BAB IV IMPLEMENTASI DAN EVALUASI
4.1
Aplikasi Pengujian Untuk menguji kecepatan dan keakuratan metode pendeteksian wajah Viola
Jones, kami membuat sebuah aplikasi sederhana, dengan spesifikasi perangkat lunak sebagai berikut: ‐
Microsoft Windows 7 Ultimate
‐
Microsoft Visual C++ 2008 Express Edition
‐
Pustaka OpenCV 1.0
‐
Pustaka FLTK
Sedangkan spesifikasi perangkat keras yang digunakan dalam pengujian adalah sebagai berikut: ‐
Processor Intel(R) Core(TM)2 Duo CPU 2.13GHz
‐
RAM 4 GB
‐
Kamera web USB dengan resolusi 640x480
76
77
Gambar 4.1 Aplikasi pengujian metode pendeteksian wajah Viola Jones
Pada aplikasi pengujian, dapat dilakukan pendeteksian wajah dari citra, ataupun dari kamera web. Untuk pendeteksian wajah pada citra, citra diinput menggunakan tombol ‘load image’. Citra yang dapat diinput adalah citra JPEG dan citra PNG. Untuk melakukan pendeteksian, digunakan tombol ‘Detect Face(s)’. Sedangkan untuk memulai pendeteksian wajah dengan kamera web, digunakan tombol ‘Start Camera’. Setelah tombol tersebut ditekan, program akan terus menerus melakukan pendeteksian wajah terhadap setiap frame yang ditangkap oleh kamera web, hingga tombol ‘Stop Camera’ ditekan. Program akan menampilkan waktu pendeteksian serta jumlah wajah yang terdeteksi, dan untuk setiap wajah yang terdeteksi akan diberi gambar persegi berwarna merah sebesar wajah yang terdeteksi. Besar citra sub window awal yang digunakan adalah 24x24, dengan faktor skala sebesar 1,1.
78
Gambar 4.2 Hasil pendeteksian wajah Viola Jones
Gambar 4.3 Hasil pengujian terhadap citra
79
Gambar 4.4 Hasil pengujian dengan kamera web
80
4.2
Pengujian Parameter pengujian yang digunakan meliputi:
1. Waktu pendeteksian, disajikan dalam satuan mili seconds (ms). 2. Keakuratan pendeteksian, disajikan dalam bentuk persentase.
Berikut adalah pengujian yang dilakukan: 1. Pengujian terhadap 100 citra berisi wajah Citra pengujian diambil secara acak dari internet dan koleksi pribadi. Citra yang diuji memiliki resolusi rata-rata 640x480 piksel. Ada dua jenis pengujian yang dilakukan terhadap citra, yaitu sebagai berikut: a. Pengujian terhadap waktu pendeteksian Untuk menghitung waktu pendeteksian, digunakan fungsi cvGetTickCount() dan cvGetTickFrequency(), dengan aturan sebagai berikut: Waktu pendeteksian ms
T2 T1 F 1000
Di mana: T1 = cvGetTickCount() sebelum pendeteksian T2 = cvGetTickCount() setelah pendeteksian F = cvGetTickFrequency()
b. Pengujian terhadap keakuratan pendeteksian Untuk menghitung keakuratan pendeteksian, digunakan rumus sebagai berikut: Keakuratan pendeteksian %
A
B 2
81
Dengan: A
true_positive face_on_image
B
true_positive face_detected
Di mana: true_positive
= jumlah objek terdeteksi yang benar merupakan wajah manusia
face_on_image = jumlah wajah manusia yang ada di dalam citra (jumlah wajah manusia yang seharusnya terdeteksi) face_detected
= jumlah seluruh objek yang terdeteksi, baik yang merupakan wajah, maupun bukan (true_positive + false_positive)
2. Pengujian dengan kamera web Pengujian yang dilakukan dengan kamera web adalah untuk mengukur waktu pendeteksian. Metode yang digunakan untuk mengukur waktu pendeteksian ini sama dengan metode yang digunakan pada pengukuran waktu pendeteksian pada citra, seperti yang telah dijelaskan di atas.
4.3
Hasil Pengujian Berikut adalah tabel hasil pengujian terhadap 20 citra untuk mengukur waktu
pendeteksian dengan metode Viola jones.
82
Tabel 4.1 Tabel hasil pengujian terhadap citra untuk mengukur waktu pendeteksian dengan metode Viola Jones (20 dari 100 pengujian) No.
Nama Citra
Dimensi Citra
1.
005.jpg
427x640
259,687
2.
016.jpg
640x427
282,703
3.
024.jpg
452x640
305.022
4.
036.jpg
640x480
241.669
5.
042.jpg
480x640
227.074
6.
052.jpg
480x636
348,482
7.
058.jpg
640x426
266,248
8.
065.jpg
640x364
255,777
9.
071.jpg
480x601
344,606
10.
079.jpg
640x480
348,930
11.
084.JPG
640x427
297,877
12.
090.jpg
640x426
311,165
13.
095.jpg
640x480
338,569
14.
100.jpg
640x480
378,551
15.
105.jpg
480x523
348,946
16.
111.jpg
640x474
366,851
17.
116.jpg
640x429
319,197
18.
122.jpg
640x480
461,142
19.
132.jpg
637x480
456,076
20.
142.jpg
480x480
245,141
Waktu Pendeteksian (ms)
83
Dari pengujian yang dilakukan terhadap 100 file citra yang berbeda, didapatkan data-data sebagai berikut: Rata
rata waktu pendeteksian
Total waktu pendeteksian Jumlah data pengujian 32.436,250 100 324,362 ms
Waktu pendeteksian tercepat adalah 178,232 ms, pada citra berdimensi 427x640. Waktu pendeteksian terlama adalah 461,142 ms, pada citra berdimensi 640x480.
Berikut adalah tabel hasil pengujian terhadap 20 citra untuk mendapatkan persentase keakuratan pendeteksian dengan metode Viola Jones.
Tabel 4.2 Tabel hasil pengujian terhadap citra untuk mengukur akurasi pendeteksian dengan metode Viola Jones (20 dari 100 pengujian) No.
Nama
Face_on
True_
False_
Total_
A
B
File
_image
positive
positive
detected
(%)
(%)
1.
005.jpg
1
1
0
1
100
100
2.
016.jpg
1
1
0
1
100
100
3.
024.jpg
2
2
0
2
100
100
4.
036.jpg
2
2
0
2
100
100
5.
042.jpg
2
2
0
2
100
100
6.
052.jpg
4
3
0
3
75
100
7.
058.jpg
5
5
0
5
100
100
84
8.
065.jpg
6
5
0
5 83,333
100
9.
071.jpg
4
4
0
4
100
100
10.
079.jpg
9
8
0
8 88,889
100
11.
084.JPG
12
12
0
12
100
12.
090.jpg
16
16
1
17
100 94,118
13.
095.jpg
23
23
1
24
100 95,833
14.
100.jpg
21
20
0
20 95,238
15.
105.jpg
4
4
0
4
100
100
16.
111.jpg
6
6
0
6
100
100
17.
116.jpg
10
7
0
7
70
100
18.
122.jpg
11
9
0
9 81,818
100
19.
132.jpg
6
6
0
6
100
100
20.
142,jpg
9
9
1
10
100
90
100
100
Dari pengujian yang dilakukan terhadap 100 file citra yang berbeda, didapatkan rata-rata akurasi pendeteksian sebagai berikut: ∑ A Jumlah data pengujian
A
9476,039 100 94,760 %
85
∑ B Jumlah data pengujian
B
9590,318 100 95,903 %
Rata
rata akurasi pendeteksian
A
B 2
94,760
95,903 2
190,664 2 95,332 %
∑ ∑
Besar false_positive yang didapatkan
35 768
false_positive total_detected
100%
100%
0,04557 100% 4,557 %
Berikut adalah tabel hasil pengujian dengan kamera web untuk mengukur waktu pendeteksian dengan metode Viola Jones.
86
Tabel 4.3 Tabel hasil pengujian dengan kamera web untuk mengukur waktu pendeteksian dengan metode Viola Jones (20 dari 100 pengujian) No.
Nama Frame
Waktu Pendeteksian (ms)
1.
Frame001
427,648
2.
Frame002
418,851
3.
Frame003
648,510
4.
Frame004
606,856
5.
Frame005
508,654
6.
Frame006
426,883
7.
Frame007
447,102
8.
Frame008
421,279
9.
Frame009
232,300
10.
Frame010
216,486
11.
Frame011
435,021
12.
Frame012
262,606
13.
Frame013
413,098
14.
Frame014
405,413
15.
Frame015
441,236
16.
Frame016
625,275
17.
Frame017
453,861
18.
Frame018
607,237
19.
Frame019
620,528
20.
Frame020
408,404
87
Dari pengujian yang dilakukan terhadap 100 frame yang berbeda, didapatkan data-data sebagai berikut: Rata
rata waktu pendeteksian
Total waktu pendeteksian Jumlah data pengujian 44.570,584 100 445,705 ms
Waktu pendeteksian tecepat adalah 166,960 ms. Waktu pendeteksian terlama adalah 888,807 ms. Sebagai perbandingan, kami menggunakan sebuah software demo pendeteksian wajah secara real-time yang bernama Realtime Face Detection Demo V 2.0 dan dibuat oleh sebuah perusahaan IT bernama Control Chaos Technology (CCT). Software ini didasarkan pada kernel ChaosFace SDK 1.5. User dapat menginput citra (tunggal ataupun banyak), atau menggunakan kamera web USB untuk memulai pendeteksian wajah. Wajah yang dapat dideteksi oleh software ini adalah wajah dengan posisi frontal, miring, atau profil. Selain itu, user juga dapat menentukan nilai threshold pendeteksian yang akan digunakan, yaitu dari 0% sampai 100%, dan besar jarak minimal antara kedua mata yang dapat dideteksi, yaitu 8, 16, atau 32.
88
Gambar 4.5 About Realtime Face Detection Demo V 2.0
Gambar 4.6 Hasil pendeteksian wajah pada citra input dengan Realtime Face Detection Demo V 2.0
89
Gambar 4.7 Hasil pendeteksian wajah pada kamera web dengan Realtime Face Detection Demo V 2.0
90
Berikut adalah tabel hasil pengujian terhadap 20 citra untuk mengukur waktu pendeteksian menggunakan Realtime Face Detection Demo V 2.0.
Tabel 4.4 Tabel hasil pengujian terhadap citra untuk mengukur waktu pendeteksian dengan Realtime Face Detection Demo V 2.0 (20 dari 100 pengujian) No.
Nama Citra
Dimensi Citra
1.
005.jpg
427x640
609
2.
016.jpg
640x427
624
3.
024.jpg
452x640
531
4.
036.jpg
640x480
328
5.
042.jpg
480x640
624
6.
052.jpg
480x636
733
7.
058.jpg
640x426
827
8.
065.jpg
640x364
561
9.
071.jpg
480x601
733
10.
079.jpg
640x480
1.077
11.
084.JPG
640x427
1.435
12.
090.jpg
640x426
1.014
13.
095.jpg
640x480
1.357
14.
100.jpg
640x480
1.420
15.
105.jpg
480x523
811
16.
111.jpg
640x474
1.748
17.
116.jpg
640x429
671
Waktu Pendeteksian (ms)
91
18.
122.jpg
640x480
904
19.
132.jpg
637x480
889
20.
142.jpg
480x480
905
Dari pengujian yang dilakukan terhadap 100 file citra yang berbeda, didapatkan data-data sebagai berikut: Rata
rata waktu pendeteksian
Total waktu pendeteksian Jumlah data pengujian 91.417 100 914,17 ms
Waktu pendeteksian tercepat adalah 312 ms, pada citra berdimensi 640x480. Waktu pendeteksian terlama adalah 1.748 ms, pada citra berdimensi 640x474.
Berikut adalah tabel hasil pengujian terhadap 20 citra untuk mendapatkan persentase keakuratan pendeteksian dengan Realtime Face Detection Demo V 2.0.
Tabel 4.5 Tabel hasil pengujian terhadap citra untuk mengukur akurasi pendeteksian dengan Realtime Face Detection Demo V 2.0 (20 dari 100 pengujian) No.
Nama
Face_on
True_
False_
Total_
A
B
File
_image
positive
posivet
detected
(%)
(%)
1.
005.jpg
1
1
0
1
100
100
2.
016.jpg
1
0
0
0
0
100
3.
024.jpg
2
2
0
2
100
100
92
4.
036.jpg
2
1
0
1
50
100
5.
042.jpg
2
2
0
2
100
100
6.
052.jpg
4
4
0
4
100
100
7.
058.jpg
5
4
0
4
80
100
8.
065.jpg
6
4
0
4 66,667
100
9.
071.jpg
4
3
1
4
75
75
10.
079.jpg
9
7
0
7 77,778
100
11.
084.JPG
12
11
0
11 91,667
100
12.
090.jpg
16
10
0
10
62,5
100
13.
095.jpg
23
20
0
20 86,956
100
14.
100.jpg
21
19
1
20 90,476
90
15.
105.jpg
4
4
0
4
100
100
16.
111.jpg
6
6
0
6
100
100
17.
116.jpg
10
7
0
7
70
100
18.
122.jpg
11
8
1
9 72,727 88,889
19.
132.jpg
6
5
0
5 83,333
100
20.
142,jpg
9
9
0
9
100
100
Dari pengujian yang dilakukan terhadap 100 file citra yang berbeda, didapatkan rata-rata akurasi pendeteksian sebagai berikut:
93
∑ A Jumlah data pengujian
A
8.126,200 100 81,262 %
∑ B Jumlah data pengujian
B
9857,624 100 98,576 %
Rata
rata akurasi pendeteksian
A
B 2
81,262
98,576 2
179,838 2 89,919 % Besar false_positive yang didapatkan
∑ ∑ 11 650
false_positive total_detected 100%
0,01692 100% 1,692 %
100%
94
Berikut adalah tabel hasil pengujian dengan kamera web untuk mengukur waktu pendeteksian dengan Realtime Face Detection Demo V 2.0.
Tabel 4.6 Tabel hasil pengujian dengan kamera web untuk mengukur waktu pendeteksian dengan Realtime Face Detection Demo V 2.0 (20 dari 100 pengujian) No.
Nama Frame
Waktu Pendeteksian (ms)
1.
Frame001
219
2.
Frame002
243
3.
Frame003
218
4.
Frame004
156
5.
Frame005
187
6.
Frame006
156
7.
Frame007
171
8.
Frame008
187
9.
Frame009
141
10.
Frame010
187
11.
Frame011
154
12.
Frame012
234
13.
Frame013
203
14.
Frame014
176
15.
Frame015
203
16.
Frame016
202
17.
Frame017
219
95
18.
Frame018
219
19.
Frame019
234
20.
Frame020
327
Dari pengujian yang dilakukan terhadap 100 frame yang berbeda, didapatkan data-data sebagai berikut: Rata
rata waktu pendeteksian
Total waktu pendeteksian Jumlah data pengujian 225.020 100 225,02 ms
Waktu pendeteksian tecepat adalah 141 ms. Waktu pendeteksian terlama adalah 343 ms.
4.4
Evaluasi Dari pengujian yang dilakukan, didapatkan beberapa kesimpulan sebagai berikut:
‐
Pendeteksian wajah frontal pada citra dengan metode Viola Jones memiliki kecepatan yang jauh lebih tinggi dibandingkan dengan software Realtime Face Detection Demo V 2.0.
‐
Pendeteksian wajah frontal menggunakan kamera web dengan metode Viola Jones memiliki kecepatan yang lebih rendah dibandingkan dengan software Realtime Face Detection Demo V 2.0.
96
‐
Keakuratan pendeteksian wajah frontal dengan metode Viola Jones lebih tinggi dibandingkan dengan software Realtime Face Detection Demo V 2.0, walaupun persentase false positive yang didapatkan metode Viola jones lebih tinggi.
‐
Dimensi citra input mempengaruhi lamanya waktu pendeteksian dengan metode Viola Jones, tetapi kurang berpengaruh pada software Realtime Face Detection Demo V 2.0. Pada metode Viola jones, semakin besar dimensi citra input, semakin lama waktu yang dibutuhkan untuk melakukan pendeteksian.
‐
Pendeteksian Viola Jones bergantung pada besar sub-window awal dan faktor skala yang digunakan untuk melakukan pendeteksian. Sedangkan pada software Realtime Face Detection Demo V 2.0, pendeteksiannya bergantung pada jarak minimal antara kedua mata.
‐
Wajah yang dapat dideteksi oleh metode Viola Jones dengan penggunaan template file haarcascade_frontalface_alt.xml adalah wajah dengan posisi frontal. Semakin miring posisi suatu wajah, semakin kecil kemungkinan wajah tersebut dapat dideteksi.
