analisis deteksi kebohongan melalui arah tatapan...

ANALISIS DETEKSI KEBOHONGAN MELALUI ARAH

TATAPAN MATA MENGGUNAKAN METODE VIOLA-

JONES

Skripsi

Oleh :

SYAIFA AMANDA PUTRI LUBIS

11140910000057

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH

JAKARTA

2018 M/ 1439 H

i

ANALISIS DETEKSI KEBOHONGAN MELALUI ARAH

TATAPAN MATA MENGGUNAKAN METODE VIOLA-JONES

Skripsi :

Sebagai Salah Satu Syarat untuk Memperoleh

Gelar Sarjana Komputer (S.Kom)

Oleh :


11140910000057

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH

JAKARTA

2018 M/ 1439 H

ii

HALAMAN PERSETUJUAN

ANALISIS DETEKSI KEBOHONGAN MELALUI ARAH TATAPAN MATA

MENGGUNAKAN METODE VIOLA-JONES

Skripsi

Sebagai Salah Satu Syarat untuk

Memperoleh Gelar Sarjana Komputer (S.Kom)

Oleh:


11140910000057

Menyetujui,

Pembimbing I, Pembimbing II,

Feri Fahrianto, M.Sc. Luh Kesuma Wardhani, S.T, M.T

NIP. 19800829 201101 1 002 NIP. 19780424 200801 2 022

Mengetahui,

Ketua Program Studi Teknik Informatika

Arini, ST, MT.

NIP. 19760131 200901 2 001

iii

HALAMAN PENGESAHAN

Skripsi Berjudul Analisis Deteksi Kebohongan Melalui Arah Tatapan Mata Menggunakan

Metode Viola-Jones telah diujikan dan dinyatakan lulus dalam sidang munaqasah

Fakultas Sains dan Teknologi UIN Syarif Hidayatullah Jakarta pada 15 Oktober 2018.

Skripsi ini telah diterima sebagai salah satu syarat memperoleh gelar Sarjana Komputer

(S.Kom) pada Program Studi Teknik Informatika.

Jakarta, Oktober 2018

Tim Penguji,

Penguji I, Penguji II,

Anif Hanifa Setianingrum, M.Si Fenty Eka Muzzayana A, M.Kom

NIDN. 141064012 NIP. 19760805 200912 2 003

Tim Pembimbing,

Pembimbing I, Pembimbing II,

Feri Fahrianto, M.Sc. Luh Kesuma Wardhani, S.T, M.T

NIP. 19800829 201101 1 002 NIP. 19780424 200801 2 022

Mengetahui,

Dekan Fakultas Sains dan Teknologi Ketua Prodi Teknik Informatika

Dr. Agus Salim, M.Si. Arini, ST, MT.

NIP. 19720816 199903 1 003 NIP. 19760131 200901 2 001

iv

PERNYATAAN ORISINALITAS

DENGAN INI SAYA MENYATAKAN BAHWA SKRIPSI INI BENAR-BENAR HASIL

KARYA SAYA SENDIRI YANG BELUM PERNAH DIAJUKAN SEBAGAI SKRIPSI ATAU

KARYA ILMIAH PADA PERGURUAN TINGGI ATAU LEMBAGA MANAPUN.

Jakarta, Oktober 2018

Syaifa Amanda Putri Lubis

v

PERNYATAAN PERSETUJUAN PUBLIKASI SKRIPSI

Sebagai sivitas akademik UIN Syarif Hidayatullah Jakarta, saya yang bertanda tangan

dibawah ini:

Nama : Syaifa Amanda Putri Lubis

NIM : 11140910000057

Program Studi : Teknik Informatika

Fakultas : Sains dan Teknologi

Jenis Karya : Skripsi

demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada Universitas Islam

Negeri Syarif Hidayatullah Jakarta Hak Bebas Royalti Noneksklusif (Non-exclusive royalty Free

Right) atas karya ilmiah saya yang berjudul:

Analisis Deteksi Kebohongan Melalui Arah Tatapan Mata Menggunakan Metode Viola-

Jones

beserta perngakat yang ada (jika diperlukan). Dengan Hak Bebas Royalti Noneksklusif ini

Universitas Islam Negeri Syarif Hidayatullah Jakarta berhak menyimpan, mengalih

media/formatkan, mengelola dalam bentuk pangkalan data (database), merawat dan

mempublikasikan tugas akhir saya selama tetap mencantumkan nama saya sebagai

penulis/pencipta dan sebagai pemilih Hak Cipta.

Demikian pernyataan ini saya buat dengan sebenarnya.

Jakarta

Oktober 2018

Yang Menyatakan

(Syaifa Amanda Putri Lubis)

vi UIN Syarif Hidayatullah Jakarta

KATA PENGANTAR

Bismillahirrahmanirrahim

Segala puji bagi Allah, Tuhan semesta alam., Berkat Rahmat Allah SWT

penulis dapat menyelesaikan skripsi ini. Shalawat dan salam kita curahkan kepada

baginda Rasulullah Muhammad SAW beserta seluruh keluarganya, para

sahabatnya dan kepada seluruh umatnya yang tulus ikhlas mengikuti sunnah-

sunnah dan langkah-langkah perjuangannya.

Pembuatan skripsi ini tidak selamanya berjalan dengan lancar, tidak

sedikit kesulitan dan hambatan yang penulis dapatkan, baik yang menyangkut

pengaturan waktu, pengumpulan bahan-bahan dan lain sebagainya

Penulis menyadari bahwa pembuatan skripsi ini tidak dapat terselesaikan

tanpa dukungan dan bantuan dari berbagai pihak. Oleh karena itu, sudah

sepantasnya penulis mengucapkan banyak berterima kasih dan rasa syukur

kepada:

1. Bapak Feri Fahrianto, M. Sc., selaku Sekretaris Program Studi Teknik

Informatika sekaligus Dosen Pembimbing I yang selalu memberikan

bimbingan bantuan dan dukungan baik secara moral maupun teknis .

2. Ibu Luh Kesuma Wardhani selaku Dosen Pembimbing II yang telah

memberikan bimbingan, saran dan motivasi untuk menyelesaikan

skripsi ini.

3. Bapak Dr. Agus Salim, M. Si, selaku Dekan Fakultas Sains dan

Teknologi.

4. Ibu Arini, MT., selaku Ketua Program Studi Teknik Informatika.

5. Bapak dan Ibu Dosen Fakultas Sains dan Teknologi Universitas Islam

Negeri (UIN) Syarif Hidayatullah Jakarta, khususnya pada Program

Studi Teknik Informatika yang telah memberikan ilmu pengetahuan

yang tidak terhingga banyaknya dan sangat berguna bagi penulis.

6. Orang tua yang penulis sayangi, Ayah (Alm) Syarifuddin Lubis dan

Ibu Fatimah Nasution yang selalu mendoakan, memberikan kasih

sayang, nasihat, dan bantuan moril dan materil sehingga penulis dapat

vii UIN Syarif Hidayatullah Jakarta

menyelasaikan skripsi ini. Serta sepupu-sepupu yang penulis sayangi,

Bang Irul, Bang Ade, Kak Wanti, Bang Helmi yang selalu memberi

masukan dan motivasi kepada penulis.

7. Tiga puluh partisipan yang telah membantu penulis menjalankan

eksperimen.

8. Sahabat-sahabat TI, Wulan, Nila, Tina, Khansa, Shifa, Sanjaya,

Mawar, Yolla, Indra, Haris, Amin, Mukti, Annisa, kak Amanda dan

sahabat-sahabat saya yang tidak dapat disebutkan satu-persatu yang

telah membantu, memberikan masukan, semangat dan ilmu serta

memotivasi.

9. Sahabat-sahabat rumah, Fitri, Harpenia, Bima, Arsen, Ranca, Aray,

Elan, Kak Gumi, Isti, Kak Kiki, Echa yang selalu memberi semangat

pada penulis.

10. Seluruh teman-teman TI C 2014 atas dukungan, bantuan, dan

kerjasama dalam menjalani aktifitas perkuliahan selama 4 tahun.

Semoga dilancarkan penyelesaian skripsinya dan sukses.

11. Seluruh pihak yang baik secara langsung maupun tidak langsung

membantu penulis dalam menyelesaikan penyusunan skripsi ini.

Atas bantuan mereka yang sangat berharga, penulis berdoa semoga Allah

SWT selalu memberikan Rahmat-Nya dan memberikan balasan dengan yang

lebih baik.

Jakarta, 15 Oktober 2018

Penulis

viii UIN Syarif Hidayatullah Jakarta

Penulis : Syaifa Amanda Putri Lubis

Program Studi : Teknik Informatika

Judul : Analisis Deteksi Kebohongan Melalui Arah Tatapan Mata

Menggunakan Metode Viola-Jones

ABSTRAK

Ada beberapa pedoman sederhana untuk mendeteksi kebohongan, salah satunya

melalui arah tatapan mata. Penelitian ini fokus untuk membuktikan pendapat

psikologi tentang hubungan kebohongan dan arah tatapan mata dengan

menggunakan aplikasi yang dibuat menggunakan Matlab 2015a. Pada aplikasi ini

digunakan Viola-Jones untuk mendeteksi wajah dan mata, dan Hough Transform

untuk mendeteksi pupil mata. Untuk tahap pengujian, dilakukan eksperimen

dengan empat skenario berbeda. Hasil penelitian berhasil membuktikan pendapat

psikologi tentang hubungan berbohong dengan arah tatapan mata. Tingkat akurasi

skenario umum dan jujur adalah 67,1% dan 61,54%. Sedangkan tingkat akurasi

skenario bohong spontan dan bohong terencana adalah 56,56% dan 54,88%.

Kata Kunci : Kebohongan, Viola-Jones, Hough Transform, Matlab

Daftar Pustaka : 35 (18 Buku + 13 Jurnal/Skripsi + 4 Referensi Internet)

Jumlah Halaman : VI BAB + 96 Halaman

ix UIN Syarif Hidayatullah Jakarta

DAFTAR ISI

HALAMAN JUDUL .................................................................................................. i

HALAMAN PERSETUJUAN .................................................................................... ii

HALAMAN PENGESAHAN ..................................................................................... iii

PERNYATAAN ORISINALITAS.............................................................................. iv

PERNYATAAN PERSETUJUAN PUBLIKASI SKRIPSI ......................................... v

KATA PENGANTAR ................................................................................................ vi

ABSTRAK ................................................................................................................. viii

DAFTAR ISI .............................................................................................................. ix

DAFTAR TABEL ...................................................................................................... xiii

DAFTAR GAMBAR .................................................................................................. xiv

DAFTAR LAMPIRAN ............................................................................................... xvi

BAB I PENDAHULUAN ........................................................................................... 1

1.1 Latar Belakang ................................................................................................. 1

1.2 Rumusan Masalah ............................................................................................ 5

1.3 Batasan Masalah .............................................................................................. 5

1.4 Manfaat Penelitian ........................................................................................... 5

1.4.1 Bagi Peneliti..................................................................................................... 6

1.4.2 Bagi Pembaca .................................................................................................. 6

1.4.3 Bagi Universitas ............................................................................................... 6

1.4.4 Bagi Umum ...................................................................................................... 6

1.5 Tujuan Penelitian ............................................................................................. 6

1.6 Metode Penelitian ............................................................................................ 6

1.6.1 Studi Kepustakaan............................................................................................ 7

1.6.2 Studi Lapangan ................................................................................................ 7

1.6.3 Studi Literatur .................................................................................................. 7

1.7 Sistematika Penulisan ....................................................................................... 7

x UIN Syarif Hidayatullah Jakarta

BAB II LANDASAN TEORI ..................................................................................... 9

2.1 Kebohongan ..................................................................................................... 9

2.1.1 Pengertian Kebohongan ................................................................................... 9

2.1.2 Kebohongan Spontan dan Terencana ................................................................ 9

2.1.3 Motif Berbohong .............................................................................................. 10

2.2 Kejujuran ......................................................................................................... 11

2.3 Mata ................................................................................................................. 11

2.3.1 Pupil ................................................................................................................ 12

2.3.2 Kornea ............................................................................................................. 13

2.3.3 Iris ................................................................................................................... 13

2.3.4 Retina .............................................................................................................. 13

2.3.5 Lensa Mata ...................................................................................................... 13

2.3.6 Akomodasi Otot ............................................................................................... 13

2.3.7 Bintik Kuning .................................................................................................. 14

2.3.8 Bintik Buta ....................................................................................................... 14

2.3.9 Syaraf Optik ..................................................................................................... 14

2.3.10 Aqueus Humor ................................................................................................ 14

2.3.11 Virtreous Humor ............................................................................................. 14

2.3.12 Sklera .............................................................................................................. 14

2.4 Citra Digital .................................................................................................... 15

2.5 Pengolahan Citra ............................................................................................. 16

2.5.1 Akuisisi Citra .................................................................................................. 17

2.5.2 Konversi Jenis Citra ........................................................................................ 18

2.5.3 Ekstraksi Fitur ................................................................................................. 18

2.5.4 Klasifikasi ....................................................................................................... 19

2.6 Deteksi ............................................................................................................ 19

2.6.1 Deteksi Wajah ................................................................................................. 20

2.7 Viola-Jones ..................................................................................................... 20

2.7.1 Proses Haar-Like Feature .............................................................................. 21

xi UIN Syarif Hidayatullah Jakarta

2.7.2 Proses Integral Image ..................................................................................... 22

2.7.3 Proses AdaBoost Machine Learning ............................................................... 23

2.7.4 Proses Cascade Classifier .............................................................................. 23

2.8 Hough Transform ............................................................................................ 24

2.9 Matlab ............................................................................................................. 26

2.10 Webcam ........................................................................................................ 26

2.11 Pengambilan Sampel menurut Gay dan Diehl .................................................. 27

2.12 Metode Penelitian ........................................................................................... 27

2.13 Studi Literatur Sejenis ..................................................................................... 28

BAB III METODOLOGI PENELITIAN .................................................................... 32

3.1 Metode Pengumpulan Data ............................................................................. 32

3.1.1 Studi Kepustakaan ........................................................................................... 32

3.1.2 Studi Literatur ................................................................................................. 33

3.1.3 Studi Lapangan ............................................................................................... 36

3.2 Alur Kerangka Berfikir ................................................................................... 37

BAB IV IMPLEMENTASI DAN EKSPERIMEN ...................................................... 40

4.1 Tools Eksperimen ............................................................................................ 40

4.1.1 Gambaran Umum Deteksi Kebohongan........................................................... 40

4.1.2 Analisis Kebutuhan ......................................................................................... 41

4.1.3 Deteksi Wajah ................................................................................................. 43

4.1.3.1 Preprosessing .................................................................................................. 43

4.1.3.2 Deteksi Ciri Wajah .......................................................................................... 43

4.1.4 Deteksi Mata ................................................................................................... 50

4.1.4.1 Deteksi Ciri Mata ............................................................................................ 50

4.1.4.2 Deteksi Ciri Pupil ............................................................................................ 52

4.1.5 Penentuan Arah Tatapan Mata ......................................................................... 53

4.2 Pelaksanaan Eksperimen ................................................................................. 54

BAB V HASIL DAN PEMBAHASAN ...................................................................... 56

5.1 Implementasi Hasil Eksperimen ....................................................................... 56

xii UIN Syarif Hidayatullah Jakarta

5.2 Proses Pelaksanaan Eksperimen ....................................................................... 57

5.3 Verifikasi dan Validasi ..................................................................................... 59

5.3.1 Pertanyaan Skenario Umum ............................................................................. 59

5.3.2 Pertanyaan Skenario Jujur ................................................................................ 60

5.3.3 Pertanyaan Skenario Bohong Spontan .............................................................. 62

5.3.4 Pertanyaan Skenario Bohong Terencana ........................................................... 64

5.3.5 Analisis Total ................................................................................................... 67

BAB VI PENUTUP .................................................................................................... 69

6.1 Kesimpulan ...................................................................................................... 69

6.2 Saran ................................................................................................................ 70

DAFTAR PUSTAKA ................................................................................................. 71

LAMPIRAN ............................................................................................................... 74

xiii UIN Syarif Hidayatullah Jakarta

DAFTAR TABEL

Tabel 3.1 Studi Literatur ............................................................................................ 33

Tabel 5.1 Kategori Pertanyaan Umum ....................................................................... 59

Tabel 5.2 Kategori Pertanyaan Jujur .......................................................................... 61

Tabel 5.3 Kategori Pertanyaan Bohong Spontan ........................................................ 63

Tabel 5.4 Kategori Pertanyaan Bohong Terencana ..................................................... 65

Tabel 5.5 Analisis Total ............................................................................................. 67

xiv UIN Syarif Hidayatullah Jakarta

DAFTAR GAMBAR

Gambar 2.1 Organ Mata............................................................................................. 12

Gambar 2.2 Koordinat Citra Digital ........................................................................... 15

Gambar 2.3 Citra Burung Nuri ................................................................................... 17

Gambar 2.4 Skema Proses Deteksi Wajah dengan Viola-Jones ................................. 21

Gambar 2.5 Jenis-Jenis Fitur ..................................................................................... 21

Gambar 2.6 Arah Perhitungan Integral Image ........................................................... 22

Gambar 2.7 Integral Image........................................................................................ 22

Gambar 2.8 Area W dan B ........................................................................................ 23

Gambar 2.9 Alur Cascade Classifier ......................................................................... 24

Gambar 2.10 Proses Penumpukan Vote ...................................................................... 25

Gambar 2.11 Proses Mendeteksi Tepi Lingkaran ....................................................... 26

Gambar 2.12 Logo Matlab ........................................................................................ 26

Gambar 2.13 Webcam ............................................................................................... 27

Gambar 3.1 Kerangka Berpikir ................................................................................ 38

Gambar 4.1 Flowchart Aplikasi ............................................................................... 42

Gambar 4.2 Tahapan Metode Viola-Jones ................................................................ 44

Gambar 4.3 Fitur yang berisi beberapa pixel ............................................................ 44

Gambar 4.4 Contoh 1 Mencari Integral Image .......................................................... 45

Gambar 4.5 Hasil Contoh 1 ...................................................................................... 45

Gambar 4.6 Contoh 2 Mencari Integral Image .......................................................... 45

Gambar 4.7 Hasil Contoh 2 ...................................................................................... 46

Gambar 4.8 Image dan Integral Image ..................................................................... 46

Gambar 4.9 Image dalam Command Window MATLAB.......................................... 47

Gambar 4.10 Integral Image dalam Command Window MATLAB ............................. 47

Gambar 4.11 Fitur dengan Integral Image ................................................................. 48

Gambar 4.12 Contoh Proses Fitur Kedua .................................................................. 49

xv UIN Syarif Hidayatullah Jakarta

Gambar 4.13 Deteksi Wajah ..................................................................................... 50

Gambar 4.14 Subimage Pertama ............................................................................... 50

Gambar 4.15 Deteksi Mata........................................................................................ 51

Gambar 4.16 Mendeteksi Tiap Titik .......................................................................... 52

Gambar 4.17 Pupil Terdeteksi .................................................................................... 52

Gambar 4.18 Subimage Kedua ................................................................................... 52

Gambar 4.19 Tampilan Lurus .................................................................................... 53

Gambar 4.20 Tampilan Kiri ....................................................................................... 54

Gambar 4.21 Tampilan Kanan ................................................................................... 54

Gambar 4.22 Tampilan Tidak Ada Wajah Terdeteksi ................................................. 54

Gambar 5.1 Implementasi Hasil Eksperimen ............................................................ 56

Gambar 5.2 Pelaksanaan Eksperimen Skenario Bohong Spontan ............................. 57

Gambar 5.3 Tampilan Tools Eksperimen.................................................................. 58

Gambar 5.4 Diagram Skenario Pertanyaan Umum ................................................... 60

Gambar 5.5 Diagram Skenario Pertanyaan Jujur ...................................................... 62

Gambar 5.6 Diagram Skenario Pertanyaan Bohong Spontan .................................... 64

Gambar 5.7 Diagram Skenario Pertanyaan Bohong Terencana ................................. 66

Gambar 5.8 Diagram Kategori Jujur......................................................................... 67

Gambar 5.9 Diagram Kategori Bohong .................................................................... 67

Gambar 7. Pelaksanaan Eksperimen ....................................................................... 80

xvi UIN Syarif Hidayatullah Jakarta

DAFTAR LAMPIRAN

Lampiran 1. Penulisan Kode ....................................................................................... 74

Lampiran 2. Daftar Pertanyaan ................................................................................... 78

Lampiran 3. Pelaksanaan Eksperimen ......................................................................... 79

1 UIN Syarif Hidayatullah Jakarta

BAB I

PENDAHULUAN

1.1 Latar Belakang

Kebohongan (juga disebut kepalsuan) adalah jenis penipuan dalam bentuk

pernyataan yang tidak benar, terutama dengan maksud untuk menipu orang lain,

seringkali dengan niat lebih lanjut untuk menjaga rahasia atau reputasi, perasaan

melindungi seseorang atau untuk menghindari hukuman atau tolakan untuk satu

tindakan. (Eric, 2007)

Rasulullah menegaskan haramnya berdusta dan menjadi salah satu tanda

orang munafik dalam hadits dan surah berikut :

خان ؤتمن واذا أخلف وعد واذا كذب حدث اذا : ثالث المنافق اية

“Pertanda orang yang munafiq ada tiga: apabila berbicara bohong, apabila

berjanji mengingkari janjinya dan apabila dipercaya berbuat khianat” (Hadits

riwayat Bukhari dan Muslim).

ذبون ٱلكذب ٱلذين ل يؤمنون ب إنما يفتري ئك هم ٱلك وأول ت ٱلل اي

“Sesungguhnya yang mengada-adakan kebohongan, hanyalah orang-orang yang

tidak beriman kepada ayat-ayat Allah, dan mereka itulah orang-orang

pendusta”(Q.S.An-Nahl:105)

Orang Islam yang berdusta atau melakukan kebohongan adalah orang-orang yang

tidak beriman kepada Allah SWT.

ماوات وما في الرض ويعلم ما في الس على ك قل إن تخفوا ما في صدوركم أو تبدوه يعلمه للا ل وللا

شيء قدير

“Katakanlah: jika kalian menyembunyikan apa yang ada di dalam dada kalian,

atau kalian menampakkannya, maka Allah mengetahui semua itu. Allah

mengetahui apa yang ada di langit dan apa yang ada di bumi. Dan Allah maha

kuasa atas segala sesuatu” (QS. Al Imran: 29).

2

UIN Syarif Hidayatullah Jakarta

Berdasarkan hasil penelitian, ketika kita berbicara dengan seseorang rata-

rata kita berbicara tentang kebohongan setiap 10 menit. Bahkan bisa lebih ketika

kita berbicara dgn orang tua. (Latifa, 2011)

Terdapat beberapa pedoman sederhana untuk mendeteksi kebohongan :

a. Mata adalah yang paling jujur

b. Apabila seseorang berkata bahwa ia sedang merasakan sesuatu namun

tidak menunjukkan emosi apapun maka anda tidak mempercayainya

c. Apabila seseorang menyatakan emosi negatif dan menunjukkan senyuman,

mungkin anda mempercayai ucapannya atau senyumannya

d. Apabila seseorang tidak mengatakan apapun namun mengekpresikannya

pada wajah, anda mempercayai wajahnya, terutama apabila ia

menyangkalnya dalam perkataan. (Abdul, 2010)

Dari hal yang dikemukakan diatas, ternyata juga terdapat hubungan antara

kebohongan dan tanda-tanda fisik manusia. Seperti yang dikatakan Mark Bouton,

seorang agen FBI selama 30 tahun dalam bukunya “How to Spot Lies Like the

FBI” dan John J. Webster dalam bukunya “Instant Fact: How To Get The Truth

Out of Anyone!” :

“When a person thinks, he accesses different parts of his brain depending

upon the information that is being accessed. This process can be observed

watching the eyes. For right-handed people, visual memories are accessed

by the eyes going up and to the left. For a left-handed person, it’s the

reverse: the eyes go up and to the right. When a right-handed person seeks

to create an image or fact, his eyes go up and to right. And the reverse is

true for the left-handed person. You can use this technique in any

conversation to determine if the person is creating or recalling

information. Simply watch his eyes and you’ll know whether he’s recalling

an event that’s already occurred or making up a story about something

that has never happened”

(Ketika seseorang berpikir, dia mengakses bagian-bagian berbeda dari

otaknya tergantung pada informasi yang sedang diakses. Proses ini bisa

http://www.amazon.com/How-Spot-Lies-Like-FBI/dp/0615371868/ref=la_B001JP4A3S_1_1?s=books&ie=UTF8&qid=1454095937&sr=1-1


3


diamati dengan mengawasi mata. Untuk orang yang menggunakan tangan

kanan, memori visual diakses oleh mata yang naik dan ke kiri. Untuk

orang yang kidal, sebaliknya: mata naik dan ke kanan. Ketika orang yang

kidal berusaha mengada-ada gambar atau fakta, matanya naik dan ke

kanan. Dan sebaliknya berlaku untuk orang kidal. Anda dapat

menggunakan teknik ini dalam percakapan apa pun untuk menentukan

apakah orang tersebut mengada-ada atau mengingat informasi. Cukup

amati matanya dan Anda akan tahu apakah ia mengingat peristiwa yang

sudah terjadi atau mengarang cerita tentang sesuatu yang belum pernah

terjadi)

Salah satu penelitian sejenis dalam konteks teknologi adalah Perancangan

Pendeteksian Kebohongan Melalui Perubahan Diameter Pupil Mata Dengan

Teknik Thresholding yang ditulis oleh Abdul Jabbar Lubis pada tahun 2010.

Sistem yang dapat mengetahui perubahan diameter pupil mata seseorang yang

akan dianalisa untuk mengetahui kebohongan yang dilakukan oleh seseorang.

Proses yang dilakukan meliputi penerangan mata oleh sumber cahaya infra merah

agar pupil mata dapat ditangkap oleh kamera secara online. Dari kamera

disambungkan ke PC menggunakan bantuan bahasa VB untuk proses selanjutnya.

Melalui proses thresholding, pupil mata akan dipisahkan dari bagian mata

yang lain dan dihitung luas kemudian dihitung diameter pupil. Dari hasil

perhitungan diameter pupil mata, dibuat grafik perubahan diameter pupil mata

terhadap waktu. Dari grafik perubahan diameter pupil mata terhadap waktu dapat

dianalisa dan ditentukan apakah seseorang berbohong atau tidak. Penentuan

berbohong tidaknya seseorang dengan memberikan suatu range batas tertentu,

yaitu bila grafik perubahan diameter pupil mata melewati garis batas tersebut

seseorang dinyatakan telah berbohong. Hasil uji coba menunjukkan keberhasilan

dalam mendeteksi orang yang berbohong sebesar 74.44 %, Orang yang berbohong

terdeteksi jujur sebesar 25.55 %, Orang jujur yang terdeteksi berbohong sebesar

57.27 %, dan orang jujur yang terdeteksi jujur sebesar 42.72 %.

4


Sedangkan salah satu penelitian psikologi yaitu Eye Movements and Other

Cues to the False Answers of “Witnesses” to Crimes yang ditulis oleh Jeffrey J.

Walczyk, dkk pada tahun 2012. Penelitian ini mendeteksi kebohongan dengan

cara psikologi. Ada empat parameter yang diteliti yaitu: waktu respon, jawaban

konsisten, pergerakan mata yang cepat, dan ukuran pupil. Melakukan eksperimen

dengan partisipan diminta untuk jadi saksi. Menonton video kriminal hanya sekali

lalu diminta untuk menjawab pertanyaan. Ada tiga skenario dalam eksperimen ini

yaitu: bohong terencana, bohong tidak terencana dan jujur.

Dalam penelitian ini konteks teknologi dan psikologi digabungkan untuk

mendeteksi kebohongan melalui tatapan mata. Sesuai dengan metode yang

digunakan di empat penelitian sejenis, digunakan Viola-Jones sebagai metode

pendeteksi bagian tubuh, yaitu wajah dan mata, serta menggunakan Hough

Transform sebagai metode untuk mendeteksi pupil mata. Selain itu yang

membedakan penelitian ini dengan penelitian sebelumnya adalah parameter

hubungan kebohongan dengan sikap/gesture tubuh. Parameter yang digunakan

dalam penelitian ini adalah arah tatapan mata.

Metode Viola-Jones merupakan salah satu metode pendeteksian objek

yang cukup populer, yang dapat memberikan hasil dengan tingkat keakuratan

yang cukup tinggi yaitu sekitar 93,7% dan dengan kecepatan 15 kali lebih cepat

daripada detektor Rowley Baluja-Kanade dan kurang lebih 600 kali lebih cepat

daripada detektor Schneiderman-Kanade. Metode ini, diusulkan oleh Paul Viola

dan Michael Jones pada tahun 2001 (Andrianus, 2014). Sedangkan Hough

Transform adalah suatu metode untuk mendeteksi garis, lingkaran , atau bentuk

lainya. (McAndrew, 2004).

Dalam penelitian ini, sebelum diberikan pertanyaan partisipan diberikan

sebuah video kriminal yang menampilkan rekaman CCTV pencurian sepeda

motor dan dibagi menjadi dua kategori yang menjalankan empat skenario

berbeda. Kategori pertama partisipan harus memberikan kesaksian jujur karena

partisipan merupakan saksi mata dan Kategori kedua partisipan harus berbohong

karena pelaku kriminal mengancam partisipan jika memberikan keterangan jujur

5


pada kepolisian. Penelitian dilakukan di lingkungan kampus Universitas Islam

Negeri Syarif Hidayatullah Jakarta.

Berdasarkan latar belakang diatas, maka dilakukan penelitian dengan judul

“Analisis Deteksi Kebohongan Melalui Arah Tatapan Mata Menggunakan

Metode Viola-Jones”.

1.2 Rumusan Masalah

Berdasarkan latar belakang masalah yang dibahas sebelumnya maka dapat

diambil rumusan masalah “Bagaimana menganalisis deteksi kebohongan melalui

arah tatapan mata dengan menggunakan metode Viola-Jones?”

1.3 Batasan Masalah

Untuk mendapatkan gambaran yang jelas tentang yang disampaikan agar

tidak keluar dari masalah yang telah dibahas, maka diberikan batasan masalah,

yaitu pada:

1. Penelitian ini menggunakan buku “How to Spot Lies Like the FBI” milik

Mark Bouton dan “Instant Fact: How To Get The Truth Out of Anyone!”

milik John J. Webster sebagai pedoman hubungan kebohongan dengan

arah tatapan mata.

2. Tools eksperimen ini menggunakan input webcam.

3. Tools eksperimen ini menggunakan parameter arah tatapan mata.

4. Objek penelitian adalah 30 orang mahasiswa Teknik Informatika UIN

Syarif Hidayatullah Jakarta.

5. Untuk mendeteksi wajah dan mata digunakan metode Viola-Jones.

6. Untuk mendeteksi pupil digunakan metode Hough Transform.

7. Tools eksperimen ini dibuat menggunakan tools Matlab R2015a. Dan

menggunakan VLC player untuk merekam proses.

1.4 Manfaat Penelitian

Hasil dari penelitian ini diharapkan dapat memberikan manfaat bagi

berbagai kalangan yaitu :


6


1.4.1 Manfaat bagi peneliti

Berikut manfaat penelitian bagi peneliti :

1. Menambah wawasan tentang deteksi kebohongan.

2. Memahami metode Viola Jones dan Hough Transform.

3. Memahami konsep dari pembuatan sistem menggunakan Matlab.

1.4.2 Manfaat bagi pembaca

Manfaat penelitian bagi pembaca adalah mengetahui informasi tentang

kebohongan dan cara mendeteksinya.

1.4.3 Manfaat bagi universitas

Manfaat penelitian bagi universitas adalah menambah arsip universitas

tentang penelitian skripsi mengenai pembuatan sistem dengan Matlab dan deteksi

kebohongan.

1.4.4 Manfaat bagi umum

Berikut manfaat penelitian bagi masyarakat umum :

1. Pembuktian metode deteksi kebohongan dengan cara menganalisis arah

tatapan mata.

2. Penelitian mengenai pembuatan sistem dengan Matlab ini dapat menjadi

referensi pembelajaran untuk peneliti berikutnya.

1.5 Tujuan Penelitian

Tujuan dari penelitian ini adalah menganalisis deteksi kebohongan melalui

arah tatapan mata dengan menggunakan metode Viola-Jones.

1.6 Metode Penelitian

Metode penelitian sangat diperlukan untuk mendapatkan bukti kebenaran

suatu konsep dan teori yang diperoleh serta untuk menemukan dan menguji suatu

pengetahuan. Metode penelitian yang digunakan dalam pembuatan sistem adalah

sebagai berikut:

7


1.6.1 Studi Kepustakaan

Digunakan 18 Buku, 13 Jurnal/Skripsi dan 4 Referensi Internet dalam

studi kepustakaan.

1.6.2 Studi Lapangan

Dilakukan eksperimen dan observasi. Eksperimen dilakukan dengan 30

orang partisipan.

1.6.3 Studi Literatur

Lima penelitian berbasis teknologi dan dua penelitian berbasis psikologi.

1.7 Sistematika Penulisan

Tugas ini terdiri dari enam bab yang disusun dengan materi pembahasan

yang saling berhubungan dengan sistematika sebagai berikut:

BAB I PENDAHULUAN

Bab ini menjelaskan tentang masalah yang menjadi dasar pelaksanaan penelitian

ini yang berisikan latar belakang, rumusan masalah, batasan masalah. Bab ini juga

menjabarkan tentang maksud dan tujuan penelitian, manfaat penelitian,

metodologi penelitian, dan sistematika penulisan yang merupakan gambaran

menyeluruh dari penelitian ini.

BAB II LANDASAN TEORI

Bab ini menguraikan konsep dan teori dasar materi yang terkait dan digunakan

selama penelitian dan yang digunakan untuk membantu menyusun laporan dalam

penelitian ini.

BAB III METODOLOGI PENELITIAN

Bab ini menjabarkan tentang metode penelitian yang digunakan yaitu metodologi

pengumpulan data dan metodologi pengembangan sistem.

BAB IV IMPLEMENTASI EKSPERIMEN

Bagian ini akan menjelaskan penyelesaian permasalahan yang ada menggunakan

metodologi yang dipilih.

BAB V HASIL DAN PEMBAHASAN

Bagian ini akan menjelaskan penyelesaian permasalahan yang ada menggunakan

metodologi yang dipilih.

8


BAB VI KESIMPULAN DAN SARAN

Kesimpulan merupakan pernyataan singkat dan tepat yang dijabarkan dari hasil

penelitian. Saran dibuat berdasarkan pengalaman dan pertimbangan, ditujukan

kepada para peneliti dalam bidang sejenis, yang ingin melanjutkan, atau

mengembangkan penelitian yang sudah diselesaikan.


BAB II

LANDASAN TEORI

2.1 Kebohongan

2.1.1 Pengertian kebohongan

Kebohongan (juga disebut kepalsuan) adalah jenis penipuan dalam bentuk

pernyataan yang tidak benar, terutama dengan maksud untuk menipu orang lain,

seringkali dengan niat lebih lanjut untuk menjaga rahasia atau reputasi, perasaan

melindungi seseorang atau untuk menghindari hukuman atau tolakan untuk satu

tindakan. Berbohong adalah menyatakan sesuatu yang yang tahu tidak benar atau

bahwa orang tidak jujur yakini benar dengan maksud bahwa seseorang akan

membawanya untuk kebenaran. Seorang pembohong adalah orang yang

berbohong, yang sebelumnya telah berbohong, atau yang cenderung oleh alam

untuk berbohong berulang kali, bahkan ketika tidak diperlukan.

Berbohong biasanya digunakan untuk merujuk kepada penipuan dalam

komunikasi lisan atau tertulis. Bentuk lain dari penipuan, seperti penyamaran

atau pemalsuan, biasanya tidak dianggap sebagai kebohongan, meskipun maksud

yang mendasarinya mungkin sama. Namun, bahkan pernyataan yang sebenarnya

dapat digunakan untuk menipu. Dalam situasi ini, itu adalah maksud yang

keseluruhan berbohong daripada kebenaran pernyataan dari setiap individu yang

dianggap kebohongan. (Erik, 2007)

2.1.2 Kebohongan Spontan dan Terencana

Berbohong tidak selalu spontan. Terkadang orang memiliki kesempatan

untuk mempersiapkan kebohongan mereka sebelumnya. Kebohongan yang

terencana lebih sulit dideteksi daripada kebohongan spontan. Pembohong spontan

tahu pertanyaan macam apa yang akan ditanyakan maka dari itu mempersiapkan

diri mereka sendiri. (Rosenfeld, 2018)

https://id.wikipedia.org/wiki/Pemalsuan

10


Misalnya, banyak tersangka yang bersalah akan menyadari kemungkinan

bahwa polisi akan mewawancarai tentang kejahatan mereka. Karena itu mereka

bisa menyiapkan jawaban pada pertanyaan ini jauh sebelumnya. Berbohong

mungkin tidak terlalu sulit situasi ini, ketika polisi bertanya tentang kejahatan

mereka, tersangka bersalah yang dipersiapkan dengan baik akan memberikan

jawaban yang telah mereka persiapkan sebelumnya.

Penelitian menemukan bahwa orang-orang yang berbohong secara

direncanakan merespons lebih cepat daripada orang yang jujur. Selain itu, orang-

orang yang menceritakan kebohongan yang direncanakan biasanya lebih sedikit

menggerakan kaki, anggukan kepala afirmatif, dan menganggukkan kepala

daripada orang yang menceritakan kejujuran. (Greene, O’Hair, Cody, & Yen,

1985).

2.1.3 Motif Berbohong

Banyak penelitian menunjukkan bahwa perilaku berbohong adalah hal

biasa yang terjadi sehari-hari. Jika dirata-rata, orang berbohong sekitar 2 kali

sehari atau dalam seperempat interaksinya dengan orang lain. Individu cenderung

sedikit berbohong pada individu lain yang secara emosional dianggap dekat.

Hanya sekitar 1 kebohongan dalam 10 interaksi sosial yang dilakukan dengan

pasangan, misalnya. (Rena, 2011)

Individu berbohong untuk berbagai alasan. Pertama, berbohong dalam

rangka membuat kesan positif terhadap orang lain atau untuk melindungi dirinya

dari rasa malu atau penolakan dari individu lain. Kedua, individu berbohong

dalam rangka mendapatkan keuntungan. Ketiga, berbohong dilakukan untuk

menghindari hukuman. Ketiga jenis bohong ini dapat dikategorikan sebagai self-

oriented yakni bertujuan agar pelakunya tampak tampil lebih baik di hadapan

orang lain dan untuk memperoleh keuntungan pribadi.

Keempat, ada jenis orang yang berbohong untuk keuntungan orang lain,

untuk membuat orang lain jadi tampak lebih baik atau melindungi orang lain,

disebut sebagai other-oriented lie. Individu yang melakukan tipe bohong seperti

11


ini biasanya adalah individu yang sudah merasa dekat dan memiliki keterlibatan

emosional dengan orang yang dilindunginya tersebut.

Kelima, yakni jenis ‘social lies’, dimana perilaku berbohong yang tampil

adalah untuk tujuan memelihara hubungan sosial. Tipe berbohong ini didasari

pemikiran bahwa dalam setiap relasi sosial, percakapan akan terkesan kaku dan

cenderung membuat pelaku interaksi menjadi tidak nyaman dan merasa terganggu

manakala saling mengutarakan kejujuran satu sama lain. (Vrij, 2001)

2.2 Kejujuran

Kejujuran menurut Kamus Besar Bahasa Indonesia berasal dari kata

‘jujur’ yang mendapat imbuhan ke-an, yang artinya ‘lurus hati, tidak berbohong,

tidak curang, tulus atau ikhlas’.

Kejujuran adalah sifat yang melekat dalam diri seseorang dan merupakan

hal penting untuk dilakukan dalam kehidupan sehari-hari. Menurut Tabrani

Rusyan, arti jujur dalam bahasa Arab merupakan terjemahan dari kata shidiq yang

artinya benar, dapat dipercaya. Dengan kata lain, jujur adalah perkataan dan

perbuatan sesuai dengan kebenaran. Jujur merupakan induk dari sifat-sifat terpuji.

Jujur juga disebut dengan benar, memberikan sesuatu yang benar atau sesuai

dengan kenyataan. (Rusyan, 2006)

2.3 Mata

Mata adalah organ penglihatan yang mendeteksi cahaya. Mata merupakan

salah satu organ tubuh yang sangat penting. Cara kerja mata yang sederhana salah

satunya adalah hanya untuk mengetahui apakah lingkungan sekitarnya adalah

terang atau gelap. Sedangkan Fungsi mata yang lebih kompleks dipergunakan

untuk memberikan pengertian visual. (Staf Departemen Ilmu Kesehatan Mata

Fakultas Kedokteran UNAIR, 2013)

12


Gambar 2.1 Organ Mata

Bagian-bagian mata adalah sebagai berikut (Ilyas, 1988) :

1. Pupil

Pupil (L.pupilla, pupa-boneka) adalah bagian mata yang berupa sebuah

lubang kecil yang berfungsi mengatur jumlah cahaya yang masuk ke bola mata.

Besar kecilnya pupil diatur oleh iris.

Cahaya dari luar akan pertama kali diterima kornea, kemudian cahaya

akan diteruskan ke pupil. Pupil menentukan kuantitas cahaya yang masuk ke

bagian mata yang lebih dalam. Pupil bekerja pada saat menerima cahaya. Pupil

mata akan melebar jika kondisi ruangan yang gelap, dan akan menyempit jika

kondisi ruangan terang. Lebar pupil dipengaruhi oleh selaput pelangi di

sekelilingnya. Selaput pelangi berfungsi sebagai diafragma. Selaput pelangi inilah

terlihat sebagai bagian yang berwarna pada mata. Dari pupil, cahaya diteruskan ke

lensa mata menerima cahaya dari pupil dan meneruskannya pada retina.

Mekanisme kerja pupil membantu mata agar dapat menerima cahaya dalam

jumlah tepat. Ukuran pupil dipengaruhi oleh sinar, rangsangan psikis dan obat.

13


2. Kornea

Kornea (korneos) adalah bagian mata yang terletak di lapisan paling luar.

Bagian ini berupa selaput bening yang bersifat tembus pandang (transparan). Sifat

kornea ini membuat cahaya dapat masuk ke dalam sel-sel penerima cahaya di

bagian dalam bola mata. Selain berfungsi melindungi mata dari benda-benda

asing dari luar, kornea juga berfungsi dalam melakukan refraksi di lensa mata.

3. Iris

Iris adalah bagian mata yang berfungsi mengatur besar kecilnya pupil.

Bagian ini jugalah yang memberi warna pada mata. Sebagai contoh, orang Asia

memiliki mata dengan warna hitam hingga coklat, dan lain sebagainya.

4. Retina

Retina adalah bagian mata berupa lapisan tipis sel yang terletak di bagian

belakang bola mata. Bagian ini berfungsi menangkap bayangan yang dibentuk

lensa mata kemudian mengubahnya menyadi sinyal syaraf. Retina merupakan

bagian mata yang sangat sensitif cahaya karena ia memiliki 2 sel fotoreseptor,

yaitu rods dan cones.

5. Lensa Mata

Lensa mata adalah bagian mata yang berfungsi membentuk sebuah

gambar. Gambar yang dibentuk lensa mata kemudian diteruskan untuk kemudian

diterima retina. Lensa mata dapat menipis atau menebal sesuai dengan jarak mata

dengan benda yang dilihatnya. Saat jarak benda terlalu dekat, lensa mata akan

menipis, sedangkan saat jarak benda terlalu jauh, lensa mata akan menebal.

6. Akomodasi Otot

Mekanisme menebal dan menipisnya lensa mata dapat terjadi akibat

adanya fungsi akomodasi otot lensa. Otot ini bekerja mendorong dan menarik

lensa mata sehingga dapat menebal dan menipis.

14


7. Bintik Kuning

Bintik kuning adalah bagian mata yang paling sensitif terhadap cahaya.

Saat bayangan benda jatuh pada bagian mata ini, benda tersebut akan sangat

terlihat jelas, sementara jika bayangan benda jatuh sebelum atau sesudah bintik

kuning, maka benda tersebut tidak terlihat jelas (lamur).

8. Bintik Buta

Bintik buta atau blind spot adalah bagian mata yang tidak sensitif terhadap

cahaya. Jika bayangan benda jatuh tepat pada bagian ini, maka benda tidak dapat

terlihat oleh mata.

9. Syaraf Optik

Syaraf optik adalah bagian mata yang berfungsi meneruskan informasi

bayangan benda yang diterima retina menuji otak. Melalui saraf inilah sebetulnya

kita dapat menentukan bagaimana bentuk suatu benda yang kita lihat. Jika syaraf

optik ini rusak, itu berarti kita tidak dapat melihat alias buta.

10. Aqueus Humor

Aqueus humor adalah cairan yang menyerupai plasma berlendir

transparandengan konsentrasi protein yang rendah. Aqueous humor diproduksi

oleh silia tubuh dan berfungsi sebagai struktur pendukung lensa.

11. Vitreous Humor

Vitreous humor atau juga disebut badan vitreous adalah semacam gel yang

berfungsi mengisi ruang antara retina dan lensa.

12. Sklera

Sklera adalah bagian dinding putih mata. Bagian ini memiliki ketebalan

rata-rata sekitar 1 mm, akan tetapi ia juga dapat menebal hingga 3 mm karena

adanya otot irensi.

15


2.4 Citra Digital

Citra atau gambar atau image merupakan suatu yang menggambarkan

objek dan biasanya dalam bentuk dua dimensi. Citra merupakan suatu representasi

kemiripan dari suatu objek atau benda. Citra digital didefinisikan sebagai

representasi diskrit dari data spasial (tata letak) dan intensitas (warna) informasi.

Citra digital merupakan citra yang telah disimpan dalam bentuk file

sehingga dapat diolah dengan menggunakan komputer. Pengolahan citra digital

adalah istilah umum untuk berbagai macam teknik yang ada untuk memanipulasi

dan memodifikasi citra dalam berbagai cara.

Gambar 2.2 Koordinat Citra Digital

Menurut Kadir & Susanto (2013), terdapat tiga jenis citra yang umum digunakan

dalam pemrosesan citra, yaitu:

1. Citra Berwarna

Citra berwarna, atau biasa dinamakan citra RGB, merupakan jenis citra

yang menyajikan warna dalam bentuk komponen R (merah), G (hijau), B

(biru). Setiap komponen warna menggunakan delapan bit (nilainya

berkisar antara 0 sampai dengan 255). Dengan demikian, kemungkinan

warna yang dapat disajikan mencapai 255 x 255 x 255 atau 16.581.375

warna.

16


2. Citra Berskala Keabuan (Grayscale)

Citra jenis ini menangani gradasi warna hitam dan putih, yang

menghasilkan efek warna abu-abu. Pada jenis gambar ini, warna

dinyatakan dengan intensitas yang berkisar antara 0 sampai 255. Nilai 0

menyatakan hitam dan nilai 255 menyatakan putih.

3. Citra Biner

Citra biner adalah citra digital yang hanya memiliki dua kemungkinan

nilai pixel yaitu hitam dan putih (yaitu nilai 0 dan 1). Nilai 0 menyatakan

warna hitam dan nilai 1 menyatakan warna putih. Oleh karena itu, citra

biner juga disebut sebagai citra B&W (black and white) atau citra

monokrom.

2.5 Pengolahan Citra

Pengolahan citra adalah pemrosesan citra (gambar), khususnya dengan

menggunakan komputer, menjadi citra yang kualitasnya lebih baik. Agar citra

yang mengalami gangguan mudah diinterpretasi (baik oleh manusia maupun

mesin), maka citra tersebut perlu dimanipulasi menjadi citra lain yang kualitasnya

lebih baik. Bidang studi yang menyangkut hal ini adalah pengolahan citra (image

processing).

Sebagai contoh, citra burung nuri pada Gambar 2.3 (a) tampak agak gelap,

lalu dengan operasi pengolahan citra kontrasnya diperbaiki sehingga menjadi

lebih terang dan tajam (b).

17


(a) (b)

Gambar 2.3 Citra Burung Nuri

2.5.1 Akuisisi Citra

Akuisisi citra merupakan langkah awal dalam mendapatkan citra digital.

Tujuannya ialah untuk menentukan data yang dibutuhkan seorang peneliti serta

memilih metode perekaman citra digital. Diawali dengan mempersiapkan

beberapa objek penelitian, alat-alat pendukung apa saja yang akan digunakan,

jarak dan waktu pengambilan citra, mengatur sumber pencahayaan yang baik dan

hingga melakukan pencitraan. Pencitraan adalah suatu aktivitas

mentransformasikan citra nyata (berupa gambar, foto, lukisan, pemandangan dan

lainnya) menjadi citra digital. Contoh alat yang dimanfaatkan untuk pencitraan

antara lain:

a. Video kamera (handycam)

b. Kamera digital

c. Scanner

d. Foto sinar-X

18


2.5.2 Konversi Jenis Citra

Citra berwarna seringkali harus dikonversi ke dalam bentuk citra berskala

keabuan mengingat banyak pemrosesan citra yang bekerja pada skala keabuan.

(Kadir, 2013)

Secara umum, citra berwarna dapat dikonversi ke citra berskala keabuan

dengan menjumlahkan seluruh nilai R (nilai komponen merah), G (nilai

komponen hijau) dan B (nilai komponen biru). Kemudian dibagi 3, sehingga

diperoleh nilai rata-rata dari R G B. Nilai rata-rata itulah yang dapat dikatakan

sebagai grayscale (keabuan).

2.5.3 Ekstraksi Fitur

Ekstraksi fitur (feature extraction) merupakan bagian fundamental dari

analisis citra. Fitur adalah karakteristik unik dari suatu objek (Putra, 2010). Fitur-

fitur suatu objek mempunyai peran penting untuk berbagai aplikasi berikut :

1. Pencarian citra: Fitur dipakai untuk mencari objek-objek tertentu yang

berada di dalam database.

2. Penyederhanaan dan hampiran bentuk: Bentuk objek dapat dinyatakan

dengan representasi yang lebih ringkas.

3. Pengenalan dan klasifikasi: Sejumlah fitur dipakai untuk menentukan jenis

objek.

Untuk kepentingan aplikasi yang telah disebutkan, fitur hendaknya

memenuhi sifat-sifat penting berikut :

1. Teridentifikasi: Fitur berupa nilai yang dapat digunakan untuk

membedakan antara suatu objek dengan objek lain. Jika kedua fitur

tersebut didampingkan, dapat ditemukan perbedaan hakiki. Hal ini sama

seperti kalau dilakukan oleh manusia secara visual.

2. Tidak dipengaruhi oleh translasi, rotasi, dan penyekalaan: Dua objek sama

tetapi berbeda dalam lokasi, arah pemutaran, dan ukuran tetap dideteksi

sama.

19


3. Tidak bergantung pada affine: Affine adalah transformasi linear yang

menyertakan penyekalaan, pemutaran, penggeseran, dan shearing

(pembengkokan). Idealnya, efek affine tidak memengaruhi fitur.

4. Tahan terhadap derau: Fitur mempunyai sifat andal terhadap derau atau

cacat data.

5. Tidak bergantung pada tumpang-tindih: Apabila objek sedikit tertutupi

oleh objek lain, fitur bernilai sama dengan kalau objek itu terpisah.

6. Tidak bergantung secara statistik: Dua fitur harus tidak bergantung satu

dengan yang lain secara statistik.

2.5.4 Klasifikasi

Klasifikasi merupakan suatu metode untuk mengelompokkan sebuah objek

ke dalam kelompok atau kelas tertentu. Berbagai kasus yang berkaitan dengan

pengelompokan objek dapat diselesaikan lebih mudah dengan menerapkan teknik-

teknik klasifikasi.

Klasifikasi data terdiri dari 2 langkah proses. Pertama adalah learning

(fase training), dimana algoritma klasifikasi dibuat untuk menganalisa data

training lalu direpresentasikan dalam bentuk rule klasifikasi. Proses kedua adalah

klasifikasi, dimana data tes digunakan untuk memperkirakan akurasi dari rule

klasifikasi.

2.6 Deteksi

Deteksi adalah suatu proses untuk memeriksa atau melakukan

pemeriksaan terhadap sesuatu dengan menggunakan cara dan teknik tertentu.

Deteksi dapat digunakan untuk berbagai masalah, misalnya dalam sistem

pendeteksi suatu penyakit, dimana sistem mengidentifikasi masalah-masalah yang

berhubungan dengan penyakit yang biasa disebut gejala. Tujuan dari deteksi

adalah memecahkan suatu masalah dengan berbagai cara tergantung metode yang

diterapkan sehingga menghasilkan sebuah solusi. (Umam, 2016)

20


2.6.1 Deteksi Wajah

Pendeteksian wajah (face detection) adalah salah satu tahap awal yang

sangat penting sebelum dilakukan proses pengenalan wajah (face recognition).

Bidang-bidang penelitian yang berkaitan dengan pemrosesan wajah (face

processing) adalah (Putro, 2012) :

1. Pengenalan wajah (face recognition) yaitu membandingkan citra wajah

masukan dengan suatu database wajah dan menemukan wajah yang

paling cocok dengan citra masukan tersebut.

2. Autentikasi wajah (face authentication) yaitu menguji

keaslian/kesamaan suatu wajah dengan data wajah yang telah

diinputkan sebelumnya.

3. Lokalisasi wajah (face localization) yaitu pendeteksian wajah namun

dengan asumsi hanya ada satu wajah di dalam citra.

4. Penjejakan wajah (face tracking) yaitu memperkirakan lokasi suatu

wajah di dalam video secara real time.

5. Pengenalan ekspresi wajah (facial expression recognition) untuk

mengenali kondisi emosi manusia.

2.7 Viola Jones

Metode Viola-Jones merupakan salah satu metode pendeteksian objek

yang cukup populer, yang dapat memberikan hasil dengan tingkat keakuratan

yang cukup tinggi yaitu sekitar 93,7% dan dengan kecepatan 15 kali lebih cepat

daripada detektor Rowley Baluja-Kanade dan kurang lebih 600 kali lebih cepat

daripada detektor Schneiderman-Kanade. Metode ini, diusulkan oleh Paul Viola

dan Michael Jones pada tahun 2001, dengan menggabungkan empat kunci utama

untuk mendeteksi suatu objek, yaitu (Andrianus, 2014) :

1. Haar-Like Feature

2. Integral Image

3. Metode AdaBoost

4. Cascade classifier

21


Gambar 2.4 Skema proses deteksi wajah dengan Viola-Jones

2.7.1 Proses Haar-Like Feature

Haar-Like Feature digunakan dalam mendeteksi objek pada image digital.

Penggunaan fitur (Feature) dilakukan karena pemrosesan fitur berlangsung lebih

cepat dibandingkan pemrosesan citra perpixel. Terdapat empat jenis fitur

berdasarkan jumlah persegi panjang yang terdapat di dalamnya, seperti yang dapat

dilihat pada gambar 2.5 :

Gambar 2.5 Jenis-jenis Fitur

Persegi pada Haar like feature dapat dihitung secara cepat menggunakan

“integral image”. Integral image digunakan untuk menentukan ada atau tidaknya

dari ratusan fitur Haar pada sebuah gambar dan pada skala yang berbeda secara

efisien. Misalkan untuk gambar bergerak (video), perhitungan dan penjumlahan

pixel terjadi secara terus menerus dan membutuhkan waktu yang lama. Oleh

karena itu, pixel diubah menjadi integral sehingga didapatkan hasil lebih cepat.

22


2.7.2 Proses Integral Image

A. Perhitungan Integral Image

Integral Image berfungsi untuk mengekstrak nilai feature dari image

dengan jauh lebih cepat dan efisien. Pada umumnya, pengintegrasian tersebut

menambahkan pixel-pixel secara bersamaan. Dimulai dari kiri atas sampai kanan

bawah, keseluruhan gambar itu dapat dijumlahkan dengan beberapa operasi

bilangan bulat per pixel.

Gambar 2.6 Arah Perhitungan Integral Image

Cara menghitung nilai integral image adalah :

s(x,y) = i(x,y) + s(x,y-1) + s(x-1,y) – s(x-1,y-1)……………………….……(1)

dengan keterangan :

s(x,y) = nilai hasil penjumlahan dari tiap-tiap pixel

i(x,y) = nilai intensitas diperoleh dari nilai pixel dari citra masukan

s(x-1,y) = nilai pixel pada sumbu x

s(x,y-1) = nilai pixel pada sumbu y

s(x-1,y-1) = nilai pixel diagonal

Contoh integral image dapat dilihat pada Gambar 2.7 :

Gambar 2.7 Integral Image

B. Perhitungan Nilai Fitur dengan Integral Image

Dengan mendapatkan nilai dari integral image maka setiap fitur Haar

diproses dan didapatkan perbedaan nilai (threshold) yang menandakan daerah

23


putih dan hitam. Cara menghitung nilai dari fitur (F) ini adalah mengurangkan

nilai pixel pada area putih (W) dengan pixel pada area hitam (B).

F = W – B …………………………………………………………………..………………....(2)

Gambar 2.8 Area W dan B

2.7.3 Proses AdaBoost

AdaBoost merupakan salah satu algoritma boosting yang berfungsi untuk

melakukan pemilihan fitur-fitur dalam jumlah banyak dengan hanya memilih

fitur-fitur tertentu. Hal ini dilakukan dengan mengevaluasi setiap fitur terhadap

citra yang masuk dengan menggunakan nilai dari fitur tersebut. Pada tahap ini

digunakan perbedaan nilai fitur yang dicari menggunakan rumus (2). Jika nilai

perbedaannya itu diatas nilai ambang atau treshold, maka dapat dikatakan bahwa

fitur tersebut ada. Jika nilai tidak diatas nilai ambang maka fitur dibuang (tidak

dipakai lagi) untuk mempercepat deteksi.

2.7.4 Proses Cascade Classifier

Cascade classifier adalah sebuah metode untuk mengkombinasikan

classifier yang kompleks dalam sebuah struktur bertingkat yang dapat

meningkatkan kecepatan pendeteksian obyek dengan memfokuskan pada daerah

citra yang berpeluang saja. Klasifikasi pada algoritma ini terdiri dari beberapa

tingkatan dimana tiap tingkatan mengeluarkan subcitra yang diyakini bukan

wajah. Hal ini dilakukan karena lebih mudah untuk menilai subcitra tersebut

bukan wajah ketimbang menilai apakah subcitra tersebut berisi wajah.

24


Gambar 2.9 Alur Cascade Classifier

Gambar 2.9 menggambarkan bentuk alur kerja dari cascade classifier.

Pada klasifikasi tingkat pertama, tiap subwindow akan diklasifikasi menggunakan

beberapa fitur yang lolos dari proses Adaboost. Hasil dari klasifikasi pertama ini

berupa T (True) untuk gambar yang memenuhi fitur Haar tertentu dan F (False)

bila tidak. Proses ini terus berlanjut sampai wajah ditemukan.

2.8 Hough Transform

Hough Transform adalah suatu metode untuk mendeteksi garis, lingkaran

atau bentuk lainya. Hough Transform diperkenalkan oleh Paul Hough pada tahun

1962. Dasar dari Hough transform adalah transformasi garis, yang mana

digunakan untuk mencari garis lurus pada citra biner. Hough Transform telah

dikembangkan untuk mendeteksi bentuk-bentuk umum dalam citra seperti

lingkaran, elips dan parabola. Konsep dasar dari Hough Transform adalah terdapat

garis dan kurva potensial yang tak terhitung jumlahnya pada suatu citra yang

melalui titik mana saja pada berbagai ukuran dan orientasi. Transformasi

dilakukan untuk menemukan garis dan kurva yang melewati banyak titik-titik di

dalam citra, yaitu garis dan kurva yang terdekat dan paling sesuai dengan data

pada matriks citra. (McAndrew, 2004)

Mendeteksi Lingkaran

Hough Transform dapat juga digunakan untuk mendeteksi bentuk

lingkaran di dalam citra tepi. Persamaan lingkaran yang berpusat di titik (a, b)

dengan jari-jari r adalah

(x - a)2 + ( y - b)2 = r 2 …………………………………………………………………..…..(3)

25


Jadi, ruang parameter untuk lingkaran adalah r–a–b , sehingga matriks trimatra

P(r, a, b) dibutuhkan untuk menyimpan perhitungan vote.

Gambar 2.10 Proses penumpukan vote

Persamaan polar untuk setiap titik (x, y) di lingkaran:

x = a + r cos …………………………………………………………………..……………..(4)

y = b + r sin …………………………………………………………………..……….…..(5)

Persamaan (4) dan (5) dapat ditulis menjadi persamaan :

a = x – r cos ………………………………………………………………..……………….(6)

b = y – r sin …………………………………………………………………..………….....(7)

Pada operasi deteksi tepi, selain magnitudo pixel tepi, juga dihasilkan arah

tepi, . Karena itu, cos dan sin dapat dihitung. Misalkan (xi, yi) adalah pixel

tepi dan adalah arah tepi. Titik pusat lingkaran (a,b), yang mempunyai panjang

titik pusat koordinat ke tepi lingkaran = R dan melalui titik (xi,yi) dapat dihitung

dengan persamaan :

a = xi – R cos …………………………………………………………………..…………..(8)

b = yi – R sin …………………………………………………………………..……………(9)

Proses ini diulangi untuk pixel-pixel tepi yang lain dengan = 0 hingga 360 .

26


Gambar 2.11 Proses mendeteksi tepi lingkaran

2.9 Matlab

Matlab atau yang kita sebut dengan Matrix Laboratory adalah sebuah

bahasa dengan kinerja tinggi untuk komputasi masalah teknik. Matlab

mengintegrasikan komputasi, visualisasi, dan pemrograman dalam suatu model

yang sangat mudah untuk pakai dimana masalah-masalah dan penyelesaiannya

diekspresikan dalam notasi matematika yang familiar.

Gambar 2.12 Logo Matlab

2.10 Webcam

Webcam alias ‘web camera’ merupakan perangkat yang berupa sebuah

kamera digital yang dihubungkan ke komputer atau laptop. Layaknya kamera

pada umumnya, sebuah webcam dapat mengirimkan gambar-gambar

secara live dari manapun ia berada ke seluruh penjuru dunia dengan bantuan

internet. Awal kemunculannya, webcam ini masih merupakan barang mahal. Tapi,

seiring dengan kemajuan teknologi, sudah banyak laptop yang layarnya telah

dilengkapi oleh webcam. Untuk komputer, jarang ada yang

secara default dilengkapi dengan webcam, pemilik komputer harus membelinya

terlebih dahulu secara terpisah.

27


Gambar 2.13 Webcam

2.11 Pengambilan Sampel menurut Gay dan Diehl

Gay dan Diehl (1992) berpendapat bahwa sampel haruslah sebesar-

besarnya. Pendapat Gay dan Diehl (1992) ini mengasumsikan bahwa semakin

banyak sampel yang diambil maka akan semakin representatif dan hasilnya dapat

digenelisir. Namun ukuran sampel yang diterima akan sangat bergantung pada

jenis penelitiannya.

Ada empat sampel minimum menurut jenis penelitian, yaitu (Gay dan

Diehl, 1992) :

1. Jika penelitiannya bersifat deskriptif, maka sampel minimumnya adalah

10% dari populasi

2. Jika penelitianya korelasional, sampel minimunya adalah 30 subjek

3. Apabila penelitian kausal perbandingan, sampelnya sebanyak 30 subjek

per grup

4. Apabila penelitian eksperimental, sampel minimumnya adalah 15 subjek

per grup

2.12 Metode Penelitian



pengetahuan. Metode penelitian yang digunakan dalam pembuatan deteksi

kebohongan adalah sebagai berikut:

http://www.blogger.com/Alexa%20Traffic%20Rank%20for%20http:/usepmulyana.files.wordpress.com/2008/11/teknik-pengambilan-sampel.ppt:%20192usepmulyana.files.wordpress.com/.../teknik-pengambilan-sampel.ppt

http://www.blogger.com/Alexa%20Traffic%20Rank%20for%20http:/usepmulyana.files.wordpress.com/2008/11/teknik-pengambilan-sampel.ppt:%20192usepmulyana.files.wordpress.com/.../teknik-pengambilan-sampel.ppt

28


1. Studi Kepustakaan

Mencari dan mengumpulkan data / referensi dari berbagai jurnal penelitian

dan buku-buku ilmiah yang dapat digali dan dipelajari sebagai landasan dan

kerangka acuan dalam melaksanakan penelitian. (Moh. Kasiram, 2012)

2. Studi Lapangan

Mengumpulkan data dengan terjun langsung kelapangan dengan metode :

A. Wawancara

Wawancara merupakan pertemuan dua orang untuk bertukar informasi dan

ide melalui tanya jawab, sehingga dapat dikontruksikan makna dalam suatu topik

tertentu. (Sugiyono, 2013).

B. Observasi

Observasi merupakan suatu proses yang kompleks, suatu proses yang

tersusun dari berbagai proses biologis dan psikologis. Dua di antara yang

terpenting adalah proses-proses pengamatan dan ingatan. (Sugiyono, 2013).

3. Studi Literatur

A. Penelitian Sejenis

Salah satu kegiatan yang dilakukan untuk menganalisa perbandungan

antara penelitian yang sudah pernah dibuat sebelumnya dengan peneliti yang

dibuat oleh sebagai landasan dan kerangka acuan dalam melaksanakan penelitian.

(Moh. Kasiram, 2012)

B. Internet

Mencari data dengan cara browsing dan mengambil informasi yang ada di

internet dari website lokal tentang topik yang dibahas di atas sehingga dapat

dijadikan data tambahan yang berguna dan membantu dalam melaksanakan

penelitian. (Arie, 2012)

2.13 Studi Literatur Sejenis

Pada studi literatur sejenis, telah dikumpulkan 7 penelitian sejenis berupa

jurnal penelitian yang berasal dari penulusuran online. Jurnal-jurnal tersebut

dipilih berdasar persamaan proses, metode dan tools. Pada sub bab ini dipaparkan

29


kelebihan dan kekurangan dari 7 penelitian tersebut untuk dijadikan bahan

pertimbangan dan acuan dalam penelitian.

Literatur teknologi pertama yaitu Pelacakan dan Deteksi Wajah

Menggunakan Video Langsung pada Webcam yang ditulis oleh Dhanar Intan

Surya Saputra dkk pada tahun 2017. Dalam penelitian ini dilakukan pendeteksian

wajah manusia melalui video langsung seperti video yang terdapat pada

Webcam/CCTV menggunakan Matlab, sedangkan untuk metodenya sendiri

menggunakan metode Viola-Jones. Setelah dilakukan berbagi pengujian dapat

disimpulkan bahwa penelitian ini menghasilkan sebuah aplikasi Deteksi Wajah

yang bisa mendeteksi wajah lebih dari 9 orang dalam jarak 300 cm dan jarak

terjauh yang dapat terdikteksi mencapai 600 cm pada pencahayaan yang bagus

sedangkan untuk kondisi gelap hanya mampu pada jarak 100 cm.

Yang kedua Perancangan Pendeteksian Kebohongan Melalui Perubahan

Diameter Pupil Mata Dengan Teknik Thresholding yang ditulis oleh Abdul Jabbar

Lubis pada tahun 2010. Sistem yang dapat mengetahui perubahan diameter pupil

mata seseorang yang akan dianalisa untuk mengetahui kebohongan yang

dilakukan oleh seseorang. Proses yang dilakukan meliputi penerangan mata oleh

sumber cahaya infra merah agar pupil mata dapat ditangkap oleh kamera secara

online. Dari kamera disambungkan ke PC menggunakan bantuan bahasa VB

untuk proses selanjutnya. Melalui proses thresholding, pupil mata akan dipisahkan

dari bagian mata yang lain dan dihitung luas kemudian dihitung diameter pupil.

Dari hasil perhitungan diameter pupil mata, dibuat grafik perubahan diameter

pupil mata terhadap waktu. Dari grafik perubahan diameter pupil mata terhadap

waktu dapat dianalisa dan ditentukan apakah seseorang berbohong atau tidak.

Penentuan berbohong tidaknya seseorang dengan memberikan suatu range batas

tertentu, yaitu bila grafik perubahan diameter pupil mata melewati garis batas

tersebut seseorang dinyatakan telah berbohong. Hasil uji coba menunjukkan

keberhasilan dalam mendeteksi orang yang berbohong sebesar 74.44 %, Orang

yang berbohong terdeteksi jujur sebesar 25.55 %, Orang jujur yang terdeteksi

berbohong sebesar 57.27 % dan orang jujur yang terdeteksi jujur sebesar 42.72 %.

30


Yang ketiga Eye Location and Eye State Detection in Facial Images Using

Circular Hough Transform yang ditulis oleh Omer Faruk S¨oylemez dan Burhan

Ergen pada tahun 2013. Dalam penelitian ini, sistem pendeteksi keadaan mata

menggunakan Circular Hough Transform (CHT). Mulanya, gambar wajah dan

mata diekstrak dari gambar gray-level yang diberikan. Setelah beberapa langkah

preprocessing, keberadaan struktur iris melingkar dicari dalam gambar mata yang

diekstraksi menggunakan CHT. Keberadaan lingkaran iris struktur dicari dalam

gambar mata dengan bantuan Circular Hough Transform. Mata dikatakan terbuka

jika iris bisa diidentifikasi sebagai lingkaran.

Yang keempat Sistem Deteksi Wajah dengan Menggunaka Metode Viola-

Jones yang ditulis oleh M. Dwisnanto Putro pada tahun 2012. Penelitian ini

berisikan tentang suatu sistem deteksi wajah pada manusia dengan menggunakan

metode Viola-Jones. Data yang digunakan pada penelitian ini berupa sampel

gambar yang diambil dari internet secara acak sebanyak 30 citra yang terdiri atas

22 citra manusia dan 8 citra hewan. Dalam penelitian ini ditampilkan gambar-

gambar yang terdeteksi sebagai wajah dan tidak terdeteksi sebagai wajah. Hasil

penelitian ini mendapatkan nilai akurasi sistem deteksi wajah sebesar 90,9%.

Hasil lain yang didapatkan adalah posisi wajah yang tegak/tidak tegak

menentukan keberhasilan deteksi wajah tersebut.

Literatur teknologi terakhir yaitu Driver’s Drowsiness Detection Using

Circular Hough Transform and Iris Visibility Ratio Analysis yang ditulis oleh

Sruthy. R. pada tahun 2014. Penelitian ini menyajikan sistem yang pendeteksi

kelelahan bagi pengemudi. Pendeteksi kelelahan bagi pengemudi berguna untuk

mencegah situasi berbahaya yang disebabkan oleh kurangnya perhatian

pengemudi. Penelitian ini terdiri dari empat langkah yaitu: Deteksi wajah, deteksi

mata, deteksi iris dan deteksi kantuk. Hasil eksperimen menunjukkan bahwa

metode yang diusulkan memberikan tingkat deteksi yang tinggi.

Literatur psikologi pertama yaitu Eye Movements and Other Cues to the

False Answers of “Witnesses” to Crimes yang ditulis oleh Jeffrey J. Walczyk, dkk

pada tahun 2012. Penelitian ini mendeteksi kebohongan dengan cara psikologi.

Ada empat parameter yang diteliti yaitu: waktu respon, jawaban konsisten,

31


pergerakan mata yang cepat, dan ukuran pupil. Melakukan eksperimen dengan

partisipan diminta untuk jadi saksi. Menonton video kriminal hanya sekali lalu

diminta untuk menjawab pertanyaan. Ada tiga skenario dalam eksperimen ini

yaitu: bohong terencana, bohong tidak terencana dan jujur.

Literatur psikologi terakhir yaitu Cognitive Lie Detection: Response Time

and Consistency of Answers as Cues to Deception yang ditulis oleh Jeffrey J.

Walczyk, dkk pada tahun 2009. Tujuan dari penelitian ini adalah untuk menguji

metode deteksi kebohongan yang menggunakan waktu respon dan inkonsistensi di

seluruh jawaban sebagai petunjuk untuk penipuan. Melakukan eksperimen dengan

partisipan duduk didepan penanya dengan microphone. Diminta untuk menjawab

pertanyaan umum.

Dari lima penelitian berbasis teknologi dan dua berbasis psikologi

tersebut, ditarik garis besar sistem yang akan dibuat menggunakan metode Viola-

Jones untuk mendeteksi wajah dan Hough Transform untuk mendeteksi pupil

mata. Digunakan tools Matlab R2015a dalam membuat aplikasi.


BAB III

METODOLOGI PENELITIAN

3.1 Metode Pengumpulan Data



pengetahuan. Metode penelitian yang digunakan dalam pembuatan sistem adalah

sebagai berikut:

3.1.1 Studi Kepustakaan

Mencari dan mengumpulkan data / referensi dari 35 sumber, yaitu 18

buku, 13 jurnal / skripsi dan 4 referensi internet yang relevan dengan topik yang

akan dibahas.

Buku yang dijadikan sebagai pedoman penelitian ini adalah “How to Spot

Lies Like the FBI” yang ditulis oleh Mark Bouton dan “Instant Fact: How To Get

The Truth Out of Anyone!” yang ditulis oleh John J. Webster. Kedua buku

tersebut menjelaskan hubungan kebohongan dengan beberapa gesture, tindakan

dan ucapan. Kesimpulan dari dua buku tersebut tentang hubungan berbohong

dengan arah tatapan mata adalah ketika seseorang berpikir, maka dia mengakses

bagian-bagian berbeda dari otaknya tergantung pada informasi yang sedang

diakses. Proses ini bisa diamati dengan mengawasi mata. Kita bisa menggunakan

teknik ini untuk menentukan apakah orang tersebut mengada-ada atau mengingat

informasi. Cukup amati matanya dan kita akan tahu apakah ia mengingat

peristiwa yang sudah terjadi atau mengarang cerita tentang sesuatu yang belum

pernah terjadi. Untuk orang yang menggunakan tangan kanan, memori visual

diakses oleh mata yang naik dan ke kiri. Untuk orang yang kidal, sebaliknya: mata

naik dan ke kanan. Ketika orang yang kidal berusaha mengada-ada gambar atau

fakta, matanya naik dan ke kanan. Dan sebaliknya berlaku untuk orang kidal.



3.1.2 Studi Literatur

Beberapa penelitian sejenis yang berkaitan dengan penelitian ini dipaparkan dalam tabel berikut:

Tabel 3.1 Studi Literatur

No Judul Proses Metode Tools Kelebihan Kekurangan

1

Pelacakan dan Deteksi Wajah

Menggunakan Video Langsung pada

Webcam.

(Dhanar Intan Surya Saputra, Wahyu

Septi Anjar, Kurnia Aswin Nuzul

Ramadhan dan Riki Aji Pamungkas,

2017)

Menggunakan

metode Viola-

Jones untuk

mendeteksi wajah

pada webcam

secara real-time.

Viola-

Jones

Matlab

R2016a

Bisa mendeteksi

wajah secara real-

time.

Hanya bisa

menangkap objek

sampai 600 meter

saja.

2

Perancangan Pendeteksian

Kebohongan Melalui Perubahan

Diameter Pupil Mata Dengan Teknik

Thresholding.

(Abdul Jabbar Lubis, 2010)

Menggunakan

hardware untuk

mendeteksi pupil.

Thresholdi

ng

Webcam,L

ampu

LED

Berhasil

mendeteksi

kebohongan

sebesar 74.44%

Tidak

menggunakan

algoritma untuk

mendeteksi mata

33

UIN

Syarif H

idayatu

llah

Jakarta


3

Eye Location and Eye State Detection

in Facial

Images Using Circular Hough

Transform

(Omer Faruk S¨oylemez dan Burhan

Ergen, 2013)

Menggunakan

Viola-Jones untuk

deteksi mata. Dan

Circular Hough

Transform, untuk

menemukan pupil.

Hough

Transform,

Viola-

Jones

Matlab

R2010a

Berhasil

menggabungkan

Viola-Jones dan

Hough Transform

untuk mendeteksi

lokasi mata.

Hanya

mendeteksi lokasi

mata.

4

Sistem Deteksi Wajah dengan

Menggunakan

Metode Viola-Jones

(M. Dwisnanto Putro, 2012)

Menggunakan

metode Viola-

Jones untuk

mendeteksi wajah.

Viola-

Jones

Matlab

R2010a

dan

Opencv

2.2.

Akurasi deteksi

wajah sebesar

90.9%

Belum bisa real-

time

5

Driver’s Drowsiness Detection Using

Circular

Hough Transform and Iris Visibility

Ratio

Analysis

(Sruthy. R, 2014)

Menggunakan

Viola-Jones dan

Hough Transform

untuk mendeteksi

kantuk.

Viola-

Jones,

Hough

Transform

IR

Illuminati

on

Camera

Berhasil

mendeteksi

kantuk.

Tidak

menjelaskan tools

apa yang

digunakan.

34

UIN

Syarif H

idayatu

llah

Jakarta


6

Eye Movements and Other Cues to the

False Answers

of “Witnesses” to Crimes

(Jeffrey J. Walczyk, Diana A. Griffith,

Rachel Yates, Shelley R. Visconte,

Byron Simoneaux dan Laura L.

Harris, 2012)

Menggunakan

video untuk objek

mendeteksi

kebohongan

melalui gerakan

mata.

Mengguna

kan

statistika

Berhasil

mendeteksi

kebohongan

melalui gerakan

mata.

Masih

menggunakan

teknik manual.

7

Cognitive Lie Detection: Response

Time and Consistency of Answers as

Cues to Deception

(Jeffrey J. Walczyk, Kevin T.

Mahoney, Dennis Doverspike, Diana

A. Griffith, 2009)

Mendeteksi

kebohongan

melalui waktu

respon.

Mengguna

kan

statistika

Berhasil

mendeteksi

kebohongan

melalui waktu

respon.

Masih

menggunakan

teknik manual.

Dari lima penelitian berbasis teknologi dan dua berbasis psikologi tersebut, ditarik garis besar tools eksperimen yang

akan dibuat menggunakan metode Viola-Jones untuk mendeteksi wajah dan Hough Transform untuk mendeteksi pupil mata.

Digunakan tools Matlab R2015a dalam membuat tools eksperimen.

35

UIN

Syarif H

idayatu

llah

Jakarta

36


3.1.3 Studi Lapangan

Mengumpulkan data dengan terjun langsung kelapangan dengan

mengadakan Observasi. Metode observasi yang dilakukan adalah dengan cara

melakukan pengamatan langsung pada saat eksperimen. Eksperimen yang

dilakukan adalah membuktikan pendapat Mark Bouton, John J. Webster dan

beberapa jurnal psikologi tentang kebohongan dan arah lirikan mata dengan

menggunakan Matlab.

1. Perancangan Tools eksperimen

Tools eksperimen dibuat menggunakan Matlab 2015a. Tools eksperimen

memiliki 3 subimage dalam satu figure. Subimage pertama menampilkan video

wajah partisipan yang telah diubah menjadi grayscale (keabuan) dan dideteksi

secara real-time. Subimage kedua menampilkan mata yang telah dideteksi dengan

mengambil video mata yang paling besar dan jelas dari sepasang mata. Mata kiri

ataupun kanan yang berhasil dideteksi dipotong dari subimage pertama untuk

ditampilkan di subimage kedua. Dalam subimage kedua ini juga ditampilkan

lingkaran pupil yang telah dideteksi.

Jika partisipan melirik kearah kiri maka tools eksperimen akan

menampilkan keterangan berupa gambar dengan tulisan ‘kiri-mengingat’. Jika

partisipan melirik kearah kanan maka tools eksperimen akan menampilkan

keterangan ‘kanan-berbohong’. Jika mata terdeteksi berada di tengah, maka

subimage ketiga akan menampilkan gambar dengan tulisan ‘lurus’. Namun jika

mata dan wajah tidak terdeteksi, maka subimage ketiga akan menampilkan

gambar dengan tulisan ‘tidak ada wajah terdeteksi’.

2. Perencanaan Eksperimen

Partisipan berjumlah 30 orang, dimana pengambilan sampel dilakukan

secara random. Eksperimen dilakukan dari tanggal 30 Mei sampai dengan 20

Agustus 2018. Eksperimen dilakukan dengan dua kategori yaitu jujur dan bohong.

Kategori jujur diberi dua skenario yaitu umum dan jujur. Sedangkan kategori

bohong diberi dua skenario yaitu bohong terencana dan bohong spontan. Jadi

setiap partisipan diberi masing-masing empat skenario yaitu umum, jujur,

37


kebohongan terencana dan kebohongan spontan. Pengambilan sampel partisipan

sesuai dengan pendapat Gay dan Diehl (1992) tentang penelitian eksperimental,

sampel minimumnya adalah 15 subjek per kategori. Karena ada dua kategori yaitu

jujur dan bohong, maka sampel yang digunakan adalah 30 orang.

Pada kategori jujur, pertama partisipan diberi beberapa pertanyaan umum

seputar keseharian partisipan. Kedua partisipan harus memberikan kesaksian jujur

karena partisipan merupakan saksi mata dalam skenario jujur. Kategori bohong

terbagi menjadi dua skenario yaitu spontan dan terencana. Dalam skenario bohong

spontan, partisipan menjawab bohong saat diberikan pertanyaan tanpa

perencanaan sebelumnya. Sedangkan skenario bohong terencana, setelah

diberikan beberapa pertanyaan partisipan diberikan waktu 5 menit untuk berpikir

sebelum menjawab pertanyaan.

Sebelum diberikan pertanyaan, partisipan diberikan video kriminal yang

menampilkan rekaman CCTV pencurian sepeda motor. Lalu partisipan duduk

didepan sebuah laptop yang telah dilengkapi dengan webcam dan menjawab

pertanyaan yang diajukan. Tools eksperimen mendeteksi arah tatapan mata

partisipan. Disaat tools eksperimen dijalankan, layar direkam menggunakan VLC

Player untuk dianalisis.

3.2 Alur Kerangka Berpikir

Kerangka pemikiran menjelaskan tahap demi tahap yang dilakukan dalam

penelitian. Berikut merupakan kerangka penelitian yang digunakan:

38


Mulai

Identifikasi Masalah

Studi Pustaka

18 Buku, 13 Jurnal/

Skripsi dan 4 Referensi

Internet

Analisis Image

Processing

Preprocessing

Akuisisi dan

Konversi Citra

Deteksi Wajah

dan Mata

Pelaksanaan Eksperimen

30 Partisipan dengan 4 Skenario

Verifikasi dan Validasi

Menganalisis hasil eksperimen

Kesimpulan dan Saran

Selesai

Gambar

Wajah/Bukan

Wajah

Haar-Like Feature

Cascade Classifier Adaboost

Integral Image

Ekstrak Nilai Fitur

Klasifikasi

Metode Viola-Jones

Gambar 3.1 Kerangka Berpikir

39


Dimulai dari mengidentifikasi masalah. Lalu mencari dan mengumpulkan

data / referensi dari 35 sumber. Yaitu 18 Buku, 13 Jurnal/Skripsi dan 4 Referensi

Internet yang relevan dengan topik yang akan dibahas. Lalu membuat tools

eksperimen menggunakan Matlab R2015a yang apabila partisipan melirik kearah

kiri dan lurus maka tools eksperimen akan menampilkan keterangan berupa

gambar. Bila partisipan melirik kearah kiri atau pandangan tetap lurus, maka tools

eksperimen akan menampilkan keterangan ‘sedang mengingat’. Jika partisipan

melirik kearah kanan maka tools eksperimen akan menampilkan keterangan

‘berbohong’. Lalu mengumpulkan data dengan terjun langsung kelapangan

dengan mengadakan Observasi dengan cara melakukan pengamatan langsung

pada saat eksperimen. Eksperimen yang dilakukan adalah membuktikan pendapat

Mark Bouton, John J. Webster dan beberapa jurnal psikologi tentang kebohongan

dan arah lirikan mata dengan menggunakan Matlab. Setelah dilakukan

pengambilan data maka dilakukan analisis yaitu mengukur tingkat ke akuratan

metode Viola-Jones dan tools eksperimen pendeteksi kebohongan menggunakan

matlab, dan apakah pendapat Mark Bouton, John J. Webster dan beberapa jurnal

psikologi tentang kebohongan dan arah lirikan mata terbukti.

40


BAB IV

IMPLEMENTASI EKSPERIMEN

Sesuai dengan tujuan dari penelitian ini yaitu menganalisis deteksi

kebohongan melalui arah tatapan mata dengan menggunakan metode Viola-Jones,

maka untuk melakukan eksperimen dan menganalisis arah tatapan mata

diperlukan tools eksperimen deteksi kebohongan melalui arah tatapan mata. Tools

eksperimen dibuat dengan menggunakan Matlab R2015a dengan fitur dapat

mendeteksi wajah, mata, pupil dan memberikan keterangan sesuai dengan arah

tatapan mata.

4.1 Tools Eksperimen

4.1.1 Gambaran Umum Deteksi Kebohongan

Tools eksperimen ini memiliki 3 subimage dalam satu figure. Subimage

pertama menampilkan video wajah partisipan yang telah diubah menjadi

grayscale (keabuan) dan dideteksi secara real-time. Subimage kedua

menampilkan mata yang telah dideteksi dengan mengambil video mata yang

paling besar dan jelas dari sepasang mata. Mata kiri ataupun kanan yang berhasil

dideteksi dipotong dari subimage pertama untuk ditampilkan di subimage kedua.

Dalam subimage kedua ini juga ditampilkan lingkaran pupil yang telah dideteksi.

Lalu menghitung jarak dari bagian kiri mata ke pupil dan juga bagian

kanan mata ke pupil. Apabila jarak kanan ke tengah lebih banyak maka mata

melirik ke kiri. Jika jarak kiri ke tengah lebih banyak maka mata melirik ke kanan.

Jika partisipan melirik kearah kiri maka tools eksperimen akan

menampilkan keterangan berupa gambar dengan tulisan ‘kiri-mengingat’. Jika

partisipan melirik kearah kanan maka tools eksperimen akan menampilkan

keterangan ‘kanan-berbohong’. Jika mata terdeteksi berada di tengah, maka

subimage ketiga akan menampilkan gambar dengan tulisan ‘lurus’. Namun jika

mata dan wajah tidak terdeteksi, maka subimage ketiga akan menampilkan

gambar dengan tulisan ‘tidak ada wajah terdeteksi’.

41


4.1.2 Analisis Kebutuhan

Perancangan tools eksperimen ini harus memenuhi syarat-syarat yang

meliputi kelengkapan data, software, dan hardware. Kelengkapan yang digunakan

untuk perancangan tools eksperimen ini adalah:

1. Data:

a. Pendapat psikologi tentang kebohongan dari arah tatapan mata

b. Gambar keterangan berbohong, sedang mengingat, lurus dan tidak ada

wajah terdeteksi yang dibuat menggunakan Photoscape.

2. Software:

a. Windows 7

b. Matlab R2015a

c. VLC player

d. Photoscape

3. Hardware

a. Laptop Acer tipe Aspire E14

b. RAM 2 GB

c. Processor AMD E1-6010 APU, 1.35 GHz

Flowchart tools eksperimen mulai dari input sampai output terdapat pada gambar

4.1 :

42


Mulai

Deteksi Wajah

dan Mata

Menghitung jarak

pupil dari ujung

mata

Selesai

Preprocessing - Konversi Citra

Ubah ke grayscale

Preprocessing - Akuisisi Citra

Input Webcam

Gambar

Wajah/Bukan

Wajah

Haar-Like Feature

Cascade Classifier Adaboost

Integral Image

Ekstrak Nilai Fitur

Klasifikasi

Metode Viola-Jones

Deteksi Pupil

Menggunakan

Hough Transform

Pupil ke kiriPupil ke

kanan

Pupil

ditengah

Kiri-

MengingatLurus

Kanan-

Berbohong

Gambar 4.1 Flowchart Tools Eksperimen

43


4.1.3 Deteksi Wajah

Dalam penelitian ini digunakan Viola-Jones sebagai pendeteksi bagian

tubuh, yaitu wajah dan mata. Tahapan pembuatan menggunakan Viola-Jones

adalah :

4.1.3.1 Preprosessing – Akuisisi dan Konversi Citra

Sesuai dengan teori dasar pengolahan citra, pertama dilakukan akuisisi

citra yaitu mengambil secara real-time video wajah partisipan dengan

menggunakan webcam yang disambungkan ke Matlab.

cam=webcam();

Lalu dilakukan konversi jenis citra, yaitu mengubah video menjadi

grayscale dengan menjumlahkan seluruh nilai R (nilai komponen merah), G (nilai

komponen hijau) dan B (nilai komponen biru). Kemudian dibagi 3, sehingga

diperoleh nilai rata-rata dari R G B, nilai rata-rata itulah yang dapat dikatakan

sebagai grayscale.

vid = rgb2gray(vid);

Setelah diubah ke grayscale, video diputar sehingga menimbulkan efek

cermin. Operasi yang digunakan disini adalah flipping horizontal. Flipping

horizontal adalah pencerminan pada sumbu-Y (cartesian) dari citra A menjadi

citra B.

img = flip(vid, 2);

4.1.3.2 Deteksi Ciri Wajah Menggunakan Metode Viola-Jones

Setelah itu dilakukan ekstraksi fitur dan klasifikasi sesuai dengan teori

pengolahan citra. Ekstraksi fitur dan klasifikasi yang digunakan adalah dengan

menggunakan algoritma Viola-Jones untuk mendeteksi wajah. Dalam empat

tahapan Viola-Jones, proses Haar-Like Feature dan Integral Image dilakukan

untuk ekstraksi nilai fitur. Sedangkan untuk klasifikasi dilakukan proses Adaboost

dan Cascade Classifier.

44


Gambar 4.2 Tahapan metode Viola-Jones

A. Haar-Like Feature

Ekstraksi nilai fitur yang pertama yaitu penggunaan fitur Haar untuk

memproses image menjadi beberapa subwindow yg berisi fitur. Penggunaan fitur

dilakukan karena pemrosesan fitur berlangsung lebih cepat dibandingkan

pemrosesan citra perpixel. Digunakan empat jenis fitur seperti gambar 2.5 untuk

mendeteksi wajah. Contohnya salah satu fitur pada gambar 4.3. Fitur pada gambar

4.3 mempunyai 4 x 4 pixel. Maka didapatkan beberapa pixel yang tergabung

dalam satu fitur.

Gambar 4.3 Fitur yang berisi beberapa pixel

B. Integral Image

Lalu untuk gambar bergerak (video), perhitungan dan penjumlahan pixel

terjadi secara terus menerus dan membutuhkan waktu yang lama. Oleh karena itu,

pixel diubah menjadi integral sehingga didapatkan hasil lebih cepat.

45


Gambar 4.4 Contoh 1 Mencari Integral Image

Cara menghitung nilai integral image adalah dengan rumus (1). Maka

untuk pixel masukan pada gambar 4.4 untuk menghitung integral image dari pixel

yang dilingkari pada gambar adalah :

i(x,y) = 3

s(x-1,y) = 0 (di luar batas matrix)

s(x,y-1) = 0 (di luar batas matrix)

s(x-1,y-1) = 0 (di luar batas matrix)

s(x,y) = i(x,y) + s(x,y-1) + s(x-1,y) – s(x-1,y-1)

= 3 + 0 + 0 – 0 = 3

Maka didapat nilai integral image dari pixel yang dilingkari adalah 3.

Gambar 4.5 Hasil Contoh 1

Untuk contoh yang lain, misal pada gambar 4.6.

(a) (b)

Gambar 4.6 Contoh 2 Mencari Integral Image

46


Untuk menghitung integral image dari pixel yang dilingkari pada gambar 4.6 (a)

untuk mengisi nilai kotak merah pada gambar 4.6 (b) adalah :

i(x,y) = 9

s(x,y-1) = 24

s(x-1,y) = 28

s(x-1,y-1) = 14

s(x,y) = i(x,y) + s(x,y-1) + s(x-1,y) – s(x-1,y-1)

= 9 + 24 + 28 – 14 = 47

Maka didapat nilai integral image dari pixel yang dilingkari adalah 47.

Gambar 4.7 Hasil Contoh 2

Keseluruhan image yang telah diubah ke integral image dapat dilihat pada gambar

4.8 :

Gambar 4.8 Image dan Integral Image

47


Matriks pixel image saat dimasukkan ke Command Window MATLAB dapat

dilihat pada gambar 4.9 :

Gambar 4.9 Image dalam Command Window MATLAB

Matriks pixel image saat dimasukkan ke Command Window MATLAB yang telah

diubah ke integral image dapat dilihat pada gambar 4.10 :

Gambar 4.10 Integral Image dalam Command Window MATLAB

48


Setelah didapatkan nilai integral image dari pixel masukan, maka dapat dicari nilai

fitur dengan menggunakan nilai integral image.

Gambar 4.11 Fitur dengan Integral Image

Dengan mendapatkan nilai dari citra integral maka setiap fitur Haar

diproses dan dihitung nilai fiturnya (F) dengan rumus (2).

Nilai pada area putih (W) adalah 9+28+47+56+12+37+62+74 = 325

Nilai pada area hitam (B) adalah 3+10+17+20+4+14+24+28 = 120

F = W – B

= 325 – 120 = 205

Maka nilai dari fitur dalam gambar 4.11 adalah 205.

C. Adaboost

Tahapan klasifikasi pertama yaitu adaboost. Dilakukan pemilihan fitur-

fitur penting. Pada tahap ini digunakan perbedaan nilai fitur yang dicari

menggunakan rumus (2). Jika nilai perbedaannya itu diatas nilai ambang atau

threshold (antara 0 sampai 255), maka dapat dikatakan bahwa fitur tersebut ada.

Jika nilai tidak diatas nilai ambang (<0 atau >255) maka fitur dibuang (tidak

dipakai lagi) untuk mempercepat deteksi.

Maka fitur dalam gambar 4.9 dapat dikatakan ada karena nilainya adalah

205 (diantara 0 sampai 255).

49


Gambar 4.12 Contoh Proses Fitur Kedua

Contoh fitur yang dibuang adalah pada gambar 4.12. Dengan mendapatkan

nilai dari citra integral maka setiap fitur Haar diproses dan dihitung nilai fiturnya

(F) dengan rumus (1).

Nilai pada area putih (W) adalah 3+10+4+14+9+28+12+37 = 117

Nilai pada area hitam (B) adalah 17+20+24+28+47+56+62+74 = 328

F = W – B

= 117 – 328 = -211

Nilai dari fitur dalam gambar 4.12 adalah -211. Maka fitur dalam gambar

4.12 dapat dibuang (tidak dipakai lagi) untuk mempercepat deteksi karena

nilainya tidak berada diantara 0 sampai 255. Fitur-fitur yang dapat dikatakan ada

setelah melalui proses Adaboost akan diklasifikasikan per subwindow melalui

Cascade Classifier untuk mendeteksi wajah.

D. Cascade Classifier

Klasifikasi yang terakhir yaitu membuang subwindow yang diyakini bukan

wajah pada Cascade Classifier seperti pada gambar 2.9. Pada proses klasifikasi

tingkat pertama, tiap subwindow akan diklasifikasi menggunakan satu fitur. Hasil

dari klasifikasi pertama ini berupa T (True) untuk gambar yang memenuhi fitur

Haar tertentu dan F (False) bila tidak.

Seperti pada gambar 4.13. Kotak merah melambangkan subwindow yang

berisi fitur-fitur yang dapat dikatakan ada setelah melalui proses Adaboost. Kotak

akan berjalan perpixel dari kiri ke kanan, sampai kebawah. Disaat kotak ada di

50


bagian bukan wajah, prosesnya akan cepat terlewati karena di cascade sudah

dibuang. Mendekati wajah, proses semakin lambat karena semakin banyak fitur

yang di cek dan cascade yang dilalui. Proses ini terus berlanjut sampai wajah

terdeteksi.

Gambar 4.13 Deteksi Wajah

wajah = vision.CascadeObjectDetector();

Setelah wajah terdeteksi maka video wajah dipotong lalu ditampilkan dalam

subimage pertama.

Gambar 4.14 Subimage pertama

4.1.4 Deteksi Mata

4.1.4.1 Deteksi Ciri Mata Menggunakan Metode Viola-Jones

Langkah selanjutnya adalah deteksi mata. Dilakukan ekstraksi fitur dan

klasifikasi sesuai dengan teori pengolahan citra. Ekstraksi fitur dan klasifikasi

yang digunakan adalah dengan menggunakan algoritma Viola-Jones untuk

mendeteksi mata dan dicari dari video wajah dari subimage pertama. Alur

mendeteksi mata sama dengan cara mendeteksi wajah.

51


Yang pertama tahapan ekstraksi nilai fitur dengan penggunaan fitur Haar

untuk memproses image menjadi beberapa subwindow yg berisi fitur. Digunakan

empat jenis fitur seperti gambar 2.5 untuk mendeteksi mata. Maka didapatkan

beberapa pixel yang tergabung dalam satu fitur.

Lalu untuk gambar bergerak (video), perhitungan dan penjumlahan pixel

terjadi secara terus menerus dan membutuhkan waktu yang lama. Oleh karena itu,

penjumlahan diganti dengan integral sehingga didapatkan hasil lebih cepat.

Selanjutnya pemilihan fitur-fitur penting dengan Adaboost.

Lalu tahap klasifikasi dengan membuang subwindow yang diyakini bukan

mata pada Cascade Classifier seperti pada gambar 2.9. Pada klasifikasi tingkat

pertama, tiap subwindow akan diklasifikasi menggunakan satu fitur. Hasil dari

klasifikasi pertama ini berupa T (True) untuk gambar yang memenuhi fitur Haar

tertentu dan F (False) bila tidak.

Kotak merah melambangkan subwindow yang berisi fitur-fitur yang dapat

dikatakan ada setelah melalui proses Adaboost. Kotak akan berjalan perpixel dari

kiri ke kanan, sampai kebawah. Disaat kotak ada di bagian bukan mata, prosesnya

akan cepat terlewati karena di cascade sudah dibuang. Mendekati mata, proses

semakin lambat karena semakin banyak fitur yang di cek dan cascade yang

dilalui. Proses ini terus berlanjut sampai mata terdeteksi.

Gambar 4.15 Deteksi Mata

Setelah mata berhasil terdeteksi, dicari mata yang gambarnya paling jelas

dari kedua mata. Mata kiri ataupun kanan yang paling jelas dipotong dari

subimage pertama untuk ditampilkan di subimage kedua setelah pupil berhasil di

deteksi menggunakan Hough Transform.

mata = vision.CascadeObjectDetector('EyePairSmall');

52


4.1.4.2 Deteksi Ciri Pupil Menggunakan Hough Transform

Dalam penelitian ini digunakan Hough Transform sebagai metode untuk

mendeteksi pupil mata. Mata yang berhasil ditampilkan di subimage kedua lalu

diproses untuk mendeteksi pupil menggunakan Hough Transform. Hough

Transform mendeteksi pupil yang berupa lingkaran.

Pada video mata yang berhasil dideteksi menggunakan Viola-Jones, dicari

pupil mata yang berupa lingkaran. Hough Transform mendeteksi tiap titik dari

citra, dimulai dari ujung kiri bawah. Lalu menghitung (xi,yi) dengan persamaan

(8) dan (9).

Gambar 4.16 Mendeteksi tiap titik

Proses ini diulangi untuk pixel-pixel tepi yang lain dengan = 0 hingga 360 .

Gambar 4.17 Pupil terdeteksi

[centers, radii, metric] = imfindcircles(mata2, [floor(r-r/4)

floor(r+r/2)], 'ObjectPolarity','dark', 'Sensitivity', 0.93);

Gambar 4.18 Subimage kedua

53


4.1.5 Penentuan Arah Tatapan Mata

Selanjutnya tahapan klasifikasi yaitu penentuan arah tatapan mata

digunakan untuk memilih gambar dengan keterangan mana yang akan

ditampilkan di subimage ketiga. Penentuan arah tatapan mata ini menggunakan

ketentuan pergeseran 15 pixel. Ketentuan ini didapat dari hasil uji coba dari nilai

10 sampai 20. Nilai dibawah 15 tidak dipilih menjadi ketentuan karena terlalu

sensitif terhadap pergerakan mata. Nilai dibawah 15 mendeteksi pergerakan mata

yang sangat kecil. Sedangkan nilai diatas 15 tidak dipilih karena tidak terlalu peka

terhadap pergerakan mata. Nilai diatas 15 hanya bisa mendeteksi pergerakan mata

jika pergerakan yang dilakukan besar.

Jika terdapat pergeseran mata sebanyak 15 pixel ke kiri maka mata melirik

ke kiri. Subimage ketiga akan menampilkan gambar dengan tulisan ‘kiri-sedang

mengingat’. Begitu pula sebaliknya, jika terdapat pergeseran mata sebanyak 15

pixel ke kanan maka mata melirik ke kanan dan subimage ketiga akan

menampilkan gambar dengan tulisan ‘kanan-berbohong’. Jika mata terdeteksi

berada di tengah, maka subimage ketiga akan menampilkan gambar dengan

tulisan ‘lurus’. Namun jika mata dan wajah tidak terdeteksi, maka subimage

ketiga akan menampilkan gambar dengan tulisan ‘tidak ada wajah terdeteksi’.

Gambar 4.19 Tampilan Lurus

54


Gambar 4.20 Tampilan Kiri

Gambar 4.21 Tampilan Kanan

Gambar 4.22 Tampilan Tidak Ada Wajah Terdeteksi

4.2 Pelaksanaan Eksperimen

Eksperimen dilakukan dari tanggal 30 Mei sampai dengan 20 Agustus

2018. Partisipan berjumlah 30 orang dengan diberi masing-masing empat skenario

berbeda. Pengambilan sampel partisipan sesuai dengan pendapat Gay dan Diehl

(1992) tentang penelitian eksperimental.

Dalam penelitian ini, sebelum diberikan pertanyaan partisipan diberikan

sebuah video kriminal yang menampilkan rekaman CCTV pencurian sepeda

55


motor dan dibagi menjadi dua kategori yang menjalankan empat skenario

berbeda. Pertama partisipan diberi beberapa pertanyaan umum seputar keseharian

partisipan. Kedua partisipan harus memberikan kesaksian jujur karena partisipan

merupakan saksi mata dalam skenario jujur. Dalam kategori bohong partisipan

harus menjawab jawaban yang bohong karena pelaku kriminal mengancam

partisipan jika memberikan keterangan jujur pada kepolisian.

Kategori bohong ini terbagi menjadi dua skenario yaitu spontan dan

terencana. Dalam skenario bohong spontan, partisipan menjawab bohong saat

diberikan pertanyaan tanpa perencanaan sebelumnya. Sedangkan skenario bohong

terencana, setelah diberikan beberapa pertanyaan partisipan diberikan waktu 5

menit untuk berpikir sebelum menjawab pertanyaan.

Proses yang dilakukan meliputi partisipan duduk didepan sebuah laptop

yang telah dilengkapi dengan webcam. Lalu partisipan diberikan beberapa

pertanyaan umum dan seputar video kriminal. Kamera merekam mata partisipan

ketika menjawab pertanyaan. Tools eksperimen mendeteksi arah tatapan mata

partisipan setelah penulis memberikan beberapa pertanyaan yang harus dijawab

partisipan. Sesuai dengan pendapat Mark Bouton, John J. Webster dan beberapa

jurnal psikologi tentang kebohongan dan arah lirikan mata, jika partisipan melirik

kearah kiri dan lurus maka tools eksperimen akan menampilkan keterangan bahwa

partisipan ‘sedang mengingat’. Jika partisipan melirik kearah kanan maka tools

eksperimen akan menampilkan keterangan ‘berbohong’.

Pertanyaan yang diberikan pada setiap skenario adalah 5 buah pertanyaan

dan berjumlah 20 pertanyaan. 5 pertanyaan umum tentang kehidupan partisipan, 5

pertanyaan skenario jujur, 5 pertanyaan skenario bohong spontan dan 5

pertanyaan skenario bohong terencana.

56


BAB V

HASIL DAN PEMBAHASAN

5.1 Implementasi Hasil Eksperimen

Gambar 5.1 Implementasi Hasil Eksperimen

57


5.2 Proses Pelaksanaan Eksperimen

Berikut proses pelaksanaan eksperimen dari salah satu partisipan (skenario

pertanyaan bohong spontan) :

A. Partisipan duduk di depan sebuah laptop yang telah dilengkapi webcam.

B. Partisipan diberikan sebuah video kriminal yang menampilkan rekaman

CCTV pencurian sepeda motor. Partisipan diminta untuk fokus menonton

video tersebut.

C. Partisipan diberikan 5 pertanyaan tentang video seperti dibawah ini :

1. Apakah Anda melihat wajah pelaku?

2. Berapa orang pelaku yang Anda lihat?

3. Bagaimana cara pelaku membawa kabur sepeda motor?

4. Berapa jumlah sepeda motor yang berhasil dicuri?

5. Apakah pelaku membawa senjata tajam?

D. Pada skenario bohong spontan, partisipan harus menjawab bohong karena

pelaku kriminal mengancam partisipan jika memberikan keterangan jujur

pada kepolisian.

Gambar 5.2 Pelakasanaan Eksperimen Skenario Bohong Spontan

E. Tools eksperimen deteksi kebohongan merekam wajah partisipan selama

eksperimen berlangsung.

58


Gambar 5.3 Tampilan Tools Eksperimen

F. Subimage pertama menampilkan video wajah partisipan yang telah diubah

menjadi grayscale (keabuan) dan dideteksi secara real-time. Subimage

kedua menampilkan mata yang telah dideteksi. Dan subimage ketiga akan

menampilkan gambar dengan tulisan ‘kiri-mengingat’, ‘kanan-berbohong’,

‘lurus’ atau ‘tidak ada wajah terdeteksi’ sesuai dengan arah tatapan

partisipan saat menjawab pertanyaan.

G. Layar saat menjalankan tools eksperimen akan direkam dengan

menggunakan VLC Player kemudian disimpan setelah selesai dilakukan

eksperimen.

H. Video rekaman saat tools eksperimen berjalan dibuka untuk dianalisis. Lalu

dihitung frekuensi arah tatapan mata selama partisipan melakukan

eksperimen.

I. Jika lebih banyak frekuensi ke arah kanan maka aplikasi deteksi kebohongan

melalui arah tatapan mata menggunakan Matlab dalam penelitian ini

berhasil.

59


5.3 Verifikasi dan Validasi

5.3.1 Skenario Pertanyaan Umum

Pada skenario pertanyaan umum partisipan diberikan pertanyaan umum

tentang keseharian partisipan. Dengan rata-rata rekaman video 35 detik,

didapatkan hasil berikut:

Tabel 5.1 Kategori Pertanyaan Umum

Responden

Frekuensi per 5 detik

Kiri Lurus Kanan Tak Terdeteksi

1 6

2 4 1 1

3 2 3 4

4 6

5 1 5 2

6 3 1

7 5 1

8 6 1

9 4 4

10 2 2 3

11 4 3

12 3 3

13 5 1 1 1

14 2 4

15 4 3

16 5 3

17 2 3 2

18 3 2 1

19 4 3 1 1

20 3 3

21 4 2

22 3 4

23 3 3 2

24 2 3 1

25 6

26 1 5

27 2 3 1

28 2 3 2

29 3 4

30 3 3

Total 55 111 27 9

60


Skenario Pertanyaan Umum

55

111

27

9

Kiri

Lurus

Kanan

Tak Terdeteksi

Gambar 5.4 Diagram skenario pertanyaan umum

Untuk menghitung persentase akurasi sampel total skenario pertanyaan

umum, kita misalkan jumlah total sampel adalah total kiri dan kanan dari

frekuensi. Sesuai dengan buku pedoman yang dipakai pada penelitian ini, jika

mata melirik ke kiri maka sedang mengingat dan ke kanan maka berbohong. Jadi

total kanan dari skenario pertanyaan umum adalah error.

Maka persentase akurasi sampel total skenario pertanyaan umum adalah :

Keterangan:

T = Akurasi sampel

N = Jumlah total frekuensi kiri dan kanan

a = Jumlah yang tidak cocok (frekuensi kanan)

Jadi persentase akurasi sampel total skenario pertanyaan umum adalah 67,1%

5.3.2 Skenario Pertanyaan Jujur

Pada skenario pertanyaan jujur partisipan diberikan pertanyaan tentang

video kriminal yang telah diberikan sebelumnya. Partisipan harus menjawab

pertanyaan dengan jujur. Dengan rata-rata rekaman video 35 detik, didapatkan

hasil berikut:

61


Tabel 5.2 Kategori Pertanyaan Jujur

Responden Frekuensi per 5 detik


1 3 4 1

2 6 1

3 5 3 1

4 5 1

5 1 4 4 2

6 4

7 4 5 1

8 4 2 5

9 2 5 1

10 5 2

11 4 3

12 4 3

13 4 4 2 2

14 2 4 2

15 5 4

16 4 4

17 4 4 1

18 4 3 1

19 4 4 1

20 3 3

21 3 4

22 2 3

23 6 4

24 3 4

25 6

26 3 4

27 4 4

28 2 3

29 2 4 1

30 2 4

Total 64 119 40 9

62


Skenario Pertanyaan Jujur

64

119

40

9

Kiri

Lurus

Kanan

Tak Terdeteksi

Gambar 5.5 Diagram scenario pertanyaan jujur


jujur, kita misalkan jumlah total sampel adalah total kiri dan kanan dari frekuensi.

Sesuai dengan buku pedoman yang dipakai pada penelitian ini, jika mata melirik

ke kiri maka sedang mengingat dan ke kanan maka berbohong. Jadi total kanan

dari skenario umum adalah error.

Maka persentase akurasi sampel total skenario pertanyaan jujur adalah :

Keterangan:

T = Akurasi sampel


a = Jumlah yang tidak cocok (frekuensi kanan)

Jadi persentase akurasi sampel total skenario pertanyaan jujur adalah 61,54%

5.3.3 Skenario Pertanyaan Bohong Spontan

Pada skenario pertanyaan bohong spontan partisipan diberikan pertanyaan

tentang video kriminal yang telah diberikan sebelumnya. Partisipan harus

menjawab pertanyaan dengan mengada-ada. Dengan rata-rata rekaman video 35

detik, didapatkan hasil berikut:

63


Tabel 5.3 Kategori Pertanyaan Bohong Spontan

Responden

Frekuensi per 5 detik


1 4 4 2

2 4 3 1

3 3 3 2 1

4 1 5

5 2 3 2 1

6 1 3 2

7 3 4

8 1 4 4

9 3 4

10 3 3 1

11 2 5

12 4 3 1

13 4 3 1

14 2 4 3

15 4 3

16 5 3

17 5 5 1

18 3 2 1 4

19 1 5 2

20 3 3

21 3 3 3

22 2 5

23 6 1

24 1 5

25 6

26 5 4

27 3 3 3

28 1 3 4

29 1 6

30 2 4 3

Total 43 122 56 15

64


Skenario Pertanyaan Bohong Spontan

43

122

56

15

Kiri

Lurus

Kanan

Tak Terdeteksi

Gambar 5.6 Diagram skenario pertanyaan bohong spontan


bohong spontan, kita misalkan jumlah total sampel adalah total kiri dan kanan dari

frekuensi. Sesuai dengan buku pedoman yang dipakai pada penelitian ini, jika


total kiri dari skenario bohong spontan adalah error.

Maka persentase akurasi sampel total skenario pertanyaan bohong spontan adalah:

Keterangan:

T = Akurasi sampel


a = Jumlah yang tidak cocok (frekuensi kiri)

Jadi persentase akurasi sampel total skenario pertanyaan bohong spontan adalah

56,56%

5.3.4 Skenario Pertanyaan Bohong Terencana

Pada skenario pertanyaan bohong terencana sebelumnya partisipan

diberikan daftar pertanyaan tentang video kriminal yang telah diberikan.

Partisipan diberikan waktu untuk memikirkan jawaban mengada-ada sebelum

dilakukan eskperimen. Partisipan harus menjawab pertanyaan dengan mengada-

65


ada sesuai dengan jawaban yang telah dipikirkan sebelumnya. Dengan rata-rata

rekaman video 35 detik, didapatkan hasil berikut:

Tabel 5.4 Kategori Pertanyaan Bohong Terencana

Responden Frekuensi per 5 detik


1 5 2

2 7

3 3 3

4 5 1

5 1 3 2 1

6 4 1 1

7 2 3 2

8 2 4 1

9 2 4 1

10 4 4

11 2 5

12 2 5

13 5 3

14 4 3

15 2 4 2

16 1 4 2

17 4 3

18 4 3 1 1

19 3 3 1

20 3 4

21 2 5

22 2 5

23 2 4 1

24 1 5

25 1 5

26 1 5 3

27 2 4 1

28 5 3

29 2 4 2

30 4 3

Total 37 128 45 4

66


Skenario Pertanyaan Bohong Terencana

37

128

45

4

Kiri

Lurus

Kanan

Tak Terdeteksi

Gambar 5.7 Diagram skenario pertanyaan bohong terencana


bohong terencana, kita misalkan jumlah total sampel adalah total kiri dan kanan

dari frekuensi. Sesuai dengan buku pedoman yang dipakai pada penelitian ini, jika


total kiri dari skenario bohong terencana adalah error.

Maka persentase akurasi sampel total skenario pertanyaan bohong terencana

adalah :

Keterangan:

T = Akurasi sampel


a = Jumlah yang tidak cocok (frekuensi kiri)

Jadi persentase akurasi sampel total skenario pertanyaan bohong terencana adalah

54,88%

67


5.3.5 Analisis Total

Tabel 5.5 Analisis Total

Skenario

Pertanyaan

Frekuensi


Umum 55 111 27

37 Jujur 64 119 40

Bohong Spontan 43 122 56

Bohong Terencana 37 128 45

Berikut diagram kategori jujur (gabungan skenario pertanyaan umum dan jujur) :

Kategori Jujur

55

27

Kiri

Kanan

Gambar 5.8 Diagram kategori jujur

Berikut diagram kategori bohong (gabungan skenario pertanyaan bohong spontan

dan bohong terencana) :

Kategori Bohong

43

56

Kiri

Kanan

Gambar 5.9 Diagram kategori bohong

68


Dari hasil pengamatan selama melakukan eksperimen dan analisis video

yang direkam saat eksperimen, maka dapat diambil beberapa faktor kemungkinan

wajah, mata dan pupil tidak terdeteksi, yaitu :

1. Kapasitas prosessor laptop yang rendah menyebabkan aplikasi lambat

ketika dijalankan.

2. Berdasarkan analisis video eksperimen, implementasi metode Viola-Jones

tidak dapat mendeteksi wajah ketika partisipan dengan posisi wajah tidak

tegak atau frontal kedepan.


dalam mendeteksi wajah dan mata berhasil, baik ditempat yang

penerangannya baik maupun agak redup. Namun ditemukan kemungkinan

tingkat error dari metode Hough Transform dalam mendeteksi pupil saat

penerangan agak redup atau saat ada bayangan yang masuk. Sehingga

deteksi pupil kurang maksimal.


dan Hough Transform ketika mendeteksi mata partisipan yang memakai

kacamata atau ketika mata tertutup rambut memiliki kemungkinan menjadi

faktor penyebab error.

5. Saat merekam layar menggunakan 10 frame/detik. Berdasarkan

eksperimen yang telah dilakukan jika lebih dari 10 frame per detik maka

program di laptop yang sedang berjalan, terutama Matlab akan melambat.

Karena hanya 10 frame/detik maka kemungkinan ada kondisi ketika mata

partisipan bergerak tidak tertangkap.

69


BAB VI

KESIMPULAN DAN SARAN

6.1 Kesimpulan

Dengan adanya penelitian ini diharapkan dapat memberikan beberapa

informasi bagi mahasiswa dan masyarakat pada umumnya.

Berdasarkan pembahasan yang telah dijelaskan pada penelitian ini, dapat

diambil kesimpulan bahwa :

1. Tools eksperimen deteksi kebohongan melalui arah tatapan mata

menggunakan Matlab dalam penelitian ini telah berhasil dirancang dan

dibuat.

2. Dengan menganalisis data eksperimen yang telah dilakukan, maka tools

eksperimen deteksi kebohongan melalui arah tatapan mata dengan

menggunakan Viola-Jones dan Hough Transform berhasil membuktikan

pendapat psikologi tentang hubungan berbohong dengan arah tatapan

mata. Tingkat akurasi skenario umum dan jujur adalah 67,1% dan 61,54%.

Sedangkan tingkat akurasi skenario bohong spontan dan bohong terencana

adalah 56,56% dan 54,88%.

3. Viola-Jones dan Hough Transform dapat diterapkan dalam pembuatan

tools eksperimen deteksi kebohongan.

70


6.2 Saran

Dalam penulisan ini masih terdapat banyak kekurangan, adapun saran

yang layak untuk menjadi bahan pertimbangan dalam membangun penelitian yang

lebih baik di masa yang akan datang, yaitu :

1. Membuat tools eksperimen deteksi kebohongan dengan menambah

parameter lain sesuai dengan hubungan kebohongan dengan gesture tubuh

lain dalam buku yang digunakan penulis dalam pedoman untuk penelitian

ini.

2. Dilihat dari frekuensi tatapan mata dari penelitian yang telah dilakukan,

kebohongan terencana lebih sulit terdeteksi ‘bohong’ dari kebohongan

spontan. Maka dari itu penulis menyarankan untuk penelitian selanjutnya

meneliti tentang hubungan bohong spontan dan bohong terencana.

71

DAFTAR PUSTAKA

Admin. Arti Kata Bohong - Kamus Besar Bahasa Indonesia (KBBI).

Diakses pada https://kbbi.web.id/bohong, 1 Mei 2018

Admin. Arti Kata Jujur - Kamus Besar Bahasa Indonesia (KBBI)

Diakses pada https://kbbi.web.id/jujur, 3 Mei 2018

Admin. Pengertian Kebohongan.

Diakses pada https://id.wikipedia.org/wiki/Kebohongan, 1 Mei 2018

Bouton, Mark. 2010. How to Spot Lies Like the FBI. Kansas: Cosmic Wind Press

Gay, L.R. & Diehl, P.L. 1992. Research Methods for Business and Management,

New York : MacMillan Publishing Company

Guritno, Suryo, dkk. 2011. Theory and Application of IT Research. Yogyakarta: Andi

Ilyas, Sidarta & Ramatjandra. 1988. Penyakit Mata : Ringkasan & Istilah. Jakarta:

Penerbit PT Pustaka Utama Grafiti.

Jeffrey J. Walczyk, Diana A. Griffith, Rachel Yates, Shelley R. Visconte, Byron

Simoneaux dan Laura L. Harris. 2012. Eye Movements and Other Cues to the

False Answers of “Witnesses” to Crimes.

Jeffrey J. Walczyk, Kevin T. Mahoney, Dennis Doverspike, Diana A. Griffith. 2009.

Cognitive Lie Detection: Response Time and Consistency of Answers as Cues to

Deception.

Kasirman, M. 2012. Metodologi Penelitian Refleksi Pengembangan Pemahaman dan

Penguasaan Metodologi Penelitian. UIN-Malang Press : Malang.

Latifa, Rena. 2011. Perilaku Berbohong. UIN : Jakarta

Lubis, Abdul Jabbar. 2010. Pendeteksian Kebohongan Melalui Perubahan Diameter

Pupil Mata Dengan Teknik Thresholding.

Mahon, J. E. 2008. The Definition of Lying and Deception. Stanford Encyclopedia of

Philosophy

McAndrew, Alasdair. 2004. Introduction to Digital Image Processing with Matlab.

USA: Thomson Course Technology

https://kbbi.web.id/bohong

https://kbbi.web.id/jujur

https://id.wikipedia.org/wiki/Kebohongan

http://plato.stanford.edu/entries/lying-definition/

72

Munir, Rinaldi. 2004. Pengolahan Citra Digital dengan Pendekatan Algoritmik.

Bandung : Informatika

Prasetyo, Arie. 2012. Perancangan Aplikasi Estimasi Penerimaan Siswa Baru

Sekolah Menengah Atas Wilayah Jakarta Pusat Berdasarkan Hasil Nilai Ujian

Nasional Berbasis Mobile Web Android.

Putro, M. Dwisnanto. 2012. Sistem Deteksi Wajah dengan Menggunaka Metode

Viola-Jones.

Riduwan. 2013. Belajar Mudah Penelitian Untuk Guru, Karyawan dan Peneliti

Pemula. Bandung : Alfabeta

Roger S. Pressman, P. D. 2010. Rekayasa Perangkat Lunak : Pendekatan Praktisi.

Yogyakarta : ANDI

Rosenfeld, J. Peter. 2018. Detecting Concealed Information and Deception: Recent

Developments. Academic Press.

S¨oylemez, Omer Faruk & Ergen, Burhan. 2013. Eye Location and Eye State

Detection in Facial Images Using Circular Hough Transform.

Saputra, Dhanar Intan Surya; Anjar, Wahyu Septi; Ramadhan, Kurnia Aswin Nuzul

dan Pamungkas, Riki Aji. 2017. Pelacakan dan Deteksi Wajah Menggunakan

Video Langsung pada Webcam.

Saut, Erik. 2007. Kecenderungan Berbohong, Sasaran Kebohongan dan

Perbedaannya Berdasarkan Jenis Kelamin.

Sianipar, R.H. 2013. Pemograman Matlab dalam Contoh dan Penerapan. Bandung:

Penerbit Informatika.

Sianipar, R.H.; Mangiri; Herry S. & Wityajati, I.K. 2013. Matlab untuk Pemprosesan

Citra Digital. Bandung: Penerbit Informatika.

Solana, Farid. Pengertian dan Fungsi Webcam.

Diakses pada https://www.nesabamedia.com/pengertian-webcam-dan-fungsi-

webcam/, 9 Mei 2018

Sruthy, R. 2014. Driver’s Drowsiness Detection Using Circular Hough Transform

and Iris Visibility Ratio Analysis.

https://www.nesabamedia.com/author/faridsolana12/

https://www.nesabamedia.com/pengertian-webcam-dan-fungsi-webcam/

https://www.nesabamedia.com/pengertian-webcam-dan-fungsi-webcam/

73

Staf Departemen Ilmu Kesehatan Mata Fakultas Kedokteran UNAIR. 2013. Buku

Ajar Ilmu Kesehatan Mata. Surabaya: Penerbit Airlangga University Press.

Sugiyono. 2013. Metode Penelitian Kuantitatif, Kualitatif dan R&D. Bandung:

Penerbit Alfabeta.

Tabrani, Rusyan A. 2006. Pendidikan Budi Pekerti. Jakarta : Inti Media Cipta

Nusantara.

Umam, Khairul. 2016. Deteksi Obyek Manusia Pada Basis Data Video

Menggunakan Metode Background Subtraction Dan Operasi Morfologi.

Vrij, Aldert. 2001. Detecting Lies And Deceit: The Psychology Of Lying and The

Implications for Professional Practice. New York: John Wiley & Sons, Ltd

Vrij, Aldert. 2011. Detecting Lies and Deceit: Pitfalls and Opportunities. New York :

John Wiley & Sons, Ltd

Webster, John J. 2009. How to Get the Truth Out of Anyone

Zainal, Hasibuan. 2007. Metodologi Penelitian Pada Bidang Ilmu Komputer dan

Teknologi Informasi. Depok: Fakultas Ilmu Komputer

Daftar Pustaka : 35 (18 Buku + 13 Jurnal/Skripsi + 4 Referensi Internet)

74

LAMPIRAN

Lampiran 1. Penulisan Kode

%Syaifa Amanda Putri Lubis - 11140910000057

clear all

clf('reset');

cam=webcam();

%Viola-Jones

wajah = vision.CascadeObjectDetector(); %deteksi wajah

mata = vision.CascadeObjectDetector('EyePairSmall'); %deteksi mata

while true

vid=snapshot(cam);

vid = rgb2gray(vid);

img = flip(vid, 2); %efek cermin

bbox = step(wajah, img);

if ~ isempty(bbox) %Jika wajah terdeteksi

biggest_box=1;

for i=1:rank(bbox) %Mencari wajah terbesar

if bbox(i,3)>bbox(biggest_box,3)

biggest_box=i;

end

75

end

wajah2 = imcrop(img,bbox(biggest_box,:)); % Crop wajah

bboxeyes = step(mata, wajah2); % Cek mata

for i=1:size(bbox,1)

rectangle('position', bbox(i, :), 'lineWidth', 2,

'edgeColor', 'y');

end

if ~ isempty(bboxeyes) %Jika mata terdeteksi

biggest_box_eyes=1;

for i=1:rank(bboxeyes) %Cari mata paling besar

if bboxeyes(i,3)>bboxeyes(biggest_box_eyes,3)

biggest_box_eyes=i;

end

end

bboxeyeshalf=[bboxeyes(biggest_box_eyes,1),bboxeyes(biggest_box_eyes

,2),bboxeyes(biggest_box_eyes,3)/3,bboxeyes(biggest_box_eyes,4)];

mata2 = imcrop(wajah2,bboxeyeshalf(1,:)); %Crop mata

dari wajah

mata2 = imadjust(mata2);

r = bboxeyeshalf(1,4)/4;

%Hough Transform

[centers, radii, metric] = imfindcircles(mata2,

[floor(r-r/4) floor(r+r/2)], 'ObjectPolarity','dark', 'Sensitivity',

0.93);

[M,I] = sort(radii, 'descend');

76

eyesPositions = centers;

subplot(1,3,1),subimage(wajah2); hold on;

subplot(1,3,2),subimage(mata2); hold on;

viscircles(centers, radii,'EdgeColor','b');

kanan=imread('Kanan-lie.jpg');

kiri=imread('Kiri-rem.jpg');

lurus=imread('lurus.jpg');

%mencari arah tatapan mata

if ~isempty(centers)

pupil_x=centers(1);

disL=abs(0-pupil_x); %jarak dari kiri ke tengah

disR=abs(bboxeyes(1,3)/3-pupil_x); %jarak dari kanan

ke tengah

subplot(1,3,3);

if disL>disR+16 %jika ke kanan

subimage(kanan);

else if disR>disL %jika ke kiri

subimage(kiri);

else

subimage(lurus); %jika lurus

end

end

end

end

else

noface=imread('tidak.jpg');

subplot(1,3,3);

subimage(noface); %jika tidak ada wajah terdeteksi

end

set(gca,'XtickLabel',[],'YtickLabel',[]);

77

hold off;

end

78

Lampiran 2. Daftar Pertanyaan

Tigapuluh partisipan diberikan masing-masing empat skenario, yaitu :

Skenario Umum. Menjawab pertanyaan seputar keseharian dengan jujur.

Skenario Jujur. Perannya menjadi saksi. Menjawab semua pertanyaan

dengan jujur.

Skenario Bohong Terencana. Perannya menjadi teman dari pelaku.

Melindungi pelaku. Diberikan pertanyaan dan waktu 5 menit untuk menjawab

sebelum diwawancarai.

Skenario Spontan. Perannya menjadi teman dari pelaku. Melindungi pelaku.

Menjawab bohong atau “tidak tahu”

Berikut daftar pertanyaan untuk masing-masing skenario :

Umum

1. Siapa nama Anda?

2. Tahun berapa Anda lahir?

3. Apakah Anda menempuh pendidikan di UIN Jakarta?

4. Tahun berapa Anda masuk UIN Jakarta?

5. Kapan Indonesia merdeka?

Jujur


2. Apakah sepeda motor berhasil dicuri?




Bohong Terencana



3. Apakah ada saksi mata selain Anda di TKP?

4. Apakah saat kejadian, korban berada di TKP?

5. Apakah korban sadar atas tindakan percurian atau dalam pengaruh hipnotis?

Bohong Spontan


79





Lampiran 3. Pelaksanaan Eksperimen

(a)

(b)

80

(c)

Gambar 7. Pelaksanaan Eksperimen

(a) Gambar pelakasanaan eksperimen skenario jujur, (b) Gambar pelakasanaan

eksperimen skenario bohong terencana, (c) Gambar pelakasanaan eksperimen skenario

bohong spontan.

analisis deteksi kebohongan melalui arah tatapan...

Documents