direpresentasikan dengan histogram. Perlakuan pertama terhadap data-data penelitian ini adalah menghitung histogramnya. Kemudian dari interval antara 0-255 akan dibagi menjadi interval-interval bagian yang lebih kecil. Jumlah interval yang dipilih pada penelitian ini adalah 2, 4, 8, 16, 32, 64, 128, dan 256. Pemilihan interval-interval tersebut untuk memudahkan dalam pembagiannya. Percobaan 1 Percobaan pertama kali yang dilakukan adalah dengan menggunakan citra pertama pada masing-masing orang sebagai data latih. Data uji yang digunakan adalah sembilan citra sisanya. Hasil yang diperoleh bisa dilihat pada Tabel 4. Pada Tabel 4 terlihat bahwa semakin banyak jumlah interval, nilai akurasi yang diperoleh semakin tinggi. Mulai dari jumlah interval 8, nilai akurasi lebih dari 75% sedangkan pada jumlah interval 2 dan 4 nilai akurasinya berkisar antara 20% hingga 60% Tabel 4 Hasil percobaan dengan citra pertama (c1) sebagai data latih Jumlah interval 2 4 8 16 32 64 128 258
Akurasi ( % ) 20.00 58.89 75.56 77.78 75.56 76.67 77.78 77.78
.
Zhang (2006), jika menggunakan single image untuk setiap orangnya maka nilai akurasi ratarata jatuh menjadi 65%, mengalami penurunan 30% dari 95%. Lebih jelasnya bisa dilihat pada Gambar 7. Untuk lebih meyakinkan nilai akurasi yang diperoleh, maka dilakukan pergantian data yang dijadikan data latih. Percobaan selanjutnya adalah mengubah data latih yang digunakan. Percobaan 2 Percobaan ini terdiri dari beberapa sub percobaan. Data latih pada percobaan sebelumnya menggunakan c1 diubah menggunakan c2, c3 dan seterusnya. Percobaan ini bertujuan untuk mengetahui apakah algoritme pengenalan ini bekerja berdasarkan data yang digunakan. Hasil yang diperoleh pada percobaan dengan c2 sebagai data latih dapat dilihat pada Tabel 5 dan rekapitulasinya dapat dilihat pada Lampiran 2. Tabel 5 Hasil percobaan dengan citra kedua(c2) sebagai data latih Jumlah interval 2 4 8 16 32 64 128 258
Akurasi ( % ) 20.00 54.44 66.67 77.78 72.22 75.56 75.56 75.56
Pada Lampiran 2 terdapat grafik yang menunjukkan semakin banyak jumlah interval maka nilai akurasi yang diperoleh semakin tinggi.
Gambar 7 Grafik nilai akurasi rata-rata pengenalan wajah berdasarkan jumlah citra perorang (sumber: Tan, Chen, Zhou, dan Zhang 2006 ) Pada Tabel 4 juga dapat dilihat bahwa nilai akurasi terendah sebesar 20% dan tertinggi sebesar 77,78%. Nilai akurasi tersebut cukup baik karena menurut Tan, Chen, Zhou, dan
Berikut ini akan disajikan hasil rata-rata dan range keseluruhan nilai akurasi yang diperoleh dari percobaan 1 dan percobaan 2 pada setiap intervalnya dengan berbagai data latih. Nilai rata-rata dan kisarannya dapat dilihat pada Tabel 6. Dari Tabel 6 diperoleh kisaran nilai akurasi secara keseluruhan pada jumlah interval 2 dan 4 adalah 20% hingga 59% sedangkan jumlah interval 8 hingga 256 nilai akurasinya berkisar antara 66% s.d 88%. Selain itu dapat dilihat juga jumlah interval terkecil yang mempunyai rata-rata akurasi terbesar adalah 128. Oleh karena itu pada jumlah interval 128, dicek berapa jumlah kelas yang benar dan berapa yang salah diklasifikasikan. Hal ini dilakukan untuk
7
mengetahui pengaruh data yang digunakan terhadap kinerja algoritme ini. Nilai rata-rata tersebut dapat dilihat pada Tabel 7. Tabel 6 Rata-rata nilai akurasi Jumlah interval
Rata-rata akurasi (%)
Kisaran nilai akurasi (%)
2 4 8 16 32 64 128 256
20.00 51.56 75.33 80.22 79.56 81.45 81.89 81.89
20 45-59 66-83 77-85 72-87 75-88 75-88 75-88
Percobaan 3 Pada Tabel 7 terlihat bahwa kelas yang paling sedikit atau jarang dikenali adalah kelas ke-3 dan yang paling sering dikenali adalah
kelas ke-4, ke-6, dan ke-8. Percobaan selanjutnya adalah mencoba menghilangkan satu kelas. Sehingga percobaan hanya dilakukan dengan Sembilan kelas. Yang pertama dilakukan adalah dengan menghilangkan kelas ke-3. Selanjutnya akan dibandingkan jika menghilangkan kelas yang dikenali dengan baik. Pada Tabel 8 terlihat dengan menghilangkan kelas ke-3 rata-rata nilai akurasi yang diperoleh mengalami peningkatan seluruhnya. Sedangkan untuk percobaan menghilangkan kelas ke-4, ke-6, dan ke-8 terdapat beberapa nilai yang mengalami penurunan. Salah satunya adalah pada jumlah interval sama dengan 8. Dari hasil percobaan ini dapat diasumsikan bahwa menghilangkan kelas yang jarang dikenali dapat meningkatkan nilai akurasi dan sebaliknya jika menghilangkan kelas yang dikenali dengan baik dapat menurunkan sebagian nilai akurasi.
Tabel 7 Nilai rata-rata pengenalan citra dengan jumlah interval 128 untuk setiap data latih Data latih citra ke1
2
3
4
5
6
7
8
9
10
ratarata
1
9
6
8
8
8
9
9
9
9
8
8.3
2
8
9
9
0
8
5
5
7
5
7
6.3
3
2
2
3
9
1
4
6
2
7
2
3.8
4
9
9
9
9
9
9
9
9
9
9
9
5
9
9
9
7
6
6
6
6
7
6
7.1
6
9
9
9
9
9
9
9
9
9
9
9
7
9
8
9
9
8
8
7
8
4
4
7.4
8
9
9
9
9
9
9
9
9
9
9
9
9
6
5
9
9
9
9
9
9
9
9
8.3
7
7
6
6
6
7
5.5
Kelas ke-
10 0 2 5 9 Tabel 8 Perbandingan nilai rata-rata akurasi jumlah interval 2 4 8 16 32 64 128 256
a
b
c
d
e
20.00 51.56 75.33 80.22 79.56 81.45 81.89 81.89
22.22 57.92 82.72 87.65 86.67 87.29 87.04 87.04
21.60 53.21 76.54 79.75 79.63 82.84 82.84 83.09
22.22 55.80 75.68 79.76 80.00 82.10 82.35 82.59
22.22 48.77 73.58 77.53 76.91 79.14 79.75 79.88
Keterangan: a = Nilai akurasi percobaan dengan 10 kelas b = Nilai akurasi percobaan menghilangkan kelas ke-3 c = Nilai akurasi percobaan menghilangkan kelas ke-4
d = Nilai akurasi percobaan menghilangkan kelas ke-6 e = Nilai akurasi percobaan menghilangkan kelas ke-8
8
Tabel 9 Statistik nilai rata-rata akurasi seluruh percobaan terhadap jumlah interval interval 2 4 8 16 32 64 128 256
maksimum 22.22 57.92 82.72 87.65 86.79 89.88 90.25 90.12
minimum 20 48.77 73.58 77.53 76.91 79.14 79.75 79.88
Hasil selengkapnya untuk percobaan menghilangkan kelas ke-3 dapat dilihat pada Lampiran 3 dan menghilangkan kelas yang dikenali dengan baik dapat dilihat pada Lampiran 4. Walaupun terdapat perubahan nilai akurasi ketika menghilangkan sebuah kelas namun perubahan itu tidaklah terlalu signifikan karena masih dalam kisaran yang sama. Pada percobaan menghilangkan kelas-kelas yang lain yaitu kelas 1, 2, 5, 7, 9, dan 10 juga memberikan hasil dengan kisaran yang tidak jauh berbeda. Hasil dari percobaan-percobaan tersebut dapat dilihat pada Lampiran 5. Dari keseluruhan percobaan menggunakan sembilan kelas, terdapat satu percobaan yang terbaik diantara percobaan yang lain. Percobaan tersebut adalah percobaan dengan menghilangkan kelas ke-2. Percobaan ini dikatakan terbaik dari yang lain karena kisaran nilai rata-rata yang diperoleh relatif lebih tinggi dariapa percobaan yang lain. Nilai rata-rata yang diperoleh berkisar antara 22,22% hingga 90,25%. Nilai tersebut bisa dilihat pada Lampiran 5. Menentukan jumlah interval yang baik untuk pengenalan Terdapat delapan variasi jumlah interval yang digunakan dalam penelitian ini. Akan ditentukan jumlah interval berapakah yang ideal untuk pengenalan agar akurasi yang diperoleh cukup baik. Dalam menentukan jumlah interval tersebut digunakan nilai statistik dari rata-rata akurasi pada setiap percobaan yang telah dilakukan. Nilai-nilai statistik yang dimaksud disajikan pada Tabel 10 dan selengkapnya pada Lampiran 6. Tabel 9 adalah nilai statistik dari percobaan dengan menggunakan 10 kelas, percobaan menghilangkan kelas ke 1 hingga kelas ke 10. Pada Tabel 9 diperoleh nilai rata-rata pada jumlah interval 64, 128, dan 256 tidak jauh
Standar deviasi 0.6767 3.3885 2.7626 3.0071 3.1456 3.0424 2.9889 2.9197
Rata-rata 21.96 53.97 76.95 81.04 80.96 83.20 83.30 83.39
median 22.22 53.46 76.54 80.22 80 82.22 82.35 82.59
berbeda dibandingkan dengan jumlah interval yang lainnya. Nilai maksimum, minimum, dan nilai median dari ketiga selang tersebut juga tidak jauh berbeda selisihnya. Jika melihat nilai standar deviasinya relatif lebih kecil dibandingkan jumlah interval 32. Nilai standar deviasi yang kecil menunjukkan keragaman yang kecil pula. Dengan kata lain semakin kecil nilai standar deviasi maka nilainya akan semakin mendekati seragam. Pada jumlah interval selain 64, 128, dan 256, nilai standar deviasinya memang ada yang lebih kecil lagi namun nilai rata-ratanya juga kecil. Sehingga jumlah interval yang disarankan untuk digunakan dalam pengenalan citra adalah jumlah interval 64, 128, dan 256. Menentukan citra pelatihan yang handal Citra pelatihan yang handal adalah citra yang bisa mewakili citra yang lainnya. Sehingga ketika dilakukan pengenalan maka sebagian besar citra uji dapat dikenali dengan baik. Jika sebelumnya menggunakan nilai statistik terhadap jumlah interval, kali ini menggunakan nilai statistik terhadap citra pelatihan yang digunakan. Nilai statistik yang akan digunakan untuk menentukan citra pelatihan yang handal diperoleh dari pada jumlah interval yang disarankan. Nilai-nilai tersebut disajikan pada Tabel 10, Tabel 11, dan Tabel 12 sedangkan untuk statistik selengkapnya disajikan pada Lampiran 7. Dari Tabel 10, Tabel 11, dan Tabel 12 diperoleh nilai maksimum, minimum, dan ratarata tertinggi dicapai ketika menggunakan citra pelatihan ke-3. Sehingga dapat dikatakan citra ke-3 relatif lebih handal untuk dijadikan citra pelatihan dibandingkan citra yang lain. diteliti lagi dari seluruh percobaan yang dirangkum pada Tabel 13, nilai akurasi tertinggi hampir pada setiap percobaan diperoleh dengan menggunakan citra pelatihan ke-3. Begitu juga untuk jumlah interval yang nilai akurasinya
9
tertinggi sebagian besar ada di jumlah interval 64, 128, dan 256. Dari Tabel 10-12, nilai rata-rata tidak berbeda jauh dengan nilai median menandakan tidak ada pencilan berarti sehingga datanya
menyebar normal. Terlihat pula dengan selisih nilai maksimum dan nilai minimum yang sedikit. Nilai rata-rata akurasi yang diperoleh pada setiap percobaannya cukup stabil dengan melihat ukuran pemusatan dan keragaman dari data tersebut.
Tabel 10 Statistik nilai rata-rata seluruh percobaan terhadap citra pelatihan pada jumlah interval 64 citra ke1 2 3 4 5 6 7 8 9 10
maksimum 88.89 90.12 96.30 92.59 92.59 92.59 87.65 91.36 88.89 83.95
minimum 76.67 71.60 82.72 81.48 76.54 79.01 81.48 76.54 79.01 74.07
standar deviasi 3.22 5.78 4.65 3.06 4.57 4.33 2.39 4.77 3.25 3.54
mean 80.82 78.59 88.56 86.01 82.23 83.69 84.57 83.34 84.24 79.89
median 80.25 77.78 87.65 85.19 81.11 82.72 85.19 82.22 83.95 81.48
Tabel 11 Statistik nilai rata-rata seluruh percobaan terhadap citra pelatihan pada jumlah interval 128 citra ke1 2 3 4 5 6 7 8 9 10
maksimum 88.89 90.12 96.30 95.06 92.59 92.59 87.65 91.36 87.65 83.95
minimum 77.78 71.60 82.72 81.48 77.78 79.01 81.48 77.78 79.01 74.07
standar deviasi 3.33 5.49 5.01 3.53 4.60 4.00 2.04 4.33 2.87 3.62
mean 81.03 78.47 88.34 86.67 82.56 84.34 84.68 83.91 84.02 79.01
median 81.48 76.54 87.65 86.67 81.48 83.33 85.19 83.95 83.95 80.25
Tabel 12 Statistik nilai rata-rata seluruh percobaan terhadap citra pelatihan pada jumlah interval 256 citra ke1 2 3 4 5 6 7 8 9 10
maksimum 87.65 90.12 96.30 95.06 92.59 92.59 87.65 90.12 88.89 83.95
minimum 77.78 71.60 82.72 81.48 77.78 79.01 82.72 77.78 79.01 74.07
standar deviasi 3.01 5.49 4.54 3.68 4.39 3.81 1.94 4.22 3.36 3.76
mean 80.47 78.47 89.13 86.33 83.01 84.57 84.91 83.91 84.02 79.12
median 79.01 76.54 87.78 86.42 81.48 83.33 85.19 83.95 82.72 80.25
Tabel 13 Rekapitulasi hasil percobaan percobaan 10 kelas min 1
rentang akurasi 20.00-81.89 22.22 - 80.49
akurasi tertinggi 87.78 88.89
data latih pada akurasi tertinggi 3 3
jumlah interval pada akurasi tertinggi 64, 128, 256 64, 256
10
Lanjutan percobaan min 2 min 3 min 4 min 5 min 6 min 7 min 8 min 9 min 10 min 10 min 10
rentang akurasi 22.22 - 90.25 22.22 - 87.29 21.60 - 83.90 22.22 - 83.95 22.22 - 82.59 22.22 - 82.10 22.22 - 79.88 22.22 - 82.47 22.22 - 83.93 22.22 - 83.93 22.22 - 83.93
akurasi tertinggi 96.30 96.30 88.89 93.83 88.89 88.89 87.65 88.89 87.65 87.65 87.65
data latih pada akurasi tertinggi 3 3 3 3 3 9 3 4 4 7 8
jumlah interval pada akurasi tertinggi 32, 64, 128, 256 32, 64, 128, 256 256 128, 256 64, 128, 256 64, 256 256 16 32, 64, 128, 256 64, 128, 256 64, 128, 256
Keterangan: 10 kelas : percobaan dengan menggunakan 10 kelas min i : percobaan menghilangkan kelas ke-i i : 1, 2, …, 10
Nilai akurasi tertinggi (lihat Tabel 13) yang peroleh pada penelitian ini cukup baik karena menurut Tan, Chen, Zhou, dan Zhang (2006) nilai akurasi akan menurun sebesar 30% jika menggunakan citra pelatihan tunggal. Dari 95% menurun menjadi 65%. Dibandingkan dengan penelitian sejenis, algoritme ini mempunyai beberapa kelebihan antara lain:
digunakan maka nilai akurasinya semakin tinggi. Selain itu, didapatkan pula interval yang disarankan pada percobaan ini adalah interval adalah 64, 128, dan 256. Dan data yang relatif lebih handal untuk dijadikan data latih adalah citra ke-3.
Jika citra diputar maka histogram citra akan sama seperti citra yang tidak diputar. Hal itu dikarenakan histogram citra tidak tergantung pada letak dari suatu piksel namun hanya pada derajat keabuannya. Dan input dari algoritme ini adalah nilai histogram citra. Berbeda dengan penelitian yang dilakukan Pramitasari, input yang digunakan adalah nilai piksel. Bertambahnya ukuran citra tidak menambah fitur yang digunakan sebagai input algoritme VFI5 karena input yang digunakan pada penelitian ini adalah banyaknya interval yang digunakan.
Beberapa hal yang dapat dilakukan pada penelitian selanjutnya adalah dengan memproses data terlebih dahulu dengan menormalisasi intensitas atau tingkat keabuan data sehingga diharapkan dapat mengoptimalkan pengenalan. Selain itu perlu dilakukan penelitian dengan menggunakan teknik perata-rataan citra (image averaging) dan penambahan noise. Percobaan dengan memilih citra yang semuanya baik dikenali sebagai data latih juga perlu dilakukan selanjutnya. Misalkan, dengan melihat Tabel 7 dilakukan percobaan dengan menggunakan kombinasi data latih c1, c3, c4, c3, c3, c3, c3, c3, c3, dan c4. Percobaan yang menggunakan citra pertama untuk kelas pertama, citra ketiga pada kelas kedua, dan seterusnya.
KESIMPULAN DAN SARAN
Saran
Kesimpulan Dari penelitian ini didapatkan beberapa kesimpulan. Pertama, nilai akurasi yang dihasilkan dari pengenalan wajah dengan citra pelatihan tunggal menggunakan algoritme VFI5 berbasis histogram baik. Dengan nilai tertinggi pada percobaan menggunakan 10 kelas mencapai 87,78% dan untuk percobaan menggunakan sembilan kelas mencapai 96,3%. Dari keseluruhan hasil percobaan terlihat semakin banyak jumlah interval yang
DAFTAR PUSTAKA Apniasari AI. 2007. Diagnosis Penyakit Demam Berdarah dengan Menggunakan Voting Feature Intervals 5 [Skripsi]. Bogor: Departemen Ilmu Komputer, FMIPA, Institut Pertanian Bogor. Beymer D and Poggio T. 1995. Face Recognition from One Example View,Science, 272(5250)
11
