Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol. 2, No. 1, Januari 2018, hlm. 199-208
e-ISSN: 2548-964X http://j-ptiik.ub.ac.id
Penerapan Bayesian Network Pada Sistem Pakar Ekspresi Wajah dan Bahasa Tubuh Melalui Pengamatan Indra Penglihatan Pada Foto Muhammad Adiputra1, Rekyan Regasari Mardi Putri2, Suprapto3 Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email:
[email protected],
[email protected],
[email protected] Abstrak Ekspresi wajah dan bahasa tubuh merupakan bahasa non-verbal yang dapat menggambarkan emosi sesungguhnya dalam diri seseorang. Gerakan pada ekspresi wajah dan bahasa tubuh yang ditunjukkan oleh manusia tidak hanya mengandung satu makna tersendiri. Selain itu, untuk beberapa kasus perlu adanya kombinasi antara ekspresi wajah tersebut dengan gerak tubuhnya untuk mengetahui makna tersembunyi di dalamnya. Sistem pakar ekspresi wajah dan bahasa tubuh merupakan penerapan dari teori probabilistik dan teori graf pada metode bayesian network. Tujuan dari pembuatan sistem pakar ini adalah untuk mengidentifikasi arti atau makna emosi yang ditunjukkan seseorang melaui ekspresi wajah dan bahasa tubuhnya. Terdapat 7 ungkapan perasaan dan emosi yang menjadi keluaran sistem, yaitu: bohong, jujur, marah, sedih, takut, bahagia, dan terkejut. Berdasarkan pada pengujian variasi data latih diperoleh hasil bahwa jumlah data latih dan variasi data latih mempengaruhi nilai akurasi sistem. Selain itu, diketahui juga bahwa semakin banyak jumlah data latih yang digunakan dan semakin bervariasi, maka semakin tinggi tingkat akurasinya. Sedangkan berdasarkan hasil pengujian menggunakan metode f-measure yang dilakukan terhadap 5 kasus yang berisi 28 gambar, dimana setiap gambar menunjukkan ekspresi wajah dan bahasa tubuh dari 5 orang yang berbeda, diperoleh hasil rata-rata precision sebesar 80.47%, recall 86.34%, dan tingkat akurasi untuk f-measure sebesar 80.31%. Kata kunci: ekspresi wajah, bahasa tubuh, bayesian network, inferensi, sistem pakar Abstract Facial expression and body language is a non-verbal language that can describe the real emotion in a person. Movement on facial expressions and body language shown by humans not only contains. Other than that, for some cases it needs a combination of facial expressions with body language to know the hidden meaning in it. The expert system of facial expression and body language is the application of probabilistic theory and graph theory on the bayesian network method. The purpose of making this expert system is to identify the meaning of emotion that a person shows through facial expression and body language. There are 7 expressions of feelings and emotions that becomes the system output, that are: lie, honest, angry, sad, fear, happy, and suprised. Based on testing of variation data training, it was found that the amount of data training and variation of it also affected the accuracy of the system result. In addition, it is also known that more data training used and more varied, it will increase the level of accuracy. While based on the results of the test using the f-measure method conducted on 5 cases containing 28 images, where each picture shows facial expression and body language of 5 different people, obtained the average of 80.47% precision, 86.34% recall, and an accuracy level for f-measure is 80.31%. Keywords: facial expression, body language, bayesian network, inference, expert system lawan bicara akan tersibak (Setyanta, 2011). Perilaku tersebut dapat mengirimkan pesan yang diarahkan langsung oleh pikiran bawah sadar, sehingga apa yang dilakukannya sering tidak disadari oleh dirinya sendiri. Dengan demikian, ekspresi bawah sadar, misalnya
1. PENDAHULUAN Ekspresi wajah dan gerak tubuh yang dilakukan oleh seseorang dapat menceritakan apa yang sedang dipikirkannya. Melalui ekspresi wajah dan gerak tubuh, tabir perasaan Fakultas Ilmu Komputer Universitas Brawijaya
199
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
berupa isyarat tubuh, ekspresi wajah, sudut, jarak, gerak-gerik, dan sikap tubuh dapat mengungkap maknanya sendiri tanpa mengucapkan satu kata pun (Setyanta, 2011). Umumnya kemampuan membaca ekspresi wajah dan bahasa tubuh ini dimiliki oleh seorang psikolog. Ilmu yang mempelajari lebih dalam mengenai hal tersebut adalah ilmu psikologi komunikasi, ilmu fisiognomi, psikologi forensik, serta ilmu mikro ekspresi. Setiap orang pada umumnya dapat membaca ekspresi wajah dan bahasa tubuh orang lain, seperti ekspresi bahagia, dan sedih. Namun tidak semua ekspresi wajah atau gerak tubuh memiliki satu makna tersendiri, bisa saja ekspresi wajah atau gerak tubuh seseorang memiliki dua, tiga atau bahkan lebih makna yang berbeda, sehingga menimbulkan ketidakpastian. Selain itu, untuk beberapa kasus perlu adanya kombinasi antara ekspresi wajah tersebut dengan gerak tubuhnya untuk mengetahui makna tersembunyi di dalamnya. Contohnya ketika petutur membuang tatapan dengan bola mata melihat ke arah bawah ketika sedang berbicara dengan penutur, hal tersebut dapat mengindikasikan bahwa petutur tersebut sedang sedih, dapat juga mengindikasikan bahwa petutur merasa bersalah, atau dapat pula menandakan petutur merasa takut/tunduk. Menurut pakar, aktivitas tersebut akan memiliki nilai kepastian yang lebih tinggi jika terdapat kombinasi dengan gerak tubuh yang lain, misalkan dibarengi dengan sudut bibir yang tertarik ke arah bawah dan menaikan sudut alis bagian dalam, kedua hal tersebut dapat meningkatkan nilai kepastian dari bahasa nonverbal tersebut yang mengindikasikan bahwa si petutur sedang merasa sedih. Berdasarkan masalah ketidakpastian tersebut, maka perlu adanya sebuah aplikasi yang dapat menyimpan pengetahuan dari seorang psikolog yang ahli di bidang mikro ekspresi atau ahli ilmu fisiognomi sebagai fakta dan aturan dalam sebuah basis pengetahuan untuk selanjutnya diolah menggunakan mesin inferensi sehingga menghasilkan kesimpulan berupa makna/arti dari ekspresi wajah dan gerak tubuh seseorang berdasarkan sinyal/gerakan yang ditunjukkan oleh seseorang ketika melakukan kontak dengan lawan bicara. Basis pengetahuan dan mesin inferensi tersebut merupakan komponen utama dalam membangun sebuah sistem pakar. Metode bayesian network merupakan salah satu metode uncertainty (ketidakpastian) yang dapat Fakultas Ilmu Komputer, Universitas Brawijaya
200
merepresentasikan hubungan kausalitas (sebabakibat) antara ekspresi wajah dan gerakan tubuh. Metode bayesian network dapat mengeksploitasi hubungan bebas bersyarat (conditional independence) dalam membangun struktur jaringan, sehingga dapat membangun sebuah model yang lebih tersusun dan mengurangi kompleksitas perhitungan dalam melakukan inferensi (Neapolitan, 2004). Karakteristik dari ekspresi wajah dan bahasa tubuh yang beragam dan dapat saling berkaitan cocok untuk diselesaikan dengan metode bayesian network karena metode tersebut dapat menangani variabel input yang saling berelasi. Dengan menggunakan metode bayesian network, maka dapat dilakukan perhitugan probabilitas dari kehadiran berbagai sinyal/gerakan tubuh dan ekspresi wajah untuk mengetahui arti/makna yang tersembunyi didalamnya. Berdasarkan pembahasan tersebut, maka penelitian ini diberi judul βPenerapan Bayesian Network Pada Sistem Pakar Ekspresi Wajah dan Bahasa Tubuh Melalui Pengamatan Indra Penglihatan Pada Fotoβ sebagai sarana untuk memenuhi kebutuhan masyarakat dan pihakpihak terkait dalam kemampuan membaca ekspresi wajah dan bahasa tubuh sebagai pendukung dan pertimbangan dalam pengambilan tindakan, namun sistem ini tetap hanya bersifat sebagai sarana referensi dan tidak memiliki nilai/hasil mutlak untuk menilai seseorang hanya berdasarkan pada hasil keluaran yang diperoleh. 2. KAJIAN PUSTAKA 2.1. Kajian Pustaka Berdasarkan pada topik penelitian skripsi yang telah dibahas, terdapat beberapa penelitian-penelitian terdahulu yang relevan dengan topik penelitian. Uraian dari penelitianpenelitian tersebut dapat dilihat pada tabel 1. Tabel 1. Kajian Pustaka Metode
Keluaran
Judul
Objek Masukan dan Parameter
Proses
Hasil Penelitian
ENTDEx: ENT Diagnosis
Gejalagejala yang dirasakan
Bayesian Network
Hasil diagnosis sistem yang
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Expert System Using Bayesian Networks
oleh pasien pada area telinga, hidung dan tenggorokan
A Preeclampsia Diagnosis Approach using Bayesian Networks
Gejalagejala yang dirasakan oleh pasien dalam masa kehamilan
mengelompok kan 18 jenis penyakit pada area telinga, hidung dan tenggorokan (THT) Bayesian Network
Hasil diagnosis sistem yang berkaitan dengan penyakit preeclampsia dan aksi yang direkomenda sikan bagi perawatan ibu hamil
2.2. Sistem Pakar Menurut Fegenbum (dalam Kumar, 2008) dari universitas Stanford, βsistem pakar adalah sebuah program komputasi cerdas yang menggunakan pengetahuan dan prosedur inferensi dalam memecahkan masalah yang cukup sulit, yang membutuhkan keahlian manusia yang signifikan sebagai solusiβ. Sistem pakar dapat berfungsi dengan baik dalam domain/lingkup yang telah didefinisikan (Kumar, 2008). Terdapat 2 lingkup yang berbeda dalam membangun struktur sistem pakar, yakni lingkungan konsultasi dan lingkungan pengembangan. Struktur sistem pakar secara umum dapat dilihat pada gambar 1:
201
2.3. Bayesian Network Bayesian network adalah salah satu metode probabilistic graphical model (PGM) yang cukup sederhana, dimana metode ini dibangun dari teori probabilistik dan teori graf. Teori probabilistik berhubungan langsung dengan data sedangkan teori graf berhubungan langsung dengan bentuk representasi yang ingin didapatkan (Heckerman, 1995). Struktur jaringan bayesian network terdiri dari node dan edge. Node/simpul diisi oleh variabel yang menjadi objek penelitian, Sedangkan edge menggambarkan hubungan atau asosiasi antar node tersebut (Heckerman, 1995). Untuk mengilustrasikan proses dari bayesian network, maka diberikan contoh kasus yang disajikan dalam bentuk graf pada gambar 2 berikut:
Gambar 2. Contoh Kasus Struktur Graf Bayesian Network
Berdasarkan graf pada gambar 2, dengan menggunakan penerapan metode bayesian network, maka beberapa permasalahanpermasalahan tertentu dapat diselesaikan dengan menggunakan persamaan 1 berikut: π(π|π, π, π , π) = π(π|π, π, π )
Gambar 1. Gambaran Umum Sistem Pakar
Berdasarkan gambar 1, terdapat beberapa komponen dalam perancangan sistem pakar, yaitu: akuisisi pengetahuan, basis pengetahuan, mesin inferensi, blackboard, fasilitas penjelas, aksi yang direkomendasikan, perbaikan pengetahuan, dan antarmuka pengguna. Setiap komponen tersebut merupakan struktur yang saling terkait dalam membangun sistem pakar.
Fakultas Ilmu Komputer, Universitas Brawijaya
(1)
Berdasarkan pada persamaan 1, Metode bayesian network menyelesaikan permasalahan dengan berdasarkan pada struktur graf yang terbentuk. Misalkan berdasarkan pada persamaan 1, yaitu P(a|f) ditanyakan peluang terjadinya βaβ dengan diberikannya kejadian βfβ. Karena variabel βaβ dan variabel βfβ tidak memiliki relasi, maka persamaan tersebut bisa disederhanakan menjadi P(a) dan begitu juga dengan persaman-persamaan berikutnya. Berdasarkan pada contoh kasus dari gambar 2, maka probabilitas f jika diberikan terhadap semua variabel yang ada dapat dihitung dengan menggunakan persamaan 2 berikut: π(π |π, π , π, π) =
π(π,π,π ,π,π) βπβ² π(πβ²,π,π ,π,π)
Keterangan: P(f|a,s,g,j) = Probabilitas kejadian f
(2)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
P(f,a,s,g,j) P(a,s,g,j)
diberikan oleh kejadian a, s, g, j = Joint distribution kejadian f, a, s, g, j = Joint distribution kejadian a, s, g, j (Marginal probability)
Berdasarkan pada persamaan 2 jika diselesaikan menggunakan persamaan 1 maka akan menjadi persamaan 3 berikut: π(π|π, π , π, π) = π(π)π(π|π )π(π |π, π, π ) (3) βπβ² π(πβ² )π(π|π β² )π(π|π β² , π, π )
Keterangan: P(f|a,s,g,j) = Probabilitas kejadian f diberikan oleh kejadian a, s, g, j P(f) = Peluang terjadinya variabel f P(g|f) = Peluang terjadinya variabel g jika variabel f telah terjadi P(j|f,a,s) = Peluang terjadinya variabel j jika variabel f, a, dan s telah terjadi Berdasarkan pada persamaan 3, P(f) dapat disebut sebagai prior probability, P(g|f) dan P(j|f,a,s) disebut sebagai conditional probability, sedangkan pembagi pada rumus bayesian network dapat disebut sebagai marginal probability atau normalizing constant. 2.4. Sinyal Dari Ekspresi Wajah dan Bahasa Tubuh Beserta Maknanya Sinyal yang dimaksud dalam penelitian ini adalah cara yang digunakan manusia dalam menyampaikan pesan dan informasi melalui gerak anggota tubuh, mata, dan ekspresi wajah yang dilakukan, baik secara sadar maupun tidak sadar. Gerakan pada wajah meliputi alis, mata dan mulut. Sedangkan untuk gerakan yang menunjukkan bahasa tubuh meliputi gerakan kepala, lengan dan tangan. Keluaran yang diperoleh melingkupi 2 makna gerakan yang memerlukan kombinasi dari ekspresi wajah & gerakan tubuh, dan sifatnya belum pasti (Ekman, 2009), serta 5 jenis emosi sebagai output untuk mewakili makna dari kombinasi ekspresi wajah dan gerakan tubuh yang dikemukakan oleh goleman (1997) dan Ekman (2009), yaitu: 1. Bohong: berbohong, mengada-ada, mengarang-ngarang cerita 2. Jujur: tulus, terbuka, terus terang. 3. Marah: kesal hati, terganggu, berang, tersinggung, muak, benci, tidak suka
Fakultas Ilmu Komputer, Universitas Brawijaya
202
4. Sedih: kecewa, pedih, suram, putus asa, frustasi, tertekan, menyesal, depresi berat 5. Takut: cemas, gugup, gelisah, khawatir, waswas, tidak tenang, dan panik 6. Bahagia: gembira, puas, senang, terhibur, bangga, nikmat inderawi, rasa terpenuhi 7. Terkejut: Kaget, terkesiap Sehingga total melingkupi 7 jenis output yang menjadi hasil keluaran dari input data berupa ekspresi wajah dan bahasa tubuh untuk menghasilkan arti atau makna dari kombinasi gerakan-gerakan tersebut. 3. PERANCANGAN Perancangan pada penelitian ini meliputi perancangan basis pengetahuan, mesin inferensi, blackboard, fasilitas penjelas, perbaikan pengetahuan, dan antarmuka. 3.1. Basis Pengetahuan Basis pengetahuan berisi informasi tentang fakta dan aturan yang diperoleh dari pengetahuan pakar untuk digunakan dalam memahami, memformulasi, dan memecahkan masalah. Basis pengetahuan memuat aturan dan fakta mengenai objek dalam domain yang dipilih dan relasi diantaranya. Data arti gerakan yang telah diperoleh melalui literatur dan hasil wawancara dengan pakar selaku dosen psikologi ilmu fisiognomi di Universitas Muhammadiyah Malang, yaitu Bapak Zakarija Achmat, Msi yang digunakan sebagai basis pengetahuan dapat dilihat pada tabel 2 berikut: Tabel 2. Arti atau Makna Gerakan Kode Nama Arti/Makna Arti/Makna AMG01 Bohong: berbohong, mengada-ada, mengarang-ngarang cerita AMG02 Jujur: tulus, terbuka, terus terang AMG03 Marah: kesal hati, terganggu, berang, tersinggung, muak, benci, tidak suka AMG04 Sedih: kecewa, pedih, suram, putus asa, frustasi, tertekan, menyesal, depresi berat (patologis) AMG05 Takut: cemas, gugup, gelisah, khawatir, waswas, tidak tenang, dan panik (patologis) AMG06 Bahagia: gembira, puas, senang, terhibur, bangga, kenikmatan inderawi, rasa terpenuhi AMG07 Terkejut: Kaget, terkesiap
Sedangkan untuk aturan yang digunakan sebagai basis pengetahuan pada penelitian ini menggunakan struktur jaringan yang direpresentasikan dalam bentuk graf bayesian network dan simpan pada database dalam
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
bentuk tabel aturan yang dapat dilihat pada tabel 3 berikut: Tabel 3. Aturan Identifikasi Ekspresi Wajah dan Bahasa Tubuh Kode Arti/Makna AMG01
AMG02
AMG03
AMG04
AMG05
AMG06
AMG07
Kode Gerakan AL01 AL04 AL05 MA01 AL02 AL05 MA03 AL01 AL03 AL04 MA01 AL03 AL04 AL05 MA01 MA04 AL02 AL03 AL04 MA01 MA04 MA07 MA08 AL02 AL05 MA08 AL01 AL02 MA05
MA02 MA07 MA08 MA11 MA05 MA06 MA11 MA05 MA06 MA07 MA09 MA11 MA12 MA13 MA15 MU04 MA09 MA10 MA11 MA12 MU02 MU04 MU05 MA09 MA13 MA14 MA08 MA09 MA10
MA15 MU01 MU02 KE01 MA14 MA15 MA16 MA11 MU04 MU05 MU06 MU05 MU06 MU07 KE01 KE05 MU06 MU08 KE01 KE02 KE05 KE06 LE04 MA15 MA16 MU03 MU10 TA09 TA15
KE04 LE01 TA01 TA03 MU03 MU09 KE02 KE01 KE02 KE03 LE02 KE06 LE03 TA02 TA11 TA12 TA01 TA02 TA05 TA07 TA08 TA10 TA11 MU09 KE03 KE04 TA16 TA17
TA04 TA06 TA07 KE03 TA09 TA10
203
chaining melakukan penelusuran dari faktafakta tentang sinyal dari ekspresi wajah dan bahasa tubuh yang diberikan oleh user/ pengguna umum sebagai masukan sistem untuk digunakan dalam memperoleh kesimpulan berupa arti/makna gerakan dengan probabilitas tertinggi (dari fakta menuju konklusi). Proses yang terjadi di dalam mesin inferensi dengan pendekatan forward chaining untuk penerapan bayesian network pada sistem pakar ekspresi wajah dan bahasa tubuh melalui pengamatan indra penglihatan pada foto dapat dilihat pada gambar 4 berikut:
TA15 TA16 TA17
TA13 TA14 TA17
TA15 TA17
Gambar 4. Inferensi Forward Chaining dengan Metode Bayesian Network
Detail proses perhitungan menggunakan metode bayesian network dapat dilihat pada alur algoritma dalam bentuk flowchart dari gambar 5 berikut:
Sedangkan untuk struktur jaringan dari bayesian network pada penelitian ini dapat dilihat pada gambar 3: AMG01
AMG03
AMG02
AL01
AL02
AL03
AL04
AL05
MA01
MA02
MA03
MA04
MA05
MA06
MA07
MA08
MA09
MA10
MA11
MA12
MA13
MA14
MA15
MA16
MU01
MU02
MU03
MU04
MU05
MU06
MU07
MU08
MU09
MU10
KE01
KE02
KE03
KE04
KE05
KE06
LE01
LE02
LE03
LE04
TA01
TA02
TA03
TA04
TA05
TA06
TA07
TA08
TA09
TA10
TA11
TA12
TA13
TA14
TA15
TA16
TA17
AMG04
AMG05
AMG06
AMG07
Gambar 3. Struktur Bayesian Network Ekspresi Wajah dan Bahasa Tubuh
3.2. Mesin Inferensi Mesin inferensi dalam penelitian ini menggunakan penelusuran jawaban dengan pendekatan forward chaining. Metode forward Fakultas Ilmu Komputer, Universitas Brawijaya
Gambar 5. Flowchart Bayesian Network Ekspresi Wajah & Bahasa Tubuh
3.3. Blackboard Blackboard (daerah kerja) merupakan area memori dalam sistem pakar yang memiliki fungsi untuk merekam proses pengolahan data dalam sistem pakar termasuk menyimpan hasil
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
sementara untuk memperoleh kesimpulan pada sistem pakar berdasarkan input yang dimasukkan oleh pengguna. Pada penelitian ini, data yang direkam dan disimpan sementara pada blackboard meliputi: 1. Gerakan tubuh sebagai input dari pengguna 2. Nilai perhitungan prior probability 3. Nilai perhitungan conditional probability 4. Nilai perhitungan marginal probability 5. Nilai perhitungan posterior probability
204
3.6. Antarmuka Antarmuka menjembatani proses interaksi antara sistem pakar dengan pengguna. Antarmuka yang diberikan kepada pengguna dalam penelitian ini berupa form checkbox yang berisi gambar gerakan dan keterangannya serta halaman hasil identifikasi beserta fasilitas penjelasnya seperti yang dapat dilihat pada gambar 6 berikut:
3.4. Fasilitas Penjelas Fasilitas penjelas pada aplikasi penerapan bayesian network pada sistem pakar ekspresi wajah dan bahasa tubuh melalui pengamatan indra penglihatan pada foto mencakup: 1. Pada halaman home, sistem memberikan fasilitas penjelas berupa: a. Informasi mengenai sistem pakar ekspresi wajah dan bahasa tubuh b. Penjelasan cara penggunaan aplikasi c. Penjelasan dari jenis input yang diberikan oleh pengguna beserta dengan contoh gambar dan penerapannya pada aplikasi 2. Pada halaman hasil identifikasi arti, sistem memberikan fasilitas penjelas berupa: a. Daftar data gerakan yang menjadi masukkan pengguna b. Nilai-nilai dari setiap tahap perhitungan, meliputi: nilai prior probability, conditional probability, dan posterior probability c. Nilai probabilitas tertinggi d. Keterangan dari hasil yang diperoleh 3.5. Perbaikan Pengetahuan Pada penelitian ini, perbaikan pengetahuan dilakukan oleh seorang pakar atau melalui knowledge engineer dengan menambahkan, mengubah, dan menghapus pengetahuan pada menu pengelolaan data yang telah disediakan, yaitu pengelolaan data gerakan, pengelolaan data arti, pengelolaan data aturan, dan pengelolaan data training. Perbaikan pengetahuan tidak ditambahkan secara otomatis ke dalam data training oleh sistem karena perlu adanya mekanisme pengecekan korelasi antara kombinasi gerakan dengan arti/makna gerakan yang dilakukan oleh pakar untuk menjaga hubungan antar node di dalam struktur graf bayesian network agar memiliki kemampuan penalaran yang mendekati dengan kemampuan seorang pakar. Fakultas Ilmu Komputer, Universitas Brawijaya
Gambar 6. Halaman Antarmuka Identifikasi Arti
4. PENGUJIAN DAN ANALISIS Pengujian dibagi menjadi 3 bagian, yaitu: pengujian validasi menggunakan blackbox, pengujian akurasi menggunakan variasi data latih dan pengujian akurasi menggunakan metode f-measure. 4.1. Pengujian Validasi Pengujian validasi dilakukan untuk mengetahui semua fungsi dan fitur yang telah dibuat apakah sudah sesuai dengan kebutuhan yang telah didefinisikan di awal. Teknik
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
pengujian validasi yang dipilih adalah menggunakan black-box testing. Black-box testing merupakan salah satu teknik pengujian yang dilakukan untuk menguji fungsionalitas sistem berdasarkan pada kebutuhan fungsional yang telah didefinisikan. Hasil pengujian validasi dengan menggunakan blackbox testing menunjukkan semua fungsi pada sistem telah berjalan dan sesuai dengan kebutuhan fungsional yang telah didefinisikan di awal. 4.2. Pengujian Akurasi Menggunakan Variasi Data Latih Pengujian variasi data latih dilakukan untuk mengetahui bagaimana pengaruh penggunaan data latih yang berbeda pada hasil akurasi sistem. Data latih dikondisikan sedemikian rupa sehingga menghasilkan serangkaian data latih dengan urutan yang acak dan terdiri dari beragam kelas. Dengan kata lain, pengujian ini dilakukan dengan merubah jumlah dan variasi dari data latih. Terdapat 74 data latih dan 28 data yang digunakan dalam pengujian. Data latih dibagi ke dalam 3 bagian pengujian yang berbeda, yaitu pengujian pertama menggunakan 25 data latih, pengujian kedua menggunakan 50 data latih, dan pengujian ketiga menggunakan keseluruhan data training yang berjumlah 74 data latih. Untuk pengujian pertama dan kedua dilakukan sebanyak 3 kali percobaan (3 variasi) dengan mengambil data secara random sesuai dengan jumlah yang diperlukan.. Berdasarkan pada hasil pengujian dengan menggunakan 25 data latih, diperoleh hasil dengan tingkat akurasi untuk variasi 1 sebesar 50%, variasi 2 sebesar 53.57%, dan variasi 3 sebesar 42.85%. Sehingga diperoleh rata-rata tingkat akurasi sebesar 48.81%. Sedangkan untuk hasil pengujian dengan menggunakan 50 data latih, diperoleh hasil dengan tingkat akurasi untuk variasi 1 sebesar 64.28%, variasi 2 sebesar 71.43%, dan variasi 3 sebesar 60.71%. Sehingga diperoleh rata-rata tingkat akurasi sebesar 65.47%. Terakhir untuk hasil pengujian dengan menggunakan keseluruhan data latih yang berjumlah 74 data, diperoleh hasil dengan tingkat akurasi sebesar 82.143%. 4.3. Analisis Pengujian Akurasi Menggunakan Variasi Data Latih Berdasarkan pada hasil pengujian yang telah dilakukan terhadap semua variasi data latih, diketahui bahwa perbedaan jumlah data latih yang digunakan serta variasi yang beragam Fakultas Ilmu Komputer, Universitas Brawijaya
205
untuk setiap data latih menghasilkan nilai akurasi yang berbeda pula. Hal tersebut diperoleh dari nilai akurasi tertinggi yang didapat pada pengujian ketiga dengan menggunakan keseluruhan data latih sebanyak 74 buah data dengan nilai akurasi sebesar 82.143%. Sedangkan nilai akurasi paling rendah diperoleh pada pengujian pertama variasi ketiga dengan menggunakan 25 data latih dengan nilai akurasi sebesar 42.85%. Sedangkan secara keseluruhan, dengan jumlah data latih yang berbeda serta variasi data latih yang beragam menghasilkan nilai akurasi yang berbeda satu sama lain, hal ini menandakan bahwa jumlah data latih dan variasi data latih mempengaruhi nilai akurasi sistem. Selain itu, Jika diperhatikan pada hasil pengujian yang telah diperoleh, Semakin banyak jumlah data latih yang digunakan dan semakin bervariasi, maka semakin tinggi tingkat akurasinya. 4.4. Pengujian Akurasi Menggunakan Metode F-Measure Tujuan dari pengujian akurasi dengan metode f-measure adalah untuk mengetahui performa dari sistem pakar dalam mendeteksi arti/makna gerakan pada seseorang dengan cara membandingkan hasil identifikasi dari seorang pakar dengan hasil identifikasi sistem. Selain itu, metode ini juga berfungsi untuk mengetahui nilai rata-rata (mean) harmonic dari nilai precision dan recall untuk setiap kelas. Terdapat 5 buah kasus data uji terhadap serangkaian gambar dari 5 orang yang berbeda, dimana masing-masing kasus terdiri dari beberapa gambar yang memperlihatkan ekspresi wajah dan bahasa tubuh yang ditunjukkan seseorang. Kasus 1 terdiri dari 8 buah gambar, kasus 2 terdiri dari 4 buah gambar, kasus 3 terdiri dari 4 buah gambar, kasus 4 terdiri dari 6 buah gambar, dan kasus 5 terdiri dari 6 buah gambar. Sehingga total terdapat 28 buah gambar yang dijadikan sebagai data uji. Pengguna memasukkan data input berupa gerakan yang ditunjukkan oleh masing-masing gambar melalui form checkbox pada halaman identifikasi makna. Terdapat 6 halaman yang merepresentasikan gerakan pada anggota tubuh manusia meliputi gerakan alis, mata, mulut, kepala, lengan, dan tangan. Hasil dari pengujian akurasi menggunakan metode f-measure dapat dilihat pada tabel 4 berikut:
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Tabel 4. Hasil Identifikasi Sistem dan Pakar Hasil Hasil Kasus Gambar Identifikasi Identifikasi Sistem Pakar 1 A AMG05 AMG05 B AMG04 AMG04 C AMG04 AMG04 D AMG04 AMG05 E AMG01 AMG01 F AMG04 AMG04 G AMG06 AMG06 H AMG02 AMG01 2 A AMG03 AMG05 B AMG02 AMG02 C AMG06 AMG06 D AMG03 AMG03 3 A AMG02 AMG02 B AMG01 AMG01 C AMG04 AMG04 D AMG03 AMG03 4 A AMG06 AMG06 B AMG07 AMG07 C AMG03 AMG03 D AMG03 AMG03 E AMG07 AMG07 F AMG04 AMG04 5 A AMG01 AMG01 B AMG03 AMG03 C AMG02 AMG02 D AMG06 AMG02 E AMG04 AMG06 F AMG01 AMG01 Total 28 Total
Status 1 1 1 0 1 1 1 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 1 23
Berdasarkan hasil pada tabel 4 tersebut, kemudian dibuat pembagian kondisi yang memungkinkan untuk setiap kelas (arti gerakan). Tabel pembagian kondisi tiap kelas (arti gerakan) dapat dilihat pada tabel 5 berikut: Tabel 5. Pembagian Kondisi Tiap Kelas (Arti Gerakan)
Berdasarkan dari hasil pembagian kondisi tiap kelas pada tabel 5, Selanjutnya dilakukan perhitungan precision, recall, dan f-measure untuk mengetahui performa dan kinerja sistem berdasarkan pada tingkat akurasinya. Hasil perhitungan precision, recall, dan f-measure dapat dilihat pada tabel 6 berikut: Fakultas Ilmu Komputer, Universitas Brawijaya
206
Tabel 6. Pengujian Akurasi Menggunakan Metode F-Measure Kelas (Arti Gerakan)
Precision
Recall
AMG01
4 4+1 = 0.8
4 4+0 =1
1.6 1.8 = 0.89
3 3+1 = 0.75 5 5+0 =1 5 5+0 =1 1 1+2 = 0.333 3 3+1 = 0.75 2 2+0 =1
3 3+1 = 0.75 5 5+1 = 0.83 5 5+2 = 0.714 1 1+0 =1 3 3+1 = 0.75 2 2+0 =1
1.125 1.5 = 0.75 1.66 1.83 = 0.90 1.428 1.714 = 0.833 0.666 1.333 = 0.499 1.125 1.5 = 0.75 2 2 =1
5.633 7 = 0.8047
6.044 7 = 0.8634
5.622 7 = 0.8031
AMG02
AMG03
AMG04
AMG05
AMG06
AMG07
Total
F-Measure
Berdasarkan perhitungan dari tabel 6 tersebut, diperoleh hasil berupa nilai akurasi dari perhitungan precision dan recall, sehingga diperoleh rata-rata f-measure sebesar 80.31%. 4.5. Analisis Pengujian Akurasi Menggunakan Metode F-Measure Berdasarkan pada data hasil pengujian yang telah dilakukan, diperoleh nilai rata-rata akurasi f-measure sebesar 80.31%. Sedangkan untuk rata-rata precision sebesar 80.47% dan rata-rata recall sebesar 86.34%. Untuk kelas yang memiliki nilai f-measure terendah adalah AMG05 dengan nilai f-measure sebesar 0.499. Hal ini disebabkan karena terdapat 2 data uji yang bernilai false positive, yaitu solusi yang diperoleh tidak relevan/tidak sesuai dengan solusi yang sebenarnya, sehingga menghasilkan nilai precision yang rendah yaitu sebesar 0.333. Namun secara keseluruhan berdasarkan ratarata nilai f-measure yang diperoleh, yakni sebesar 80.31%, dalam bidang psikologi menurut pakar sistem sudah dapat dikatakan baik dalam mengidentifikasi arti/makna gerakan dari ekspresi wajah dan bahasa tubuh seseorang.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Berdasarkan pengujian akurasi yang telah dilakukan, diperoleh hasil bahwa sistem pakar ini tidak dapat memperoleh hasil yang sempurna atau sama akurat dengan hasil identifikasi pakar dikarenakan oleh beberapa hal, diantaranya yaitu pada beberapa kasus kombinasi gerakan yang dimasukkan memiliki kemiripan dengan kelas yang lain dan nilai conditional probability yang dimilikinya rendah, sehingga menghasilkan 2 atau lebih kesimpulan arti/makna dari kombinasi gerakan yang serupa. Kemudian dapat juga disebabkan oleh data masukkan yang digunakan pada pengujian memiliki kemiripan yang rendah dengan data latih (data training) yang ada. Selain itu, Perbedaan hasil yang diperoleh dapat juga dikarenakan kesalahan dalam memasukkan data gerakan yang tidak sama dengan pembacaan gerakan dari pakar. Terakhir, kesalahan identifikasi sistem dapat juga disebabkan karena tidak terdapatnya gerakan, arti/makna, aturan, ataupun data training yang sesuai untuk data masukkan yang diberikan. 5. KESIMPULAN Kesimpulan yang diperoleh berdasarkan pada penelitian yang telah dilakukan adalah sebagai berikut: 1. Rancangan dari aplikasi penerapan bayesian network pada sistem pakar ekspresi wajah dan bahasa tubuh melalui pengamatan indra penglihatan pada foto diawali dengan proses akuisisi pengetahuan melalui studi literatur, wawancara, dan analisis protokol. Kemudian data pengetahuan tersebut disimpan dalam basis pengetahuan melalui representasi graf bayesian network. Selanjutnya berdasarkan struktur jaringan tersebut dilakukan penelusuran menggunakan metode forward chaining dan perhitungan probabilitas dengan metode bayesian network. 2. Aplikasi penerapan bayesian network pada sistem pakar ekspresi wajah dan bahasa tubuh melalui pengamatan indra penglihatan pada foto memodelkan jaringan bayesian network dengan menggunakan aturan yang telah diperoleh dari seorang pakar bidang psikologi ilmu komunikasi dan fisiognomi. Aturan tersebut kemudian dimodelkan ke dalam bentuk graf berbentuk jaringan yang terstruktur untuk menghubungkan antara gerakan dengan arti/makna gerakan. Struktur jaringan Fakultas Ilmu Komputer, Universitas Brawijaya
207
bayesian tersebut disimpan sebagai aturan untuk memandu proses penalaran di dalam mesin inferensi. Proses perhitungan menggunakan metode bayesian network di dalam mesin inferensi meliputi tahap menghitung prior probability, conditional probability, marginal probability, dan posterior probability. 3. Implementasi dibuat dengan menerapkan hasil perancangan sistem pakar dengan memodelkan struktur jaringan bayesian dan perhitungan probabilitas menggunakan metode bayesian network, serta dibangun dalam bentuk aplikasi berbasis website dengan menggunakan framework codeigniter. 4. Hasil yang telah diperoleh dari tahap pengujian menunjukkan bahwa: a. Pengujian validasi menggunakan teknik black-box pada kebutuhan fungsional telah dilakukan dan diperoleh hasil bahwa semua requirement telah berhasil diuji dan sesuai dengan kebutuhan yang didefinisikan di awal. Hal tersebut menandakan bahwa semua fungsi dan fitur pada sistem dapat berjalan sesuai harapan. b. Pengujian akurasi menggunakan variasi data latih menunjukkan bahwa jumlah data latih dan variasi data latih mempengaruhi nilai akurasi sistem. Selain itu, diketahui juga bahwa semakin banyak jumlah data latih yang digunakan dan semakin bervariasi, maka semakin tinggi tingkat akurasinya. Hal ini menunjukkan bahwa metode bayesian network sangat dipengaruhi oleh struktur jaringan dan data latih. c. Pengujian akurasi menggunakan metode f-measure pada penelitian ini memperoleh hasil sebesar 80.31% dengan melibatkan data uji sebanyak 5 buah kasus yang didalamnya masingmasing berisi serangkaian gambar dengan total sebanyak 28 buah gambar sebagai bahan masukan. Sedangkan untuk rata-rata precision sebesar 80.47% dan rata-rata recall sebesar 86.34%. Berdasarkan hasil tersebut, dalam bidang psikologi menurut pakar sistem sudah dapat dikatakan baik dalam mengidentifikasi arti/makna gerakan dari ekspresi wajah dan bahasa tubuh seseorang.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
6. DAFTAR PUSTAKA Acandra. 2010. Mengungkap Arti Bahasa Tubuh. Tersedia di
. [Diakses 22 September 2016] Alonzo, A, L., Campos, J, J., Layco, L, L., Maratas, C, A., Sagum, R, A. 2014. ENTDEx: ENT Diagnosis Expert System Using Bayesian Networks. Journal of Advances in Computer Networks. Ekman, Paul. 2009. Emotions Revealed (Membaca Emosi) Terjemahan Bahasa Indonesia. Yogyakarta: Baca!. Feri, F.R., Fauzijah, A. 2008. Aplikasi Sistem Pakar untuk Menentukan Jenis Gangguan pada Anak. Universitas Islam Indonesia: Yogyakarta. Goleman, D. 1997. Emotional Intelligence. New York: Bantam Books. Heckerman, D. 1995. A Tutorial Learning with Bayesian Network. Tersedia di [Diakses 01 Oktober 2016] Iriantara, Y. 2011. Media Relations Konsep, Pendekatan, dan Praktik. Bandung: Simbiosa. Krause, P.J. 1998. Learning Probabilistic Networks. United Kingdom: Philips Research Laboratories. Kristanti, Y.E. 2009. Aplikasi Diagnosa Penyakit Anak Melalui Sistem Pakar Menggunakan J2ME. Universitas Gunadarma. Kumar, E. 2008. Artificial Intelligence. International Publishing House: New Delhi. Kusrini. 2008. Kuantifikasi Pertanyaan untuk Mendapatkan Certainty Factor Pengguna Pada Aplikasi Sistem Pakar untuk Diagnosis Penyakit. STMIK AMIKOM Yogyakarta. Luthfiarta, A., Zeniarja, J., Salam, A. 2013. Algoritma Latent Semantic Analysis (LSA) pada Peringkas Dokumen Otomatis untuk Proses Clustering Dokumen. SEMANTIK 2013. Madsen, Anders L., dkk. 2016. A Parallel Algorithm for Bayesian Network Structure Learning from Large Data Sets. Elsevier. Tersedia di Fakultas Ilmu Komputer, Universitas Brawijaya
208
[Diakses 30 Oktober 2016] Manning, C.D., Raghavan, P., Schtze, H. 2009. Introduction to Information Retrieval. New York, NY, USA: Cambridge University Press. Meek, Chris. 2003. An Overview of Learning Bayesian Nets From Data. Microsoft Research. Tersedia di [Diakses 18 November 2016] Meigarani, I. 2010. Penggunaan Metode Bayesian network Dalam Sistem Pakar Diagnosa Penyakit Leukimia. Bandung: Jurnal Universitas Pendidikan Indonesia. Minto, C., Blanchard, W., Ricard, D., Tittensor, D.P. 2008. Bayesian Analysis : Binomial Distribution. Tersedia di [Diakses 03 Mei 2017] Moreira, M.W.L., Rodrigues, J.J.P.C., Oliveira, A.M.B., Ramos, R.F, Saleem, K. 2016. A Preeclampsia Diagnosis Approach using Bayesian Networks. IEEE ICC 2016: Communication QoS, Reliability and Modeling Symposium. Neapolitan, R.E. 2004. Learning Bayesian Networks. Prentice Hall. Schnupp, Peter H. 1989. Building Expert Systems in Prolog. Munich: Amzi!Inc. Setyanta, Y.B. 2011. Penggunaan Kinetik Dalam Berbahasa. E-Jurnal Dinas Pendidikan Kota Surabaya; Volume 2. Sosiawan, E.A. 2010. Psikologi Komunikasi. Tersedia di . [Diakses 22 September 2016] Sutojo, Edy, Vincent. 2011. Kecerdasan Buatan. Andi: Yogyakarta. Turban, Efrai, et al. 2005. Decision Support Systems and Intelligent Systems 7 th Ed. New Jersey: Pearson Education. Wiley, S. 2007. Encyclopedia of Statistics in Quality & Reliability. United Kingdom: Philips Research Laboratories. Yudkowsky, E.S. 2006. An Intuitive Explanation of Bayes Theorem. Tersedia di . [Diakses 17 Oktober 2016]
