ciri yang terdapat pada citra data training. Berikut ini kode program matlab untuk mencari nilai diagonal eigen:

Alfin Sholeh,2013


39

Alfin Sholeh,2013


40

Gambar 11. Kode program matlab menghitung nilai eigen

Pada tabel 4.5 dibawah ini, nilai eigen dari citra ke-1 pada data training tidak memiliki nilai eigen yang sesuai untuk diproses sehingga mempengaruhi pada penghitungan vektor eigen.

Tabel 4.5 Nilai diagonal eigen

D1 0 0 0 0 0

D2 0 302,300 0 0 0

Nilai Eigen (D) D3 0 0 2615,868 0 0

D4 0 0 0 8096,359 0

D5 0 0 0 0 229404,673

Setelah nilai eigen diperoleh, tahap selanjutnya yaitu menghitung nilai vektor eigen. Nilai ini yang nantinya akan digunakan untuk menghitung nilai eigenface. Penulis menggunakan fungsi khusus yang telah tersedia di dalam matlab untuk melakukan hal ini. Kode program matlab untuk fungsi ini adalah sebagai berikut:

Alfin Sholeh,2013


41

Tabel 4.6 Nilai vektor eigen

V1 -0,447 -0,447 -0,447 -0,447 -0,447

V2 0,576 0,155 -0,152 0,187 -0,766

Vektor Eigen (V) V3 0,589 -0,673 0,239 -0,334 0,178

V4 0,056 -0,422 -0,549 0,681 0,232

V5 0,343 0,382 -0,647 -0,435 0,358

Pada tabel 4.6 diatas nilai vektor eigen V1 kolom ke-1 memiliki nilai yang sama dalam satu kolom. Maka langkah selanjutnya adalah mengeliminasi vektor eigen yang kolom nilai eigen-nya memiliki nilai dibawah ambang batas. Hal ini dimaksudkan untuk hanya mengolah ciri yang perlu untuk diproses. Berikut ini tabel hasil eliminasi vektor eigen:

Tabel 4.7 Nilai hasil eliminasi vektor eigen

V2 0,576 0,155 -0,152 0,187 -0,766

Vektor Eigen (V) V3 V4 0,589 0,056 -0,673 -0,422 0,239 -0,549 -0,334 0,681 0,178 0,232

V5 0,343 0,382 -0,647 -0,435 0,358

Pada tabel 4.7 nilai vektor eigen dari citra ke-1 dihilangkan karena tidak memiliki ciri yang sesuai untuk diproses, maka langkah selanjutnya adalah menghitung nilai eigenfaces.

Alfin Sholeh,2013


42

Menghitung Nilai Eigenfaces Pada proses ini, nilai eigenfaces merupakan nilai ciri citra data training. Nilai ini dihitung menggunakan persamaan berikut: Eigenfaces = A x V ........................................................................... (4.5)

Tabel 4.8 Nilai Eigenfaces citra data training

Eigenfaces2 0,349 -2,466 -6,136 3,601 -0,475 2,225 2,407 -6,970 4,026 -1,512 -12,549 3,156

Eigenfaces Eigenfaces3 Eigenfaces4 16,287 41,421 9,321 -31,826 17,525 -31,441 1,190 18,627 -22,227 -28,416 -23,239 -31,969 -0,903 16,424 -0,389 2,454 1,884 -10,280 -28,617 32,598 -7,048 11,837 6,925 -24,871

Eigenfaces5 194,856 143,169 168,981 205,679 82,128 138,209 200,566 71,417 133,923 99,373 12,568 30,619

Berikut ini bentuk citra dari nilai eigenfaces berdasarkan pada tabel 4.8 diatas:

Gambar 12. Bentuk citra dari nilai eigenfaces

Alfin Sholeh,2013


43

Menghitung Nilai PCA Setelah nilai eigenfaces diperoleh, kini tugas dari PCA untuk mereduksi ciri yang masih terdapat pada citra data training. Hasil dari reduksi ini yaitu berupa pengurangan dimensi data, jadi dimensi data yang memiliki ciri yang tidak penting akan dihilangkan dan tidak akan dipakai untuk proses selanjutnya. Berikut ini persamaan yang digunakan untuk mencari nilai PCA citra data training: PCA_train = Eigenfaces’ x A .......................................................... (4.6)

Tabel 4.9 Nilai PCA citra data training

Citra ke-2 174,096 1541,832 457,429 78713,266

PCA_train Citra ke-3 Citra ke-4 46,923 -46,016 -1759,793 624,562 -3412,866 -4441,528 87547,886 -148472,749

Citra ke-5 56,449 -872,594 5516,368 -99898,933

Pada tabel 4.9 berisi nilai ciri citra data training, sehingga langkah selanjutnya adalah menghitung ciri PCA citra data yang diuji. Berikut ini citra yang digunakan sebagai citra yang diuji:

Gambar 13. Citra yang diuji

Alfin Sholeh,2013


44

Pada langkah ini, citra yang diuji dilakukan reduksi dimensi seperti yang dilakukan pada tahap pra-proses. Perbedaan dari citra data training dan test ini yaitu citra data training dilakukan konversi citra RGB menjadi citra grayscale pada pra-proses, sedangkan citra yang uji langsung pada penghitungan ciri PCA.

Tabel 5.0 Nilai piksel citra yang di uji Nilai Piksel Citra_test 8 21 7 34 56 43 27 49 39 22 46 39

Pada tabel 5.0 berisi nilai piksel citra yang diuji. Langkah selanjutnya adalah menghitung nilai selisih citra yang di uji dengan nilai rata-rata baris seperti pada persamaan 4.3: Difference = citra_test - m ............................................................... (4.7)

Alfin Sholeh,2013


45

Tabel 5.1 Nilai selisih citra uji Nilai Difference -138 -139,6 -153 -116,6 -63,8 -94,8 -119,4 -55,6 -97,2 -74,8 -31,4 -66

Pada tabel 5.1 berisi nilai citra yang diuji yang centered (berpusat) yang akan dihitung selisihnya dengan nilai rata-rata baris. Setelah didapat nilai difference untuk citra yang di uji, maka langkah selanjutnya yaitu mencari nilai PCA citra yang diuji dengan menggunakan persamaan berikut: PCA_test = Eigenfaces’ x Difference .............................................. (4.8)

Tabel 5.2 Nilai PCA citra yang di uji PCA_test 642,077 -896,583 3942,168 -165839,144

Alfin Sholeh,2013


46

Pada tabel 5.2 berisi nilai ciri PCA dari citra yang diuji. Setelah nilai ciri PCA citra data training dan citra yang diuji diperoleh, maka langkah selanjutnya yaitu menghitung kesamaan jaraknya pada proses pengenalan wajah.

4.1.3 Proses Pengenalan Wajah Setelah nilai ciri PCA citra data training dan ciri citra yang diuji diperoleh, maka langkah selanjutnya yaitu proses akhir dari pengenalan wajah. Pada tahap ini dihitung similarity distance (kesamaan jarak) antara ciri citra data training dan ciri citra yang diuji. Perhitungan ini dilakukan dengan menggunakan manhattan distance. Pada proses ini persamaan yang digunakan yaitu: Manhattan = | PCA_test - PCA_train |........................................ (4.9)

Tabel 5.3 Hasil penghitungan manhattan distance

Citra ke-1 244589,840

Manhattan Distance Citra ke-2 Citra ke-3 253495,923 19356,275

Citra ke-4 65961,603

Pada persamaan 4.9, nilai PCA_test adalah nilai ciri PCA dari citra yang diuji sedangkan nilai PCA_train adalah nilai ciri PCA dari citra data training. Kemudian berdasarkan pada tabel 5.3 yang berisi nilai hasil penghitungan kesamaan jarak antara ciri PCA citra data training dan ciri PCA citra yang diuji. Citra indeks ke-0 dihilangkan karena tidak memilik nilai eigenfaces untuk diproses, sehingga hanya nilai eigenfaces dari 4 citra yang diproses. Hasil penghitungan kesamaan jarak menyatakan bahwa nilai terkecil merupakan nilai

Alfin Sholeh,2013


47

yang diambil, maka nilai citra pada indeks ke-3 yang merupakan citra ke-3 menjadi output dari sistem pengenalan wajah 2D ini.

Gambar 14. Citra hasil pengenalan

4.2

Pengembangan Perangkat Lunak Pengembangan penelitian model sistem pengenalan wajah 2D dibangun

dengan menggunakan metode sekuensial linier atau biasa disebut dengan waterfall. Pada metode pengembangan ini kemajuan suatu proses dipandang mengalir terus seperti halnya air terjun. Model ini mengembangkan perangkat lunak dengan sistematik dan sekuensial. Dengan tahapan-tahapan utama adalah analisa, desain, coding, dan pengujian.

4.2.1 Deskripsi Sistem Sistem ini menggunakan algoritma eigenface PCA dan manhattan distance. Algoritma Eigenface digunakan untuk pengambilan ciri pada citra wajah dan menggunakan PCA untuk mereduksi ciri yang telah diambil oleh eigenface sehingga hanya ciri yang berkualitas saja yang akan diambil. Sedangkan manhattan distance digunakan untuk penghitungan kesamaan jarak antara ciri citra data training dan ciri citra yang diuji. Berikut ini analisis dari sistem pengenalan wajah 2D: Alfin Sholeh,2013


48

A. Analisis Input Proses pengenalan wajah 2D ini membutuhkan masukan citra sebagai data training dan data test. Data training ini berupa kumpulan citra berwarna wajah 2D yang telah melewati tahap pra-proses, yang nantinya akan diproses untuk mendapatkan informasi berupa ciri yang terdapat pada citra. Untuk proses pengenalan, input yang dibutuhkan juga berupa citra wajah 2D dari data test. B. Analisis Output Hasil output dari sistem pengenalan wajah 2D ini berupa citra wajah, maksudnya yaitu output masih merupakan wajah dari orang yang sama dengan yang ada dalam data training.

4.2.2 Batasan Perangkat Lunak Sistem ini merupakan sistem pengenalan wajah 2D dan format citra wajah yang digunakan hanya berformat .JPG. Pengguna dapat menggunakan sistem ini dengan memilih data training dan memilih berkas citra yang akan diuji. Sistem tidak menjamin akurasi mencapai 100% atas hasil pengenalan wajah, hal ini dikarenakan oleh beberapa faktor seperti variasi serta kualitas pada data (training dan test), jarak serta variasi pengambilan citra, algoritma yang digunakan, hasil pra-proses, pengambilan ciri dengan hasil kurang maksimal oleh algoritma eigenface PCA dan lain-lain. Hasil pengenalan sistem ini berupa citra wajah, yang berarti dikatakan dikenali jika citra wajah yang diuji dengan citra wajah pengenalan yang dihasilkan

Alfin Sholeh,2013


49

sistem masih dengan orang yang sama. Hal ini bisa berbeda ekspresi serta jarak pengambilan ctira dan apabila berbeda maka dapat dikatakan citra gagal dikenali.

4.2.3 Perancangan Arsitektur Sistem FRSM2D Citra wajah 2D Hasil pengenalan

Citra wajah 2D

Pengenalan Citra wajah 2D

PreProcessing

Citra wajah 2D

Fitur PCA

Feature Extraction

Manhattan Distance

Citra wajah 2D

Face Recogtnition

Gambar 15. Perancangan arsitektur sistem

Perancangan arsitektur dari sistem ini dimaksudkan untuk menjelaskan secara umum tentang sistem pengenalan wajah 2D yang dibuat. Dimulai dengan nama sistem, yaitu FRS2D (Face Recognition System 2D Image). Kemudian masuk ke proses utama yaitu pengenalan, dimana proses ini memiliki tiga proses yang berperan penting yaitu pre-processing, feature extraction dan face recognition. Setelah 3 proses tersebut selesai, maka kembali pada proses pengenalan yang output nya berupa sebuah citra.

Alfin Sholeh,2013


50

4.2.4 Implementasi Coding 4.2.4.1 Implementasi Modul Program Implementasi modul ini merupakan tahapan-tahapan modul yang digunakan dalam sistem pengenalan wajah 2D. Berikut ini merupakan tabel implementasi modul sistem yang dibuat:

Tabel 5.4 Implementasi modul program No 1

Nama Fungsi Eigenface.fig

2

Eigenface.m

3

CreateDatabase.m

4

EigenfaceCore.m

5 6

Eigenvalue.m RecognitionManhat.m

Keterangan - Berisi tampilan utama dari sistem pengenalan wajah - Menjalankan tampilan utama - Berisikan pengaturan pembuatan log file, edittext, pushbutton dan axes - Melakukan konversi citra RGB menjadi grayscale - Melakukan reduksi dimensi citra 2D menjadi citra 1D - Memanggil fungsi EigenfaceCore.m dan RecognitionManhat.m - Memanggil fungsi Eigenvalue.m untuk mencari nilai eigen - Menjalankan proses yang dilakukan algoritma eigenface (mean, selisih setiap citra dengan mean, matriks kovariansi, nilai eigen, vektor eigen dan Eigenfaces) - Menghitung nilai eigen dari matriks kovariansi - Menghitung nilai PCA_train, PCA_test dan penghitungan manhattan distance

Alfin Sholeh,2013


51

4.2.4.2 Implementasi Antarmuka Implementasi antarmuka pengguna untuk sistem pengenalan wajah 2D ini adalah sebagai berikut: 1. Antarmuka Utama Pada antarmuka utama sistem pengenalan wajah 2D ini terdapat 2 field yang menampilkan path dari data training dan citra yang dipilih untuk pengujian. Kemudian tombol browse yang masing-masing berbeda fungsi yaitu memilih folder data training dan memilih berkas citra untuk pengujian.

Gambar 16. Antarmuka utama sistem

Alfin Sholeh,2013


52

Tabel 5.5 Keterangan antarmuka utama sistem No Obyek 1 Browse ke-1 2 Browse ke-2 3 Execute 4 5 6

7

Citra Kiri Citra Kanan Manhattan Distance (in seconds) Reset

8

Exit

Keterangan Tombol untuk memilih folder data training Tombol untuk memilih file data test Tombol untuk mengeksekusi sistem pengenalan wajah Citra default dari citra yang akan di uji Citra default dari citra yang akan dikenali Hasil waktu proses rata-rata pengenalan wajah

Tombol untuk mengatur ulang yang telah diinputkan pada tampilan utama sistem Tombol untuk keluar dari sistem

2. Antarmuka Hasil Pengenalan Pada antarmuka hasil pengenalan 2 field sudah menampilkan path dari data training dan citra yang diuji. Kemudian tampak citra yang diuji disebelah kiri dan citra hasil pengenalan disebelah kanan, juga waktu proses dari sistem pengenalan wajah dibawah citra yang dipilih untuk pengujian.

Alfin Sholeh,2013


53

Gambar 17. Antarmuka hasil pengenalan

Tabel 5.6 Keterangan antarmuka hasil pengenalan No 1 2 3 4 5

Obyek Edittext Training Edittext File Test Citra Kiri Citra Kanan Manhattan Distance

Keterangan Berisi informasi mengenai path dari folder data training Berisi informasi mengenai path dari citra yang diuji Citra yang dipilih untuk di uji Citra yang merupakan hasil dari proses pengenalan wajah terhadap citra yang diuji Menunjukkan waktu proses pengenalan wajah

Alfin Sholeh,2013


54

4.3

Pengujian

4.3.1 Skenario Pengujian Dalam penelitian ini terdapat beberapa skenario yang akan dilakukan dalam pengujian. Pengujian ini dimaksudkan untuk mengetahui akurasi sistem pengenalan wajah dua dimensi menggunakan algoritma eigenface dan manhattan distance. Berikut langkah-langkah yang dilakukan dalam pengujian: 1. Dataset 1 berjumlah 400 citra dengan jarak pengambilan 1m dan dataset 2 berjumlah 400 citra dengan jarak pengambilan 1,5m. Masing-masing dataset terdiri dari 200 citra pria dan 200 citra wanita. 2. Pengujian pertama dan kelima, menggunakan data training 80% dari dataset. 3. Pengujian kedua dan keenam, menggunakan data training 60% dari dataset. 4. Pengujian ketiga dan ketujuh, menggunakan data training 40% dari dataset. 5. Pengujian keempat dan kedelapan, menggunakan data training 20% dari dataset. 6. Pengambilan citra untuk data training dan data test dilakukan berdasarkan perbedaan ekspresi wajah, sudut pengambilan dan jarak pengambilan citra. Sehingga setiap data training dan data test yang digunakan pada masingmasing pengujian memiliki citra yang berbeda-beda. 7. Masing-masing pengujian dilakukan sebanyak 80 kali percobaan pengenalan, selanjutnya akan dihitung akurasi dan waktu proses rata-rata.

Alfin Sholeh,2013


55

4.3.2 Hasil Pengujian Berikut ini hasil dari beberapa pengujian yang telah dilakukan menggunakan data training yang berbeda: 1. Pengujian pertama menggunakan 80% dari dataset 1. Setiap orangnnya diambil 4 citra (ekspresi biasa, senyum, mata tertutup, menoleh ke kanan dan ke kiri) untuk data training dan 1 citra (ekspresi biasa) untuk data test.

Tabel 5.7 Hasil pengujian pertama No

Jumlah Training

Jumlah Benar

Salah

Akurasi

Uji

Waktu Proses Rata-rata (detik)

1

320 citra

80

57

23

71,25%

37,0981

Pada tabel 5.7 diatas, diperoleh nilai akurasi untuk pengujian pertama dengan hasil benar mencapai 71,25% sedangkan untuk pengujian dengan hasil salah yaitu 29,75%.

2. Pengujian kedua menggunakan 60% dari dataset 1. Setiap orangnnya diambil 3 citra (ekspresi mata tertutup, menoleh ke kanan, menoleh ke kiri) untuk data training dan 1 citra (ekspresi senyum) untuk data test.

Alfin Sholeh,2013


56

Tabel 5.8 Hasil pengujian kedua No

Jumlah Training

Jumlah Benar

Salah

Akurasi

Uji


1

240 citra

80

57

23

71,25%

16,9678

Pada tabel 5.8 diatas, diperoleh nilai akurasi untuk pengujian kedua dengan hasil benar mencapai 71,25% sedangkan untuk pengujian dengan hasil salah yaitu 29,75%.

3. Pengujian ketiga menggunakan 40% dari dataset 1. Setiap orangnnya diambil 2 citra (menoleh ke kanan/ke kiri) untuk data training dan 1 citra (ekspresi mata tertutup) untuk data test.

Tabel 5.9 Hasil pengujian ketiga No

Jumlah Training

Jumlah Benar

Salah

Akurasi

Uji


1

160 citra

80

48

32

60%

16,8389

Pada tabel 5.9 diatas, diperoleh nilai akurasi untuk pengujian ketiga dengan hasil benar mencapai 60% sedangkan untuk pengujian dengan hasil salah yaitu 40%.

Alfin Sholeh,2013


57

4. Pengujian keempat menggunakan 20% dari dataset 1. Setiap orangnnya diambil 1 citra (ekspresi biasa) untuk data training dan 1 citra (menoleh ke kanan) untuk data test.

Tabel 6.0 Hasil pengujian keempat No

Jumlah Training

Jumlah Benar

Salah

Akurasi

Uji


1

80 citra

80

45

35

56,25%

2,0372

Pada tabel 6.0 diatas, diperoleh nilai akurasi untuk pengujian keempat dengan hasil benar mencapai 56,25% sedangkan untuk pengujian dengan hasil salah yaitu 43,75%.

5. Pengujian kelima menggunakan 80% dari dataset 2. Setiap orangnnya diambil 4 citra (ekspresi biasa, senyum, mata tertutup, menoleh ke kanan dan ke kiri) untuk data training dan 1 citra (ekspresi biasa) untuk data test.

Tabel 6.1 Hasil pengujian kelima No

Jumlah Training

Jumlah Benar

Salah

Akurasi

Uji


1

320 citra

80

59

21

73,75%

37,0981

Alfin Sholeh,2013


58

Pada tabel 6.1 diatas, diperoleh nilai akurasi untuk pengujian kelima dengan hasil benar mencapai 73,75% sedangkan untuk pengujian dengan hasil salah yaitu 26,25%.

6. Pengujian keenam menggunakan 60% dari dataset 2. Setiap orangnnya diambil 3 citra (ekspresi mata tertutup, menoleh ke kanan, menoleh ke kiri) untuk data training dan 1 citra (ekspresi senyum) untuk data test.

Tabel 6.2 Hasil pengujian keenam No

Jumlah Training

Jumlah Benar

Salah

Akurasi

Uji


1

240 citra

80

57

23

71,25%

16,8389

Pada tabel 6.2 diatas, diperoleh nilai akurasi untuk pengujian keenam dengan hasil benar mencapai 71,25% sedangkan untuk pengujian dengan hasil salah yaitu 29,75%.

7. Pengujian ketujuh menggunakan 40% dari dataset 2. Setiap orangnnya diambil 2 citra (menoleh ke kanan dan ke kiri) untuk data training dan 1 citra (mata tertutup) untuk data test.

Alfin Sholeh,2013


59

Tabel 6.3 Hasil pengujian ketujuh No

Jumlah Training

Jumlah Benar

Salah

Akurasi

Uji


1

160 citra

80

57

23

71,25%

16,8389

Pada tabel 6.3 diatas, diperoleh nilai akurasi untuk pengujian pertama dengan hasil benar mencapai 71,25% sedangkan untuk pengujian dengan hasil salah yaitu 29,75%.

8. Pengujian kedelapan menggunakan 20% dari dataset 2. Setiap orangnnya diambil 1 citra (ekspresi biasa) untuk data training dan 1 citra (menoleh ke kanan) untuk data test.

Tabel 6.4 Hasil pengujian kedelapan No

Jumlah Training

Jumlah Benar

Salah

Akurasi

Uji


1

80 citra

80

41

39

51,25%

2,0372

Pada tabel 6.4 diatas, diperoleh nilai akurasi untuk pengujian kedelapan dengan hasil benar mencapai 51,25% sedangkan untuk pengujian dengan hasil salah yaitu 49,75%.

Alfin Sholeh,2013


60

Tabel 6.5 Hasil pengujian dataset 1 No

Jumlah

Jumlah

Uji

Training

Uji

Benar

Salah

Akurasi


1

320 citra

80

57

23

71,25%

37,0981

2

240 citra

80

57

23

71,25%

16,9678

3

160 citra

80

48

32

60%

16,8389

4

80 citra

80

45

35

56,25%

2,0372

Pada tabel 6.5 diatas menunjukkan akurasi keberhasilan pengenalan wajah tertinggi diperoleh pada pengujian ke-1 dan 2 yaitu 71,25% dengan akurasi kegagalan 29,75%.

Tabel 6.6 Hasil pengujian dataset 2 No

Jumlah

Jumlah

Uji

Training

Uji

Benar

Salah

Akurasi


5

320 citra

80

59

21

73,75%

37,0981

6

240 citra

80

57

23

71,25%

16,9678

7

160 citra

80

57

23

71,25%

16,8389

8

80 citra

80

41

39

51,25%

2,0372

Pada tabel 6.6 diatas menunjukkan akurasi keberhasilan pengenalan wajah tertinggi diperoleh pada pengujian ke-5 yaitu 73,75% dengan akurasi kegagalan 26,25%.

Alfin Sholeh,2013


61

4.3.3 Analisis Hasil Pengujian Berdasarkan hasil dari 8 pengujian pada dataset 1 dan 2, khususnya pada pengujian kelima memperlihatkan akurasi keberhasilan tertinggi yaitu sebesar 73,75% dibandingkan hasil pengujian lainnya. Hal ini menunjukkan bahwa akurasi dipengaruhi oleh jumlah citra setiap orangnya pada data training, semakin banyak citra setiap orangnya dengan ekspresi berbeda pada data training maka akurasi akan memiliki kemungkinan semakin besar dan begitupun sebaliknya. Hal ini dapat dilihat dari hasil pengujian lainnya yaitu pengujian 1, 2, 6 dan 7 dengan jumlah citra setiap orang pada data training yang berbeda namun memiliki akurasi keberhasilan yang mendekati hasil pengujian kelima. Untuk waktu proses rata-rata dipengaruhi oleh piksel citra dan jumlah data training, semakin banyak piksel pada citra dan jumlah data training maka waktu proses rata-rata akan semakin besar dan begitupun sebaliknya. Pada nilai akurasi kegagalan dari masing-masing pengujian yang dilakukan yaitu dipengaruhi oleh citra setiap orangnya pada data training yang tidak seluruhnya memiliki kesamaan seperti tempat pengambilan citra, latar belakang citra, faktor cahaya, ekspresi dan tahapan konversi citra RGB menjadi citra grayscale yang menyebabkan kemungkinan beberapa citra dengan nilai piksel yang sama dengan citra orang lain pada data training.

Alfin Sholeh,2013


BAB IV HASIL PENELITIAN DAN PEMBAHASAN. 4.1 Pengembangan Sistem Pengenalan Wajah 2D

Recommend Documents