PERANCANGAN APLIKASI KLASIFIKASI UKURAN PAKAIAN MENGGUNAKAN METODE BODY MEASUREMENT DAN FUZZY LOGIC BERBASIS KINECT

PERANCANGAN APLIKASI KLASIFIKASI UKURAN PAKAIAN MENGGUNAKAN METODE BODY MEASUREMENT DAN FUZZY LOGIC BERBASIS KINECT Erwin Jalan Kemenangan V, Glodok, DKI Jakarta, 11120, +6287880998809, [email protected]

Alexander Agung Santoso Gunawan Universitas Bina Nusantara, Jln Syahdan no 9, (021)5345830, [email protected]

Widodo Budiharto Universitas Bina Nusantara, Jln Syahdan no 9, (021)5345830, [email protected]

ABSTRACT The purpose of this research is to design an application to determine the shirt size classification using Body Measurement method and Fuzzy Logic based on Kinect. Body Measurement method is used to measure the length of the human’s body part using Kinect. Fuzzy Logic is used to determine the shirt size classification based on the measurement results. In our daily life, clothing is one of the main things. Determining shirt size classification is usually done by trial and error clothes beforehand and thus require a longer time. Application of Body Measurement method on Kinect can simplify the determination of appropriate clothing size classification. Results from this research indicate that the method of Body Measurement and Fuzzy Logic can be used to determine the classification of the size of clothing with minimum error rate of 2:23% and maximum error rate of 11:23%. Keywords: Shirt size classification, Computer Vision, Body Measurement, Fuzzy Logic, Kinect.

ABSTRAK Tujuan penelitian ini adalah untuk merancang sebuah aplikasi untuk menentukan klasifikasi ukuran pakaian dengan metode Body Measurement dan Fuzzy Logic dengan menggunakan Kinect sebagai alat bantu. Metode Body Measurement digunakan untuk mengukur panjang bagian tubuh menggunakan Kinect. Fuzzy Logic digunakan untuk menentukan klasifikasi ukuran pakaian berdasarkan hasil pengukuran yang diperoleh. Di dalam kehidupan sehari-hari, pakaian merupakan salah satu kebutuhan utama. Penentuan klasifikasi ukuran pakaian biasanya dilakukan dengan mencoba-coba pakaian terlebih dahulu sehingga membutuhkan waktu yang lebih lama. Penerapan metode Body Measurement pada Kinect dapat mempermudah penentuan klasifikasi ukuran pakaian

yang sesuai. Hasil dari penelitian ini menunjukkan bahwa metode Body Measurement dan Fuzzy Logic dapat digunakan untuk menentukan klasifikasi ukuran pakaian dengan tingkat kesalahan minimum sebesar 2.23% dan nilai persentase kesalahan maksimum sebesar 11.23%. Kata kunci: Klasifikasi ukuran pakaian, Computer Vision, Body Measurement, Fuzzy Logic, Kinect.

PENDAHULUAN Pakaian merupakan salah satu hal yang paling dibutuhkan manusia dalam kehidupan seharihari. Salah satu cara untuk mendapatkan pakaian adalah dengan membelinya melalui situs web jualbeli online. Untuk mengatasi keterbatasan ketika membeli pakaian melalui metode konvensional ataupun situs jual-beli online, muncul ide untuk mencoba dan mencocokkan produk pakaian yang dijual melalui bantuan perangkat lunak. Ide ini didukung dengan semakin banyaknya penggunaan sensor-sensor perekam pergerakan manusia seperti Kinect untuk kebutuhan pribadi (Pachoulakis & Kapetanakis, 2012). Salah satu solusi yang diajukan untuk mendukung ide ini adalah dengan merancang aplikasi komputer yang memungkinkan penggunanya untuk melihat gambaran citra pakaian yang dipilih jika dikenakan ke tubuh penggunanya. Aplikasi ini bisa disebut juga sebagai Virtual Fitting Room (VFR) (Pachoulakis & Kapetanakis, 2012). Aplikasi VFR bisa dibuat dengan menggunakan berbagai macam metode dan pendekatan. Salah satu contoh pendekatan yang dilakukan adalah dengan menggunakan data Depth Data dari kamera yang memiliki Depth Sensor. (Gültepe & Güdükbay, 2014) mengajukan sebuah metode baru yang menggunakan depth sensor agar proses pengepasan (fitting) menjadi lebih realistik. Untuk mengatasi keakuratan depth data yang dihasilkan oleh depth sensor, (Gültepe & Güdükbay, 2014) mengembangkan metode yang diberi nama Body Measurement. Metode ini menghasilkan proses yang cukup efisien dan tingkat akurasi pengepasan (fitting) yang semakin realistik. Secara umum, saat ini sistem pengepasan pakaian virtual (Virtual Fitting Room) hanya memiliki fitur pengepasan pakaian saja dan tidak memiliki fitur untuk menentukan ukuran pakaian yang sesuai dengan tubuh pengguna. Fitur untuk menentukan klasifikasi ukuran pakaian yang sesuai dapat memudahkan pengguna aplikasi dalam menentukan ukuran pakaian yang sesuai dengan ukuran tubuhnya. Salah satu cara yang dapat digunakan untuk menentukan klasifikasi ukuran pakaian adalah menggunakan Fuzzy Logic. Fuzzy Logic dapat digunakan dalam penelitian ini karena panjang bagian tubuh manusia memiliki nilai kebenaran yang bersifat tidak absolut. Fuzzy Logic merupakan sebuah multi-value logic, yaitu pengembangan dari classical logic yang mengijinkan berbagai nilai kebenaran ditambahkan ke dalam dua kebenaran umum (Ross, 2010:118). Oleh karena itu, Fuzzy Logic dapat digunakan untuk menentukan klasifikasi ukuran pakaian. Penelitian ini akan menggunakan metode Body Measurement dan Fuzzy Logic untuk melakukan pengukuran pada tubuh pengguna menggunakan Kinect yang kemudian akan digunakan untuk menentukan klasifikasi ukuran pakaian yang sesuai dengan tubuh pengguna serta menggabungkan citra gambar pakaian secara virtual dengan citra gambar pengguna. Berdasarkan latar belakang yang dipaparkan sebelumnya, maka rumusan masalah yang akan dibahas adalah sebagai berikut: 1. Bagaimana mengembangkan sebuah sistem yang menggunakan unit Kinect Sensor untuk mendapatkan data berupa depth data dari citra pengguna? 2. Bagaimana menampilkan informasi citra pengguna yang sudah didapat beserta dengan citra pakaian dalam bentuk yang mudah dipahami oleh pengguna aplikasi? 3. Bagaimana penerapan metode Body Measurement dan Fuzzy Logic pada sistem yang dirancang? Tujuan yang ingin dicapai pada penelitian ini adalah sebagai berikut: 1. Membangun suatu aplikasi komputer Virtual Fitting Room menggunakan metode Body Measurement untuk mendapatkan hasil pengukuran pada bagian tubuh, menentukan klasifikasi ukuran pakaian, dan pencocokan pakaian dengan menggunakan Kinect. 2. Menguji aplikasi Virtual Fitting Room yang dihasilkan secara kualitatif dengan kuesioner untuk menguji interaksi antara pengguna dengan aplikasi yang dibangun dan kuantitatif untuk menguji tingkat akurasi penentuan klasifikasi ukuran pakaian.

METODE PENELITIAN Penentuan ukuran pakaian yang sesuai dengan tubuh pengguna membutuhkan pengukuran pada beberapa bagian tubuh manusia. Bagian tubuh manusia yang perlu diukur adalah lebar bahu (shoulder width), lebar dada (chest width), lebar pinggul (hip width), dan tinggi bagian atas tubuh

manusia (upper body height). Apabila pengukuran beberapa bagian tubuh manusia tersebut dilakukan dengan sensor kamera, terdapat beberapa keterbatasan yang perlu diperhatikan. Keterbatasan yang ada adalah keterbatasan sensor kamera dalam mendeteksi ketebalan tubuh manusia dan sensor kamera yang hanya dapat menghasilkan citra gambar dalam bentuk dua dimensi. Hal ini tidak sesuai dengan nilai panjang bagian-bagian tubuh manusia yang sangat dipengaruhi oleh tingkat ketebalan tubuh manusia. Oleh karena itu, perlu dilakukan uji korelasi antara hasil pengukuran yang didapat dari sensor kamera dengan hasil pengukuran dengan alat ukur panjang.

1.

Pengukuran Bagian Tubuh Manusia

Pengukuran bagian tubuh manusia dikhususkan pada lebar bahu (shoulder width), lebar dada (chest width), lebar pinggul (hip width), dan tinggi bagian atas tubuh manusia (upper body height). Pengukuran dilakukan terhadap 11 orang sukarelawan secara langsung dan tidak langsung.

1.1

Pengukuran Tidak Langsung

Pengukuran tidak langsung dilakukan dengan menggunakan sensor kamera Kinect sebanyak 150 kali untuk setiap sukarelawan. Hasil pengukuran akan disimpan ke dalam suatu file seperti tabel berikut:

Tabel 1 Contoh Hasil Pengukuran Tidak Langsung Bagian Tubuh Manusia Shoulder Width 41.14 42.72 41.31 40.68 41.08 41.09 41.21 41.38

1.2

Chest Width 33.63 33.44 32.67 31.84 32.13 32.17 32.15 31.96

Hip Width 33.95 33.55 33.08 32.63 32.7 32.65 33.46 32.44

Upper Body Height 48.35 48.35 47.69 46.88 46.52 46.38 46.30 46.20

Pengukuran Langsung

Pengukuran langsung dilakukan dengan alat ukur panjang sebanyak 1 kali untuk masingmasing sukarelawan. Hasil pengukuran dicatat ke dalam sebuah file seperti di bawah ini:

Tabel 2 Hasil Pengukuran Langsung Bagian Tubuh Manusia No. 1 2 3 4 5 6 7 8 9 10 11

2.

Shoulder Width 42.5 39 42 44 43 45 46 49 48 51 51

Chest Width 45 40 45 47 47 50 49 55 55 58 58

Hip Width 47 44 49 49 44 48 48 50 50 52 50

Upper Body Height 48 43 47 48 48 49 50 55 54 59 60

Uji Modified Thompson Tau

Berdasarkan pengamatan, hasil pengukuran tidak langsung memiliki inkonsistensi data secara statistik. Hal ini disebabkan oleh hasil pengukuran pada saat awal pengukuran dan pergerakan bagian tubuh yang terlalu cepat. Uji Modified Thompson Tau digunakan untuk menghilangkan (outlier) data yang tidak konsisten dengan keseluruhan data yang ada. Uji Modified Thompson Tau dilakukan terhadap setiap bagian tubuh pada setiap sukarelawan sehingga diperoleh data yang valid

kemudian dihitung nilai rata-rata pada masing-masing bagian tubuh untuk setiap sukarelawan. Berikut ini adalah tabel untuk nilai rata-rata setelah dilakukan uji Modified Thompson Tau.

Tabel 3 Nilai Rata-rata Hasil Pengukuran Tidak Langsung Setiap Sukarelawan

1

Shoulder Width 36.41035211

2

35.45100719

26.53453333

29.13108108

41.99120167

3

35.49780822

28.66692308

30.19317568

43.16149537

4

37.33150685

28.0165035

31.93662069

45.77768283

5

37.40380952

29.76622222

29.35666667

46.01710367

6

38.31166667

30.52978723

31.8988

47.31301219

7

39.32034483

30.34340278

29.98993103

44.03531316

8

40.26426573

32.03535211

31.76683824

42.94579414

9

40.88108844

28.50520548

31.28785235

43.48202894

10

39.98452703

32.24143836

33.21687075

45.6154326

11

40.63829787

32.42181208

32.28006944

48.35909668

No.

3.

Chest Width

Hip Width

Upper Body Height

29.61085106

30.08605839

46.37327912

Uji Korelasi Hasil Pengukuran Tidak Langsung dan Langsung

Pengukuran tidak langsung yang dilakukan dengan menggunakan sensor Kinect memiliki keterbatasan dalam mengukur ketebalan tubuh pengguna. Oleh karena itu, hasil pengukuran yang didapatkan bersifat garis lurus untuk masing-masing pengukuran panjang bagian tubuh Hal ini tidak sesuai dengan nilai panjang bagian-bagian tubuh manusia yang sangat dipengaruhi oleh tingkat ketebalan tubuh manusia. Uji korelasi dilakukan untuk menguji korelasi linear hasil pengukuran tidak langsung dengan hasil pengukuran langsung. Uji korelasi antar hasil pengukuran tidak langsung dan hasil pengukuran langsung akan dilakukan untuk setiap bagian tubuh manusia. Jika uji korelasi untuk setiap bagian tubuh manusia menghasilkan nilai P-value yang lebih kecil dari nilai α, maka hasil pengukuran dengan sensor kamera Kinect memiliki korelasi terhadap pengukuran langsung pada bagian tubuh yang bersangkutan. Jika uji korelasi untuk setiap bagian tubuh manusia menghasilkan nilai yang lebih besar dari nilai taraf signifikansi sebesar 1%, maka hasil pengukuran tidak langsung tidak memiliki korelasi terhadap pengukuran dengan alat ukur panjang pada bagian tubuh yang bersangkutan. Jika hasil pengukuran tidak langsung memiliki korelasi terhadap pengukuran langsung, maka pengukuran menggunakan sensor Kinect untuk bagian tubuh tersebut dapat digunakan sebagai salah satu faktor penentu dalam penentuan ukuran pakaian yang sesuai. Sebaliknya jika hasil pengukuran tidak langsung tidak memiliki korelasi terhadap pengukuran langsung, maka pengukuran tidak langsung pada bagian tubuh tersebut tidak dapat digunakan sebagai salah satu faktor penentu dalam penentuan ukuran pakaian yang sesuai. Hasil uji korelasi antara hasil pengukuran tidak langsung dan pengukuran langsung ditunjukkan pada tabel sebagai berikut:

Tabel 4 Tabel Hasil Uji Korelasi Pengukuran Langsung dan Tidak Langsung P-value

No.

Bagian Tubuh

Koefisien Korelasi

Standard Error

Intercept

x-value

1. 2. 3. 4.

Shoulder Width Chest Width Hip Width Upper Body Height

0.932796 0.797587 0.864064 0.380665

1.478688 3.667005 1.323147 5.17619

0.02826 0.199507 0.835941 0.878876

2.81E-05 0.002682 0.000603 0.248109

Tabel di bawah ini menunjukkan analisis hasil uji korelasi antara pengukuran langsung dan tidak langsung.

Tabel 5 Tabel Analisis Korelasi Pengukuran Langsung dan Tidak Langsung Bagian Tubuh Shoulder Width Chest Width Hip Width Upper Body Height

P-value Intercept x-value 0.02826 2.81E-05 0.199507 0.002682 0.835941 0.000603 0.878876 0.248109

Hasil Analisis Memiliki korelasi Memiliki korelasi Memiliki korelasi Tidak memiliki korelasi

Oleh karena itu, berdasarkan analisis hasil uji korelasi, bagian tubuh yang dapat dijadikan sebagai salah satu faktor penentu dalam penentuan klasifikasi ukuran pakaian adalah lebar bahu (shoulder width), lebar dada (chest width), dan lebar pinggul (hip width). Hasil uji korelasi juga menunjukkan bahwa pengukuran tidak langsung pada tinggi bagian atas tubuh manusia.

4. 4.1

Usulan Pemecahan Masalah Metodologi Perancangan

Untuk menyelesaikan permasalahan di atas, maka penelitian ini akan membangun sebuah aplikasi Virtual Fitting Room yang dapat digunakan untuk pengepasan pakaian dan membantu pengguna dalam menentukan ukuran pakaian yang sesuai. Aplikasi Virtual Fitting Room ini akan menggunakan Kinect sebagai alat bantu serta fuzzy logic sebagai metode utama untuk membantu menentukan ukuran pakaian yang sesuai. Pengembangan aplikasi ini dilakukan dalam 2 tahap yaitu Classification dan Identification. Tahap Classification dilakukan untuk membuat fuzzy file yang akan digunakan sistem sebagai landasan dalam menentukan ukuran pakaian yang sesuai. Jenis ukuran pakaian yang akan diteliti berjumlah 3 buah, yaitu kecil (small atau S), sedang (medium atau M), dan besar (large atau L). Tahap Identification dilakukan untuk menentukan ukuran pakaian yang sesuai berdasarkan fuzzy file yang telah dibuat sebelumnya. Tahap Classification 4.1.1 Secara umum, proses-proses dalam tahap Classification digambarkan dalam gambar berikut ini.

Gambar 1 Flowchart Tahap Classification

4.1.2

Tahap Identification Secara umum, proses-proses dalam tahap Classification digambarkan dalam gambar berikut

ini.

Gambar 2 Flowchart Tahap Identification

5. 5.1

Analisis Metode yang Digunakan Fuzzify dan Defuzzify variabel input

Berdasarkan hasil uji korelasi, terdapat 3 bagian tubuh (shoulder width, chest width, dan hip width) yang dapat digunakan sebagai faktor penentu dalam menentukan klasifikasi ukuran pakaian yang sesuai. Tiga bagian tubuh (shoulder width, chest width, dan hip width) akan dijadikan variabel input untuk fuzzy file yang akan dibuat. Proses fuzzify akan dilakukan untuk setiap variabel input sehingga menghasilkan himpunan fuzzy yang terdiri dari tiga bagian yaitu Low, Medium, dan High. Fungsi keanggotaan (membership function) untuk bagian Low dan High akan digunakan kurva berbentuk trapesium, sedangkan untuk bagian Medium, akan digunakan kurva berbentuk segitiga. Penentuan rentang nilai untuk sampel dilakukan berdasarkan sampel yang sudah dibagi menjadi tiga kelompok (Small, Medium, dan Large). Rentang nilai untuk bagian Low, Medium, dan High ditentukan berdasarkan nilai rata-rata dan variansi dari sampel ( ), terkecuali untuk Shoulder Width digunakan rentang nilai sebesar (

) karena nilai variansi yang cukup kecil sehingga

rentang nilai yang dihasilkan tidak dapat menjangkau keseluruhan hasil pengukuran yang ada. Tabel-tabel berikut ini menunjukan rentang nilai (Low, Medium, dan High) untuk fungsi keanggotaan pada bagian tubuh shoulder width, chest width, dan hip width.

Tabel 6 Tabel Rentang Nilai Shoulder Width Shoulder Width Rata-rata Variansi µ-2σ µ+2σ

Low 35.78639 0.540874 34.70464 36.86814

Medium 38.09183 0.932566 36.2267 39.95696

High 40.44204 0.396738 39.64857 41.23552

Tabel 7 Tabel Rentang Nilai Chest Width Chest Width Rata-rata Variansi µ-σ

Low

Medium

High

28.27076916 1.575955628 26.69481

29.66397893 1.145406737 28.51857

31.30095201 1.87050653 29.43045

29.84672 30.80939 Tabel 8 Tabel Rentang Nilai Hip Width

µ+σ

Hip Width

5.2

33.17146

Low

Medium

High

Rata-rata

29.80343838

30.7955046

32.13790769

Variansi

0.584736509

1.321439876

0.825562004

µ-σ

29.2187

29.47406

31.31235

µ+σ

30.38817

32.11694

32.96347

Fuzzy Rule

Tahapan terakhir dalam pembangunan fuzzy file (Ross, 2010) adalah penentuan fuzzy rule sebagai aturan dalam penentuan ukuran pakaian yang sesuai. Dalam pembuatannya, terdapat beberapa pertimbangan mengenai bagian tubuh yang menjadi prioritas dalam penentuan klasifikasi ukuran pakaian. Pertimbangan mengenai prioritas ini dilakukan karena adanya perbedaan nilai P-Value pada masing-masing bagian tubuh. Nilai P-Value yang semakin kecil menandakan bahwa bagian tubuh tersebut mendekati nilai prediksi yang dihasilkan oleh uji korelasi linear. Oleh karena itu, pertimbangan mengenai bagian tubuh yang menjadi prioritas ditentukan berdasarkan nilai P-Value yang ada pada tabel 3.11. Semakin rendah nilai P-Value, maka prioritas yang diberikan untuk bagian tubuh yang bersangkutan semakin tinggi. Urutan prioritas nilai P-Value pada bagian tubuh ditunjukkan pada tabel berikut:

Tabel 9 Tabel Prioritas Bagian Tubuh Bagian Tubuh Shoulder Width Chest Width Hip Width

P-Value Intercept 0.02826 0.199507 0.835941

X-Value 2.81× 10-5 0.002682 0.000603

Prioritas 1 3 2

Dalam pembuatannya, rule yang akan dibangun menggunakan prioritas bagian tubuh dan pengalaman empiris sebagai acuan. Prioritas yang digunakan dalam penentuan fuzzy rule adalah sebagai berikut: 1. Jika Shoulder Width berukuran High, maka hasil klasifikasi ukuran pakaian berukuran Large karena adanya pertimbangan mengenai pakaian yang tidak dapat nyaman digunakan jika hasil klasifikasi ukuran lebih kecil dari ukuran Large. 2. Jika Shoulder Width berukuran Medium dan Hip Width berukuran High, maka ukuran pakaian berukuran Large karena adanya pertimbangan mengenai ukuran pakaian yang menyesuaikan ukuran pinggul sebagai prioritas 2 dalam penentuan ukuran pakaian. 3. Jika Shoulder Width berukuran Low dan Hip Width berukuran Medium atau High, maka ukuran pakaian akan mengikuti ukuran Hip Width (Medium atau Large) karena adanya pertimbangan mengenai ukuran pakaian yang menyesuaikan ukuran pinggul sebagai prioritas 2 dalam penentuan ukuran pakaian. Berdasarkan pengalaman empiris, terdapat beberapa perubahan fuzzy rule yang dihasilkan. Perubahan tersebut antara lain: 1. Jika Shoulder Width berukuran Medium dan Hip Width berukuran High, maka ukuran pakaian juga mempertimbangkan ukuran Chest Width. Jika Chest Width bernilai Low, maka ukuran pakaian akan menjadi Medium. Jika Chest Width bernilai Medium atau High, maka ukuran pakaian akan menjadi Large. 2. Jika Shoulder Width berukuran Low dan Hip Width berukuran Medium atau High, maka ukuran pakaian juga mempertimbangkan ukuran Chest Width. Jika Chest Width bernilai Low, maka ukuran pakaian akan menjadi Small. Jika Chest Width bernilai Medium atau High, maka ukuran pakaian akan menjadi Medium atau High. Berikut ini adalah fuzzy rule yang digunakan untuk penentuan ukuran pakaian yang sesuai:

Tabel 10 Tabel Fuzzy Rule No. 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16. 17. 18. 19. 20. 21. 22. 23. 24. 25. 26. 27.

Shoulder Width Low Low Low Low Low Low Low Low Low Medium Medium Medium Medium Medium Medium Medium Medium Medium High High High High High High High High High

Chest Width Low Low Low Medium Medium Medium High High High Low Low Low Medium Medium Medium High High High Low Low Low Medium Medium Medium High High High

Hip Width Low Medium High Low Medium High Low Medium High Low Medium High Low Medium High Low Medium High Low Medium High Low Medium High Low Medium High

Result Small Small Small Small Medium Medium Small Medium Large Medium Medium Medium Medium Medium Large Medium Medium Large Large Large Large Large Large Large Large Large Large

HASIL DAN BAHASAN Evaluasi objektif dilakukan dengan membandingkan hasil klasifikasi ukuran pada aplikasi yang sudah dibangun dengan hasil pengukuran sebenarnya. Setiap sukarelawan diminta untuk berdiri di depan sensor Kinect selama kurang lebih 5 sampai 6 detik. Hasil klasifikasi ukuran pakaian ditentukan berdasarkan pengukuran tidak langsung menggunakan Kinect. Pengukuran tidak langsung dilakukan sebanyak 150 kali dalam jangka waktu 5 sampai 6 detik lalu hasilnya dicatat ke dalam sebuah file. Ruang lingkup untuk simulasi pengukuran ditentukan sebagai berikut: 1. Jarak antara sukarelawan dan Kinect Sensor berada di antara 120 – 150 cm. 2. Simulasi dilakuan di ruang tertutup di mana tidak ada objek lain di samping dan di belakang sukarelawan. 3. Pengukuran hanya dilakukan untuk 1 orang. Hasil pencatatan untuk masing-masing sukarelawan kemudian digabungkan menjadi 1 tabel sebagai berikut:

Tabel 11 Tabel Perbandingan Hasil Klasifikasi Ukuran Pakaian Grand Total Ukuran Sebenarnya Total

Small Medium Large

Klasifikasi Ukuran Menggunakan Aplikasi Small 398 12 0 410

Medium 21 340 22 383

Large 0 18 547 565

Akurasi (%) 94.99% 91.89% 96.13% 94.34%

Berdasarkan tabel perbandingan hasil klarifikasi di atas, data yang diperoleh akan dianalisis untuk mengetahui tingkat kesalahan dari setiap klasifikasi ukuran pakaian. Analisis tingkat kesalahan akan menggunakan metode Performance Metrics for Biometric System. Metrik yang digunakan sebagai verifikasi dari klasifikasi ukuran pakaian adalah: 1. True Accept Rate (TAR) adalah persentase banyaknya terjadinya kejadian dimana sistem dengan benar mengidentifikasi suatu input yang sesuai. 2. True Reject Rate (TRR) adalah persentase banyaknya terjadinya kejadian dimana sistem dengan benar menolak suatu input yang tidak sesuai. 3. False Rejection Rate atau False Non-Match Rate (FRR atau FNMR) adalah persentase banyaknya terjadinya kejadian sistem menolak suatu input yang sesuai. 4. False Acceptance Rate atau False Match Rate (FAR atau FMR) adalah persentase banyaknya terjadinya kejadian sistem salah mengidentifikasi suatu input yang tidak sesuai. Berdasarkan perhitungan untuk masing-masing metrik di atas, dapat diperoleh tingkat performa klasifikasi ukuran pakaian dari aplikasi yang dibangun. Tabel-tabel berikut menunjukkan hasil analisis untuk klasifikasi ukuran pakaian (Small, Medium, dan Large).

Tabel 12 Tabel Analisis Hasil Klasifikasi Ukuran Pakaian (Small) Analisis Klasifikasi Ukuran Pakaian (Small) Ukuran Pakaian Sebenarnya

Klasifikasi Ukuran Menggunakan Aplikasi Small Lainnya

Total

Small

398

21

419

Lainnya

12

927

939

410

948

1358

Total

Tabel 13 Tabel Tingkat Akurasi Setiap Metrik untuk Ukuran Pakaian Small Metric TAR TRR FAR FRR

Tingkat Akurasi (%) 97.07% 97.78% 2.93% 2.22%

Berdasarkan data yang diperoleh dari Tabel Analisis Hasil Klasifikasi Ukuran Pakaian (Small) dan Tabel Tingkat Akurasi Setiap Metrik untuk Ukuran Pakaian Small, terlihat bahwa: 1. Persentase kejadian dimana sistem mengidentifikasi dengan benar terhadap suatu input ukuran pakaian Small yang sesuai adalah 97.07%. 2. Persentase kejadian dimana sistem menolak dengan benar terhadap suatu input ukuran pakaian selain Small sebanyak 97.78%. 3. Persentase kejadian dimana sistem salah mengidentifikasi suatu input ukuran pakaian selain Small adalah 2.93%. 4. Persentase kejadian dimana sistem menolak suatu input ukuran pakaian Small yang sesuai adalah 2.22%. Berdasarkan poin-poin di atas, dapat disimpulkan bahwa rata-rata tingkat kesalahan (error) dalam proses klasifikasi ukuran pakaian berkisar antara 2.22% - 2.93%. Tingkat kesalahan (error) yang cukup rendah disebabkan oleh ukuran tubuh sukarelawan yang cukup kecil dan tidak berada di antara batas antara ukuran Small dan Medium.

Tabel 14 Tabel Analisis Hasil Klasifikasi Ukuran Pakaian (Medium) Analisis Klasifikasi Ukuran Pakaian (Medium)

Klasifikasi Ukuran Menggunakan Aplikasi Medium Lainnya

Total

Ukuran Pakaian Sebenarnya

Medium

340

30

370

Lainnya

43

945

988

383

975

1358

Total

Tabel 15 Tabel Tingkat Akurasi Setiap Metrik untuk Ukuran Pakaian Medium Metric TAR TRR FAR FRR

Tingkat Akurasi (%) 88.77% 96.92% 11.23% 3.08%

Berdasarkan data yang diperoleh dari Tabel Analisis Hasil Klasifikasi Ukuran Pakaian (Medium) dan Tabal Tingkat Akurasi Setiap Metrik untuk Ukuran Pakaian Medium, terlihat bahwa: 1. Persentase kejadian dimana sistem mengidentifikasi dengan benar terhadap suatu input ukuran pakaian Medium yang sesuai adalah 88.77%. 2. Persentase kejadian dimana sistem menolak dengan benar terhadap suatu input ukuran pakaian selain Medium sebanyak 96.92%. 3. Persentase kejadian dimana sistem salah mengidentifikasi suatu input ukuran pakaian selain Medium adalah 11.23%. 4. Persentase kejadian dimana sistem menolak suatu input ukuran pakaian Medium yang sesuai adalah 3.08%. Berdasarkan poin-poin di atas, dapat disimpulkan bahwa rata-rata kesalahan (error) dalam proses klasifikasi ukuran pakaian berkisar antara 3.08% - 11.23%. Hal ini disebabkan oleh ukuran tubuh sukarelawan yang berada pada garis batas antara ukuran Small – Medium dan Medium – Large.

Tabel 16 Tabel Analisis Hasil Klasifikasi Ukuran Pakaian (Large) Analisis Klasifikasi Ukuran Pakaian (Large) Ukuran Pakaian Sebenarnya

Klasifikasi Ukuran Menggunakan Aplikasi Large Lainnya

Total

Large

547

22

569

Lainnya

18

771

982

565

793

1551

Total

Tabel 17 Tabel Tingkat Akurasi Setiap Metrik untuk Ukuran Pakaian Large Metric TAR TRR FAR FRR

Tingkat Akurasi (%) 96.81% 97.22% 3.19% 2.78%

Berdasarkan data yang diperoleh dari Tabel Analisis Hasil Klasifikasi Ukuran Pakaian (Large) dan Tabal Tingkat Akurasi Setiap Metrik untuk Ukuran Pakaian Large, terlihat bahwa: 1. Persentase kejadian dimana sistem mengidentifikasi dengan benar terhadap suatu input ukuran pakaian Large yang sesuai adalah 96.81%. 2. Persentase kejadian dimana sistem menolak dengan benar terhadap suatu input ukuran pakaian selain Large sebanyak 97.22%. 3. Persentase kejadian dimana sistem salah mengidentifikasi suatu input ukuran pakaian selain Large adalah 3.19%.

4.

Persentase kejadian dimana sistem menolak suatu input ukuran pakaian Large yang sesuai adalah 2.78%. Berdasarkan poin-poin di atas, dapat disimpulkan bahwa rata-rata kesalahan (error) dalam proses klasifikasi ukuran pakaian berkisar antara 2.78 – 3.19%. Tingkat kesalahan (error) yang cukup rendah disebabkan oleh ukuran tubuh sukarelawan yang cukup besar dan tidak berada di antara batas antara ukuran Large dan Medium. Berdasarkan hasil uji objektif pada klasifikasi ukuran pakaian di atas, dapat ditarik kesimpulan bahwa: 1. Metode yang digunakan dapat melakukan klasifikasi ukuran pakaian (Small, Medium, dan Large) secara real-time dan memiliki tingkat kesalahan antara 2.22-11.23%. 2. Program dapat melakukan klasifikasi ukuran pakaian secara cepat sehingga tidak ditemukan adanya delay yang menghambat jalannya program.

SIMPULAN DAN SARAN Berdasarkan hasil evaluasi yang diperoleh, maka kesimpulan dari pengembangan aplikasi ini adalah: 1. Metode Body Measurement dan Fuzzy Logic dapat diimplementasikan pada Kinect sehingga dapat digunakan sebagai referensi untuk implementasi fitur penentuan klasifikasi ukuran pakaian pada aplikasi Virtual Fitting Room. 2. Berdasarkan hasil dari uji objektif, performa aplikasi “Virtual Fitting Room” termasuk baik karena dapat menentukan klasifikasi ukuran pakaian pengguna dengan nilai persentase kesalahan minimum sebesar 2.23% dan nilai persentase kesalahan maksimum sebesar 11.23%. 3. Program dapat melakukan klasifikasi ukuran pakaian secara cepat sehingga tidak ditemukan adanya delay yang menghambat jalannya program. 4. Pengukuran pada tinggi bagian atas tubuh (upper body height) tidak berpengaruh terhadap penentuan klasifikasi ukuran pakaian berdasarkan hasil uji korelasi antara pengukuran tidak langsung dengan pengukuran langsung dengan taraf signifikansi sebesar 1%. Berdasarkan pada kesimpulan yang diperoleh, maka berikut ini adalah berbagai saran yang dapat membangun untuk pengembangan selanjutnya: 1. Pengembangan metode penentuan klasifikasi ukuran pakaian untuk dua orang atau lebih. 2. Pengembangan metode pengukuran bagian tubuh untuk dua orang atau lebih. 3. Penambahan jenis klasifikasi ukuran pakaian seperti Extra Small (XS), Extra Large (XL), Double Extra Large (XXL), dan lainnya. 4. Penggunaan sampel yang lebih bervariasi untuk menentukan batasan klasifikasi ukuran yang lebih akurat.

REFERENSI Bradski, G., & Kaehler, A. (2008). Learning OpenCV. O'Reilly. Catuhe, D. (2012). Programming with the Kinect for Windows Software Development Kit. Redmond: Microsoft Press. Cimbala, J. M. (2011). Outliers. Giovannie, S., Choi, Y. C., Huang, J., Khoo, E. T., & Yin, K. (2012). Virtual Try-on using Kinect and HD camera. Motion in Games, 55-65. Gültepe, U., & Güdükbay, U. (2014). Real-time Virtual Fitting With Body Measurement and Motion Smoothing. Computers & Graphics 43, 31-43. Han, J., Shao, L., Xu, D., & Shotton, J. (2013). Enhanced Computer Vision with Microsoft Kinect Sensor: A Review. IEEE Transactions on Cybernetics. Is ıkdogan, F., & Kara, G. (2012). A Real Time Virtual Dressing Room Application using Kinect. Jaegers, K. (2012). XNA 4 3D Game Development by Example: Beginner's Guide. Packt Publishing. Jana, A. (2012). Kinect for Windows SDK Programming Guide. Birmingham: Packt Publishing. Khoshelham, K. (2011). Accuracy Analysis of Kinect Depth Data. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. Khoshelham, K., & Elberink, S. O. (2012). Applications, Accuracy and Resolution of Kinect Depth Data for Indoor Mapping. Sensors, 1437-1454. Mens Body Measurement. (n.d.). Retrieved July 30, 2015, from Tailor Store: https://www.tailorstore.com/mens-body-measurements.pdf Pachoulakis, I., & Kapetanakis, K. (2012). Augmented Reality Platforms for Virtual Fitting Room. The International Journal of Multimedia & Its Applications. Pressman, R. (2010). Software Engineering : A Practitioners Approach (7th ed.). McGraw Hill . Ross, T. J. (2010). Fuzzy Logic with Engineering Applications (3rd ed.). Wiley.

Sanford, K. (2012, January 24). Smoothing Kinect Depth Frames in Real-Time. Retrieved July 30, 2015, from Code Project: http://www.codeproject.com/Articles/317974/KinectDepthSmoothing Shneiderman, B., Plaisant, C., Cohen, M., & Jacobs, S. (2010). Designing the User Interface : Strategies for Effective Human-computer Interaction. Addison-Wesley. Sizeguide. (n.d.). Retrieved July 30, 2015, from HM: http://www.hm.com/id/sizeguide/sizeguide_men Szeliski, R. (2010). Computer Vision: Algorithm and Applications. Springer. Walpole, R. E., Myers, R. H., Myers, S. L., & Ye, K. (2007). Probability & Statistics for Engineers & Scientists. London: Pearson Education International. Webb, J., & Ashley, J. (2012). Beginning Kinect Programming with The Microsoft Kinect SDK. Appress. Whitten, J. L., & Bentley, L. D. (2007). System Analysis and Design Methods (7th ed.). McGraw Hill. Ye, M., Wang, H., Deng, N., Yang, X., & Yang, R. (2014). Real-Time Human Pose and Shape Estimation for Virtual Try-On Using a Single Commodity Depth Camera. IEEE Transacations on Visualization and Computer Graphics.

RIWAYAT PENULIS Erwin lahir di Jakarta pada tanggal 9 Februari 1992. Penulis menamatkan pendidikan S1 di Universitas Bina Nusantara dalam bidang Teknik Informatika dan Matematika pada tahun 2015.