BAB 4 HASIL DAN PEMBAHASAN
4.1
Hasil Eksperimen Pada penelitian ini, eksperimen dilakukan terhadap metode Independent Component Analysis (ICA) dan Principal Component Analysis (PCA). Fokus utama penelitian ini adalah untuk mengtahui performa pengenalan dari metode ICA. Selain itu dalam penelitian ini juga akan dilakukan eksperimen untuk melihat perbandingan antara metode ICA dan PCA. Penggunaan metode ICA dan PCA untuk pengenalan wajah sendiri dibagi menjadi dua tahapan utama yaitu tahap pelatihan dan tahap pengujian. Pada tahap pelatihan dilakukan pre-process terhadap citra pelatihan dan proses pembuatan representasi citra pelatihan oleh metode ICA atau PCA. Tahap berikutnya adalah tahap pengujian. Pada tahap ini selain melakukan pre-process terhadap citra pengujian dan proses pembuatan representasi citra pengujian, juga akan dilakukan proses klasifikasi dengan K-Nearest Neighbor (KNN) sebagai classifier. Distance yang digunakan untuk KNN sendiri dibagi menjadi tiga yaitu euclidean, cityblock, dan cosine. Untuk mendapatkan hasil penelitian yang valid dalam menguji kemampuan ICA dalam melakukan pengenalan, penelitian ini menggunakan database wajah standar yaitu Ollivety Research Laboratory(ORL) Database of Faces dan Yale Face Database B. Ukuran citra yang digunakan untuk penelitian lebih lanjut dilakukan dengan melakukan eksperimen terhadap 80 citra yang tiap
51
52 individunya diwakili oleh 2 citra. Eksperimen dilakukan dengan menggunakan 80 citra baik untuk pelatihan maupun pengujian. Distance yang digunakan pengujian hanya cosine. Ukuran citra yang diuji adalah 32x32, 60x60, dan 64x64. Dan hasil dari eksperimen adalah: Tabel 4.1 Hasil Eksperimen terhadap Perbedaan Ukuran Citra Cosine Ukuran Berhasil
Gagal
32x32
74
6
60x60
75
5
64x64
75
5
Tabel 4.2 Persentase Keberhasilan Experimen terhadap Perbedaan Ukuran Citra
Ukuran
Persentase keberhasilan (%) Cosine
32x32
92.5
60x60
93.8
64x64
93.8
Dari hasil eksperimen tersebut ukuran 60x60 dipilih karena menghasilkan pengenalan yang lebih baik daripada 32x32 dan setara dengan 64x64. Eksperimen pengenalan wajah dengan metode ICA diimplementasikan dengan mengembangkan perangkat lunak dengan pemprograman berbasis
53 prosedural yaitu Matlab. Untuk informasi lebih jelas tentang perangkat lunak yang digunakan pada eksperimen ini dapat dilihat pada lampiran B.
4.1.1
Pengaruh Citra dengan Perbedaan Pose terhadap Performa Pengenalan Eksperimen ini menggunakan ORL Database. Seluruh data citra wajah berjumlah 400 citra yang terdiri dari 40 individu. Masing-masing individu mempunyai 10 citra dengan pose yang berbeda. 10 citra tersebut dinamai dengan nomor berurut dari 1.pgm hingga 10.pgm Dari 10 citra tersebut akan diambil 5 citra secara random sebagai citra pelatihan dan 5 citra sisanya sebagai pengujian. Citra-citra hasil pengambilan random untuk citra pelatihan adalah 4.pgm, 2.pgm, 3.pgm, 1.pgm dan 7.pgm. Sisanya yaitu 10.pgm, 5.pgm, 6.pgm, 8.pgm dan 9.pgm akan digunakan sebagai citra-citra pengujian. Dalam eksperimen ini perbedaan jumlah individu yang digunakan untuk pelatihan juga dilihat untuk mengetahui pengaruh dari jumlah database yang digunakan untuk pelatihan. Pada umumnya semakin banyak jumlah individu yang digunakan akan menurunkan performa. Eksperimen dilakukan dengan menggunakan 10 Individu (50 citra), 20 individu (100 citra), 30 individu (150 citra), 40 individu (200 citra) untuk pelatihan akan dibandingkan untuk mendapatkan performa ICA. Citra yang berhasil dikenali dengan benar akan dengan ditandai dengan tanda T dan ditandai dengan F apabila tidak dikenali dengan benar. Lalu performa dihitung dengan menggunakan rumus:
54 Keterangan: T : Citra yang berhasil dikenali dengan benar N : Jumlah citra pengujian Rincian hasil pengenalan terhadap setiap citra pengujian dapat dilihat pada Lampiran A. Berikut adalah hasil yang didapat dari ekperimen tersebut.
Tabel 4.3 Hasil Eksperimen terhadap Perbedaan Pose dan Perbedaan Jumlah Individu yang Digunakan untuk Pelatihan Euclidean
Cityblock
Cosine
Perbedaan Pose 10 Individu (50 citra) 20 Individu (100 citra) 30 Individu (150 citra) 40 Individu (200 citra)
Berhasil
Gagal
Berhasil
Gagal
Berhasil
Gagal
37
13
37
13
25
25
86
14
81
19
81
19
130
20
125
25
124
26
157
43
151
49
169
31
Tabel 4.3 menjelaskan jumlah keberhasilan dan kegagalan citra pengujian yang didapat pada eksperimen terhadap perbedaan pose. Selain itu dalam tabel ini juga menjelaskan jumlah keberhasilan dan kegagalan citra pengujian terhadap pengaruh jumlah individu yang digunakan untuk tahap pelatihan. Jumlah individu yang digunakan untuk pelatihan dimulai dari 10, 20, 30, hingga 40 individu yang masing-masing individu memiliki pose yang berbeda.
55 Tabel 4.4 Persentase Keberhasilan terhadap Perbedaan Pose dan Perbedaan Jumlah Individu yang Digunakan untuk Pelatihan
Jumlah individu pelatihan 10 Individu (50 citra) 20 Individu (100 citra) 30 Individu (150 citra) 40 Individu (200 citra)
Perentase keberhasilan (%) Euclidean
Cityblock
Cosine
74
74
50
86
81
81
87
83
83
79
76
85
Tabel 4.4 menjelaskan perentase keberhasilan citra pengujian yang didapat pada eksperimen terhadap perbedaan pose. Selain itu persentasi keberhasilan jika jumlah individu yang digunakan untuk pelatihan berbeda. Dari table tersebut dapat ditarik kesimpulan tentang performa yang dihasilkan ICA jika citra wajah yang digunakan memiliki perbedaan pose dan kesimpulan tentang pengaruh jumlah individu untuk pelatihan terhadap performa ICA.
4.1.2
Pengaruh Citra Noise terhadap Performa Pengenalan Eksperimen ini menggunakan ORL Database. Seluruh data citra wajah berjumlah 400 citra yang terdiri dari 40 individu. Masing-masing individu mempunyai 10 citra dengan posisi sudut yang berbeda. 10 citra tersebut dinamai dengan nomor berurut dari 1.pgm hingga 10.pgm Dari 10 citra tersebut akan diambil 5 citra secara random sebagai citra pelatihan dan 5 citra sisanya sebagai pengujian. Citra-citra hasil pengambilan random untuk citra pelatihan adalah
56 4.pgm, 2.pgm, 3.pgm, 1.pgm dan 7.pgm. Sisanya yaitu 10.pgm, 5.pgm, 6.pgm, 8.pgm dan 9.pgm akan digunakan sebagai citra-citra pengujian. Eksperimen ini menggunakan salt and paper noise sebagai noise. Hasil dari pengujian citra noise dengan densitas noise 0.05, 0.15, 0.25, 0.35, 0.45, 0.55 akan dibandingkan untuk mendapatkan performa ICA. Perbedaan untuk masing-masing densitas noise dapat dilihat pada gambar 4.1
D=0.05
D=0.15
D=0.25
D=0.35
D=0.45
D=0.55
Gambar 4.1 Citra Noise dengan Berbagai Densitas Citra yang berhasil dikenali dengan benar akan dengan ditandai dengan tanda T dan ditandai dengan F apabila tidak dikenali dengan benar. Lalu performa dihitung dengan menggunakan rumus:
Rincian hasil pengenalan terhadap setiap citra pengujian dapat dilihat pada Lampiran A. Berikut adalah hasil yang didapat dari ekperimen tersebut.
57 Tabel 4.5 Hasil Eksperimen Terhadap Berbagai Densitas Citra Noise Euclidean
Cityblock
Cosine
Densitas Noise citra pengujian
Berhasil
Gagal
Berhasil
Gagal
Berhasil
Gagal
Densitas 0.05
154
46
148
52
166
34
Densitas 0.15
141
59
132
68
165
35
Densitas 0.25
123
77
105
95
158
42
Densitas 0.35
101
99
81
119
153
47
Densitas 0.45
71
129
53
147
151
49
Densitas 0.55
46
154
41
159
131
69
Tabel 4.5 menjelaskan jumlah keberhasilan dan kegagalan dari 200 citra pengujian yang didapat pada eksperimen terhadap citra noise dengan berbagai densitas.
Tabel 4.6 Persentase Keberhasilan Terhadap Berbagai Densitas Citra Noise Persentasi Keberhasilan (%)
Densitas Noise citra pengujian
Euclidean
Cityblock
Cosine
Densitas 0.05
77
74
83
Densitas 0.15
71
66
83
Densitas 0.25
66
53
79
Densitas 0.35
51
41
76
Densitas 0.45
36
27
76
Densitas 0.55
23
21
66
58 Tabel 4.6 menjelaskan persentase keberhasilan dari 200 citra pengujian yang didapat pada eksperimen terhadap citra noise dengan berbagai densitas. Dari tabel tersebut dapat dihitung performa pengenalan metode ICA terhadap citra noise.
4.1.3
Pengaruh Citra dengan Berbagai Iluminasi terhadap Performa Pengenalan Eksperimen ini menggunakan Yale Face Database B. Seluruh database Yale Face B terdapat 39 individu dengan masing-masing mempunyai 65 citra frontal face dengan koordinat sumber cahaya yang berbeda-beda, yang berarti seluruh citra ada 2535 citra. Namun pada penelitian ini diambil 31 dari 39 individu dikarenakan ada beberapa citra yang mempunyai sedikit kerusakan. Citra yang mempunyai sedikit kerusakan tersebut tersebar dari individu ke-11 hingga ke-18. Untuk menciptakan kondisi pengujian yang baik dan benar maka individu ke-11 hingga ke-18 tidak digunakan. Dari 65 sampel citra untuk masing-masing individu akan diambil 5 citra secara random sebagai pelatihan dan 5 citra sisanya sebagai pengujian. Citracitra hasil pengambilan secaran random untuk citra pelatihan adalah P00A-005E10.pgm, P00A-010E+00.pgm, P00A-015E+20.pgm, P00A-035E-20.pgm dan P00A+005E+10.pgm. Sisanya yaitu P00A-020E-10.pgm, P00A-020E+10.pgm, P00A-035E+15.pgm, P00A+000E-35.pgm dan P00A+000E+45.pgm akan digunakan sebagai citra-citra pengujian, sehingga seluruh citra yang akan diuji berjumlah 155 citra.
59 Citra yang berhasil dikenali dengan benar akan dengan ditandai dengan tanda T dan ditandai dengan F apabila tidak dikenali dengan benar. Lalu performa dihitung dengan menggunakan rumus:
Rincian hasil pengenalan terhadap setiap citra pengujian dapat dilihat pada Lampiran A. Berikut adalah hasil yang didapat dari ekperimen tersebut.
Tabel 4.7 Hasil Eksperimen Terhadap Citra Iluminasi Euclidean
Citra Iluminasi
Cityblock
Cosine
Berhasil
Gagal
Berhasil
Gagal
Berhasil
Gagal
152
3
153
2
147
8
Tabel 4.7 menjelaskan jumlah keberhasilan dan kegagalan dari 155 citra pengujian yang didapat pada eksperimen terhadap citra iluminasi.
Tabel 4.8 Persentase Keberhasilan Terhadap Citra Iluminasi Persentasi Keberhasilan (%)
Citra Iluminasi
Euclidean
Cityblock
Cosine
98
99
95
Tabel 4.8 menjelaskan persentase keberhasilan dari 155 citra pengujian yang didapat pada eksperimen terhadap citra iluminasi. Dari tabel tersebut dapat dihitung performa pengenalan metode ICA terhadap citra iluminasi.
60 4.1.4
Perbedaan Performa PCA dengan ICA Pada eksperimen ini ORL Database dan Yale Face Database B digunakan untuk mengukur perbedaan performa yang dihasilkan oleh PCA dan ICA dalam melakukan pengenalan wajah. Data citra wajah yg digunakan berjumlah 400 citra yang terdiri dari 40 individu untuk ORL Database dan digunakan 155 citra yang terdiri dari 31 individu untuk Yale Database. Kondisi citra pelatihan yang diambil untuk ORL dan Yale Database sama seperti eksperimen-eksperimen sebelumnya. Citra yang berhasil dikenali dengan benar akan dengan ditandai dengan tanda T dan ditandai dengan F apabila tidak dikenali dengan benar. Lalu performa dihitung dengan menggunakan rumus:
Rincian hasil pengenalan terhadap setiap citra pengujian dapat dilihat pada Lampiran A. Berikut adalah performa PCA yang didapat dari ekperimen tersebut.
Tabel 4.9 Hasil Eksperimen Terhadap Metoda PCA Euclidean
ORL Database (200 citra) Yale Database (155 citra)
Cityblock
Cosine
Berhasil
Gagal
Berhasil
Gagal
Berhasil
Gagal
119
81
156
44
117
83
130
25
150
5
87
68
Tabel 4.9 menjelaskan jumlah keberhasilan dan kegagalan pengenalan dari 200 citra pengujian untuk ORL Database dan 155 citra pengujian untuk Yale
61 Database dengan menggunakan metode PCA.
Tabel 4.10 Perbandingan Persentase Keberhassilan Antara ICA dan PCA Persentasi Keberhasilan (%) ORL Database (200 citra)
Yale Database (155 citra)
Euclidean
Cityblock
Cosine
Euclidean
Cityblock
Cosine
PCA
60
78
59
84
97
56
ICA
79
76
83
98
99
95
Tabel 4.10 menjelaskan perbandingan persentase keberhasilan pengenalan dari 200 citra pengujian untuk ORL Database dan 155 citra pengujian untuk Yale Database antara metode PCA dan. ICA. 4.2
Pembahasan Hasil Penelitian Berdasarkan hasil eksperimen yang telah dilakukan, didapat beberapa hasil yang menarik untuk dibahas. Pertama adalah eksperimen yang dilakukan pada ORL database terhadap jumlah individu yang digunakan sebagai citra pelatihan dan penambahan noise dengan berbagai densitas pada citra pengujian.
62
Gambar 4.2 Grafik Pengaruh Jumlah Individu terhadap performa ICA Dari gambar 4.2 dapat dilihat bahwa penggunaan jumlah individu sebagai citra pelatihan untuk metode ICA sedikit banyak mempengaruhi performa pengenalan dan memberikan hasil berbeda untuk tiap-tiap distance measure yang digunakan. Untuk euclidean dan cityblock yang memiliki kemiripan memberikan hasil yang tidak jauh berbeda, yaitu keduanya menghasilkan performa yang baik saat 10 individu digunakan untuk basis citra pelatihan. Performanya terus meningkat hingga 30 individu namun performanya menurun saat 40 individu digunakan sebagai basis pelatihan. Hasil berbeda ditunjukan oleh cosine dimana mengalami performa yang buruk saat 10 individu namun performanya terus meningkat seiring mengingkatnya jumlah individu.
63
Gambar 4.3 Grafik Pengaruh Citra Noise Performa pengenalan terhadap citra noise juga merupakan hal yang menarik untuk dibahas. Dari gambar 4.3 dapat dilihat bahwa hasil eksperimen kali ini memiliki kesamaan yaitu pemilihan distance measure menjadi salah satu faktor yang perlu dipertimbangkan. Untuk euclidean dan cityblock distance mengalami penurunan performa yang cukup signifikan seiring dengan meningkatnya densitas noise dalam citra. Hasil berbeda ditunjukan dari cosine, meskipun mengalami penurunan performa namun penurunan yang dialami oleh cosine tidak terlalu signifikan dan cenderung lebih stabil.
64
Gambar 4.4 Grafik Performa Pengenalan Citra Iluminasi Eksperimen performa ICA selain dilakukan terhadap ORL database, juga dilakukan pada Yale database B. Yale database B itu adalah basis citra yang tiap masing-masing citranya memiliki perbedaan iluminasi. Dari eksperimen yang kami lakukan diperoleh hasil bahwa ketiga measure distance menghasilkan performa yang tidak jauh berbeda. ketiganya memberikan performa cukup baik yang berada diatas 90%, namun demikian cityblock distance merupakan distance yang menghasilkan performas tertinggi dengan 99% diikuti euclidean 98% dan cosine 95%.
65 Pembahasan yang paling menarik adalah tentang perbandingan performa antara PCA dan ICA. Eksperimen kali ini dilakukan dengan menggunakan ORL database dan Yale database B. Penggunaan distance measure juga digunakan sebagai pertimbangan dalam eksperimen kali ini untuk mengetahui perbedaan performa yang dihasilkan oleh distance measure.
Gambar 4.5 Perbandingan Performa Pengenalan Metode PCA dan ICA Dari eksperimen yang dilakukan, hasil performa metode ICA terbukti lebih superior jika dibandingkan dengan metode PCA. Hampir keseluruhan eksperimen menunjukan bahwa ICA menghasilkan performa pengenalan wajah lebih baik. Dan pemilihan distance measure juga menentukan performa pengenalan wajah pada metode PCA. Perbedaan kontras antara metode PCA dan ICA adalah pada cosine, untuk PCA cosine memberikan hasil yang kurang baik namun untuk ICA, cosine justru memeberikan hasil yang baik.
66 Dari eksperimen yang dilakukan dapat ditarik kesimpulan bahwa metode ICA itu terbukti lebih baik dibandingkan metode PCA.
Pemilihan distance
measure juga merupakan salah satu faktor yang menentukan performa pengenalan dari kedua metode tersebut. Pemilihan distance measure juga tergantung pada metode apa yang digunakan.Misalnya untuk PCA pilihan terbaik jatuh pada cityblock diikuti euclidean dan cosine namun untuk ICA pilihan terbaik justru jatuh cosine diikuti cityblock dan euclidean. Lebih khusus lagi untuk tugas yang berbeda untuk ICA, distance measure memiliki pengaruh berbeda. Misalnya untuk pengaruh penggunaan jumlah individu sebagai basis pelatihan dan noise, cosine menghasilkan performa terbaik. Namun untuk perbedaan iluminasi, cityblock menghasilkan performa terbaik.