bab iii analisis dan perancangan sistem

28

BAB III

ANALISIS DAN PERANCANGAN SISTEM

Bab ini menjelaskan mengenai tahapan analisis dan perancangan sistem yang

akan dikembangkan, yaitu Sistem Identifikasi Buron. Bab ini terbagi atas 5 bagian yang

masing-masing akan menjelaskan mengenai analisis kebutuhan, perancangan sistem,

desain modul, desain basis data, dan desain antarmuka.

3.1 Analisis Kebutuhan

Pada bagian pendahuluan telah dijelaskan mengenai latar belakang

pengembangan sistem ini. Yaitu karena kurang idealnya perbandingan polisi dan warga

di Indonesia, maka Kepolisian Republik Indonesia dituntut untuk melakukan

pekerjaannya secara lebih efisien. Salah satunya adalah menemukan buronan secepat

mungkin. Oleh karena itu, dibuatlah sebuah sistem yang akan berfungsi untuk

mempermudah Kepolisian Repubilk Indonesia melakukan identifikasi terhadap ciri-ciri

pelaku kejahatan, dalam hal ini adalah bagian wajah.

Identifikasi dilakukan dengan membuat sketsa wajah pelaku kejahatan. Dalam

prosesnya, polisi menanyakan ciri-ciri pelaku kejahatan yang diingat oleh saksi

berdasarkan beberapa komponen wajahnya. Yaitu: rambut, bentuk dagu, alis, bentuk

wajah, mata, hidung, telinga, dan bibir. Keterangan dari saksi ini menjadi bagain

penting dalam proses rekonstruksi wajah dari pelaku kejahatan. Permasalahan-

permasalahan tersebut melatarbelakangi proses pembuatan sistem ini.

Kebutuhan sistem:

1. Sistem yang bisa mengenali wajah berdasarkan alis.

2. Sistem dapat menampilkan template alis sebagai representasi keseluruhan

variasi dan jenis alis.

Perbandingan eigenface dan klustering..., M. Faizal Reza, FASILKOM UI, 2008

29

3. Sistem dapat melakukan rekonstruksi wajah, pada saat pengembangan ini

cukup merekonstruksi bagian alis saja.

4. Sistem dapat melakukan ekstraksi ciri dari alis.

5. Sistem dapat menampilkan hasil pencarian berupa wajah yang memiliki alis

yang memiliki nilai kemiripan yang tinggi dengan template.

6. Sistem bisa membandingkan antara dua metode, yaitu Eigenface dan

Klustering K-Means dengan Koreksi Gamma, yang akan digunakan utnuk

melakukan ekstraksi ciri pada alis.

Sistem Identifikasi Buron yang akan dikembangkan dapat dimodelkan seperti

pada gambar 3.1

Gambar 3.1 Arsitektur Sistem

Pada Gambar 3.1 dapat dilihat bagaimana pemodelan dari arsitektur sistem yang

akan dikembangkan. Unit-unit ini akan dijelaskan lebih dalam pada Tabel 3.1.

UNIT EKSTRAKSI CIRI ALIS

PENGGUNA

BASIS DATA CITRA WAJAH

UNIT PEROLEHAN

CITRA WAJAH

ANTAR MUKA PEROLEHAN

CITRA WAJAH

UNIT EKSTRAKSI CIRI

1

UNIT EKSTRAKSI CIRI

2

BASIS DATA CITRA ALIS

INDEKS CITRA ALIS 1

INDEKS CITRA ALIS 2

Input Ekstraksi

Pilihan Template Alis

Citra Wajah Keluaran


30

Tabel 3.1 Penjelasan Fungsi dari Unit-Unit Sistem

Unit Fungsi

Unit Ekstraksi Ciri Alis - Perantara antara pengguna dan sistem untuk

melakukan ekstraksi ciri dan pengindeksan dari

citra alis yang ada dalam basis data.

- Unit ini terdiri dari dua unit (Unit Ekstraksi Ciri 1

dan Unit Ekstraksi Ciri 2) yang melakukan ekstraksi

dengan dua metode yang berbeda.

- Menerima input dari pengguna berupa pemicu agar

sistem bisa berjalan.

Unit Ekstraksi 1 - Melakukan ekstraksi terhadap citra alis berdasarkan

metode Eigenface.

- Unit ini menggunakan citra alis dari Basis Data

Citra Alis untuk diekstrak cirinya.

- Hasil ekstraksi akan digunakan untuk melakukan

pencarian pada Unit Perolehan Citra Wajah.

- Unit ini dapat dioperasikan melalui Antarmuka

perolehan wajah.

Unit Ekstraksi 2 - Melakukan ekstraksi terhadap citra alis berdasarkan

metode Klustering K-Means dengan Koreksi

Gamma.

- Unit ini menggunakan citra alis dari Basis Data

Citra Alis untuk diekstrak cirinya.

- Hasil pengindeksan akan digunakan untuk

melakukan pencarian pada Unit Perolehan Citra


31

Wajah.

Unit perolehan Citra

Wajah

- Melakukan pencarian terhadap citra wajah yang

sesuai dengan citra alis yang dipilih.

- Pencarian dilakukan dengan membandingkan antara

citra alis yang dipilih dengan citra alis yang terdapat

pada wajah melalui Indeks Citra Alis.

- Pengukuran kemiripan alis dilakukan dengan

metode Jarak Euclidean.

Antarmuka Perolehan

Citra Wajah.

- Perantara antar pengguna dan sistem untuk

menampilkan 10 wajah hasil pencarian.

- Perantara untuk menjalankan Unit Ekstraksi Ciri 1.

- Menampilkan citra hasil pencarian beserta dengan

angka kemiripan dengan alis yang dipilih oleh

pengguna.

3.2 Perancangan Sistem

Bagian ini akan menjelaskan mengenai rancangan sistem yang akan dibuat

berdasarkan hasil dari analisis kebutuhan. Ada tiga desain yang dibuat, yaitu: desain

modul, desain basis data dan desain antar muka.

3.2.1 Desain Modul

Dengan melihat hasil dari analisis kebutuhan, maka dapat disimpulkan modul-

modul apa saja yang dibutuhkan oleh sistem. Ada tiga modul yang dibutuhkan, yaitu:

modul Ekstraksi Ciri Citra Wajah EIGN (Eigenface), modul Ekstraksi Ciri Citra Wajah


32

KMGC (Klustering K-Means dengan Koreksi Gamma), dan modul Pencarian Citra

Wajah. Desain modul dimodelkan pada gambar 3.2

Gambar 3.2 Desain Modul dari Sistem Identifikasi Buron

Berikut akan dijelaskan mengenai fungsi modul-modul yang dimodelkan pada

gambar 3.2:

1. Modul Ekstraksi Ciri Citra Alis 1

Modul ini berfungsi untuk melakukan ekstraksi ciri dari seluruh citra alis

yang berada di dalam basis data. Hasil dari ekstraksi ciri akan disimpan, dan

akan digunakan pada modul pencarian citra wajah. Sebelum diekstraksi,

dilakukan koreksi Gamma terhadap citra untuk memperbaiki pencahayaan.

Modul ekstraksi ini mengunakan metode Eigenface.

2. Modul Ekstraksi Ciri Citra Alis 2

Modul ini memiliki fungsi yang sama dengan modul sebelumnya, yaitu

untuk melakukan ekstraksi ciri dari seluruh citra alis yang berada di dalam basis

data. Hasil dari ekstraksi cirinya akan disimpan dan akan digunakan pada modul

pencarian citra wajah. Yang berbeda dengan ekstraksi pertama adalah metode

yang digunakan, modul ini menggunakan Klustering K-Means dengan Koreksi

Gamma.

3. Modul Pencarian Citra Wajah

Modul ini memiliki fungsi untuk melakukan melakukan pencarian citra

wajah dari basis data. Citra wajah yang ditampilkan adalah citra wajah yang

Sistem Identifikasi

Buron

Ekstraksi Ciri Citra Alis

1

Ekstraksi Ciri Citra Alis

2

Pencarian Citra Wajah


33

bagian alisnya paling mirip dengan alis yang dipilih oleh pengguna. Modul

pencarian ini dibagi dua, yaitu pencarian dari metode Eigenface dan pencarian

dari metode Klustering K-Means dengan Koreksi Gamma. Kemiripan diukur

dengan menetapkan jarak euclidean dari dua hasil ekstraksi ciri citra alis.

3.2.2 Desain Basis Data

Pada sistem ini basis data yang digunakan adalah sistem file (.bmp) yang

diklasifikasikan dengan folder berdasarkan jenisnya dan dinamakan secara teratur. Yaitu

citra alis, citra wajah, dan template citra alis. Sedangkan untuk hasil ekstraksi ciri dari

seluruh citra wajah disimpan dalam bentuk file dengan format teks (.txt).

3.2.3 Desain Antar Muka

Sistem yang ingin dikembangkan adalah sistem yang menginginkan interaksi

dengan pengguna. Oleh sebab itu, sistem ini akan berbasiskan Graphical User Interface

(GUI). Berdasarkan kebutuhan yang telah dapatkan sebelumnya, maka dibuatlah

rancangan GUI seperti yang ditampilkan pada Gambar 3.3.


34

Gambar 3.3 Desain Antarmuka Perolehan Citra Wajah

Template 1

Template 2

Template 3

Template 4

Template 5

Template 6

Tampilkan Template

Combo Box bagian Wajah

Combo Box Ciri

Menu Ekstraksi EIGN

Menu Ekstraksi KMGC

Sketsa Rekonstruksi Wajah

Progress Bar Ekstraksi

Progress Bar Pencarian

Pencarian EIGN

Pencarian KMGC

Citra Wajah hasil Pencarian EIGN Citra Wajah hasil Pencarian KMGC

1 2 3 4 5

6 7 8 9 10

1 2 3 4 5

6 7 8 9 10


35

BAB IV

IMPLEMENTASI

Bab ini akan menjelaskan mengenai implementasi dari sistem yang akan

dikembangkan, berdasarkan hasil analisis yang telah diperoleh sebelumnya. Bab ini

terdiri dari penjelasan mengenai spesifikasi sistem, perangkat keras dan perangkat

lunak, yang akan digunakan, implementasi prosedur yang akan dipakai untuk

melakukan ekstraksi dan pencarian wajah.

4.1 Spesifikasi Sistem

Bagian ini menjelaskan mengenai perangkat keras dan perangkat lunak yang

digunakan untuk membuat Sistem Identifikasi Buron.

4.1.1 Perangkat Keras

Sistem Identifikasi Buron ini dikembangkan pada komputer desktop, dengan

spesifikasi sebagai berikut:

Processor : Intel (R) Pentium(R) 4 CPU 3.06 GHz

Graphics Card : Intel(R) 82915G Express Chipset Family

Memory : 504 MB RAM

4.1.2 Perangkat Lunak

Perangkat Lunak yang digunakan untuk mengembangkan sistem ini adalah

sebagai berikut:

Sistem Operasi: Microsoft Windows XP Home Edition Version 2002 Service

Pack 2

Lingkungan

Pengembangan Matlab 7.0.4 dan Microsoft Visual C++ 6.0


36

(IDE):

Library: OpenCV. Library ini menyediakan fungsi-fungsi untuk

memproses citra, melakukan perhitungan matriks dan lain-lain.

4.2 Implementasi

Bagian ini akan menjelaskan mengenai implementasi dari modul-modul yang

menyusun sistem ini. Ada tiga buah modul yang dibuat, modul ekstraksi ciri citra alis 1,

modul ekstraksi ciri citra alis 2, dan modul pencarian citra wajah.

4.2.1 Modul Ekstraksi Ciri Citra Alis 1

Modul ini berfungsi untuk melakukan ekstraksi ciri terhadap semua citra alis

yang ada pada basis data. Algoritma yang digunakan untuk mendapatkan ciri dari

seluruh citra alis pada basis data adalah algoritma yang menerapkan teori eigenface

sebagai berikut,

1. Menyatakan citra alis pada basis data sebagai matriks X yang setiap elemennya

merupakan nilai grayscale. Matriks X ini akan memiliki ukuran n x l, dimana l

adalah lebar pixel citra wajah dikalikan dengan tinggi piksel citra wajah dan n

adalah jumlah citra wajah pelatihan. Setiap citra wajah memiliki matriks

grayscale tersendiri. Matriks grayscale ini dirubah ke bentuk vektor dengan cara

menyambungkan baris demi baris dari matriks ini. Lalu setiap vektor grayscale

dari semua citra wajah pelatihan digabungkan menjadi matriks X dengan

menyambungkannya secara baris per baris. Misalkan ukuran citra wajah adalah

60 x 80, maka bentuk matriks X adalah seperti berikut,

2. Mencari matriks kovarian C dari matriks X

3. Mencari vaktor eigen dan nilai eigen dari matriks kovarian C, dan kemudian

diurutkan berdasarkan nilai eigennya.


37

4. Menentukan M vektor eigen yang terbesar berdasarkan suatu batas nilai yang

ditentukan, misalkan saja 0. Artinya kita hanya bisa mengambil vektor-vektor

eigen dimana nilai eigennya lebih besar daripada 0. Dari vektor-vektor

tersebut kita membuat matriks W.

5. Melakukan transformasi citra ke vektor ciri dengan cara sebagai berikut.

XWER

Algoritma diatas diimplementasikan dengan C++. Implementasi program dapat dilihat

pada Lampiran A.

4.2.2 Modul Ekstraksi Ciri Citra Alis 2

Modul ini berfungsi untuk melakukan ekstraksi ciri terhadap semua citra alis

yang ada pada basis data. Algoritma yang digunakan untuk mendapatkan ciri dari

seluruh citra alis pada basis data adalah algoritma yang menerapkan teori klustering K-

means dengan koreksi Gamma sebagai berikut,

1. Menyatakan citra alis sebagai matriks X dengan besar ukuran 38 x 6. Lalu

mengubahnya menjadi grayscale, seelum dilakukan proses yang lain.

2. Memberikan Koreksi Gamma sebesar 0.5 kepada matriks, sehingga bisa

mengubah pencahayaan dan tingkat kecerahan dari masing-masing piksel.

3. Mengubah matriks menjadi vektor dengan panjang 228, hasil kali dari 38x6.

4. Melakukan klustering dengan K-Means, sehingga dapat membuat kluster

sebanyak 3 buah untuk alis gelap, alis terang, dan kulit. Penjabaran Klustering

K-means sebagai berikut,

a. Klustering dilakukan dengan membuat titik berat 3 buah secara acak,

yang dipilih dari 3 buah anggota vektor.

(2.17)


38

b. Dihitung jarak euclidean-nya dengan anggota vektor yang lain.

Sebuah titik anggota vektor dikatakan anggota dari sebuah kluster,

jika jarak euclidean antara titik tersebut dengan titik berat dari ke-3

kluster, paling kecil jika dibandingkan dengan jaraknya dengan titik

berat kluster lain.

c. Setelah diketahui pembagian klasternya, maka akan didapat titik

berat baru dari tiap kluster.

d. Ulangi lagi proses (dari b) hingga pembagian kluster tidak berubah-

ubah.

5. Didapatkan tiga buah titik berat dari suatu citra. Lalu akan ditulis dalam file

untuk dipergunakan dalam proses pencarian citra wajah.

Algoritma ini diimplementasikan dengan Matlab. Implementasi program dapat dilihat

pada Lampiran A.

4.2.3 Modul Pencarian Citra Wajah

Modul ini berfungsi untuk melakukan pencarian citra wajah pada basis data

yang bagian alisnya paling mirip dengan citra alis yang diberikan saat rekonstruksi

wajah.

Matriks eigenface E yang dihasilkan oleh modul ekstraksi ciri alis merupakan

representasi ciri dari seluruh citra alis yang terdapat pada basis data. Oleh karena itu

matriks E ini akan sangat berperan dalam modul pencarian citra wajah. Algoritma yang

digunakan untuk melakukan pencarian citra wajah pada basis data adalah algoritma

yang menerapkan teori jarak euclidean sebagai berikut,

1. Hitung nilai kemiripan setiap citra alis pada basis data dengan citra alis template

yang diberikan pengguna pada saat rekonstruksi wajah. Nilai kemiripan dapat


39

dihitung dengan menerapkan jarak euclidean, rumus dapat dilihat pada (2.13),

antara dua vektor ciri citra alis yang diambil dari matriks E.

2. Lakukan normalisasi nilai kemiripan agar nilai kemiripan berada pada rentang

nilai [0,1].

n

i i

kk

d

dd

1

1'

d’ adalah nilai kemiripan yang dinormalisasi, k = 1, 2, …, n. Notasi n adalah

jumlah citra alis pada basis data, sedangkan d adalah nilai kemiripan atau jarak

euclidean antara dua ciri citra alis.

3. Urutkan nilai kemiripan yang telah dinormalisasi dari nilai yang terbesar ke nilai

yang terkecil, lalu tampilkan 10 citra wajah yang memiliki nilai kemiripan

tertinggi.

Algoritma ini diimplementasikan dengan menggunakan C++ dan library

tambahan OpenCV. Implementasi program dapat dilihat pada lampiran A.

4.3 Antar Muka

Gambar-gambar berikut ini merupakan hasil implementasi dari rancangan

antarmuka yang telah dibuat sebelumnya.

(2.18)


40

Gambar 4.1 Antar Muka Perolehan Citra Wajah

Gambar 4.2 Antar Muka Hasil Pencarian Citra Wajah


41

BAB V

PERCOBAAN DAN ANALISIS

Bab ini akan menjelaskan mengenai hasil percobaaan dan analisis dari sistem

yang telah dikembangkan. Bab ini terdiri atas data dan metode pengujian, beserta

analisis dari hasil pengujian.

5.1 Data dan Metode Pengujian

Pada bagian ini menjelaskan mengenai data yang digunakan untuk melakukan

pengujian pada Sistem Identifikasi Buron, tepatnya pada hasil pencarian citra wajah

berdasarkan ciri alis. Pada bagian ini juga akan dijelaskan mengenai metode pengujian

yang digunakan dan pengukuran keberhasilan pengujian.

5.1.1 Data Uji Coba

Data yang akan digunakan untuk bahan uji coba adalah 500 buah citra wajah

frontal, dengan pencahayaan dan latar belakang yang hampir sama. Setiap citra wajah

merupakan wajah orang yang berbeda. Wajah yang dipakai merupakan wajah penduduk

Indonesia yang mayoritas memiliki kekhasan Melayu. Setiap citra wajah akan memiliki

ukuran 60 x 80 piksel. Setiap citra wajah tidak memakai kacamata atau penghalang

wajah lainnya.

Citra wajah ini didapatkan dari data yang dimiliki oleh Pusat Pengembangan

Sistem Informasi (PPSI) Universitas Indonesia.

5.1.2 Metode Pengujian

Sistem ini diuji dengan menggunakan cara meminta responden untuk mencoba

menggunakan sistem yang telah dibuat dan mengisi kuisoner untuk melakukan penilaian

terhadap hasil pencarian yang dilakukan oleh sistem. Hal ini ditujukan untuk melihat

seberapa besar kesepakatan responden terhadap hasil pencarian citra alis, baik yang


42

Gambar 5.1. Pembagian alis menjadi beberapa bagian unuk memudahan kategorisasi

relevan ataupun yang tidak relevan (relevance judgement), apakah telah sesuai dengan

template alis dan kategori yang telah di pilih. Ada 6 skenario yang digunakan dalam

pengujian, yang tampilan dari citranya dapat dilihat pada tabel 5.2. 6 skenario itu

adalah,

a. Skenario 1: Alis tebal, template nomer 6

b. Skenario 2: Alis tipis, template nomer 2

c. Skenario 3: Alis sambung, template nomer 6

d. Skenario 4: Alis normal, template nomer 1

e. Skenario 5 Alis sedang, template nomer 1

Hasil ini akan digunakan dalam penghitungan nilai precision-recall untuk

menentukan kinerja dari Sistem Identifikasi Buron, modul Perolehan Citra Wajah

berdasarkan citra Alis.

5.2 Hasil Uji Coba

Sistem ini diuji coba dengan meminta kepada responden untuk menilai relevansi

dari 10 besar hasil pencarian dengan template alis dan kategori yang telah diberikan.

Pengkategorian alis dilakukan oleh penulis

dengan membuat asumsi mengenai definisi

dari tiap kategori. Hal ini dilakukan karena

penulis membatasi penelitian ini untuk tidak

mencari kepada ilustrator yang ada di kepolisian mengenai definisi tiap kategori alis.

Tiap kategori penulis definisikan seperti yang ada di Tabel 5.1 yang dibantu

penjelasannya dengan Gambar 5.1 untuk memudahkan kategorisasi.

Tabel 5.1 Pendefinisian dari kategori alis dalam sistem Identifikasi Buron.

Kategori Definisi

Alis Tebal. Adalah alis yang memiliki warna rambut yang terlihat tegas, lebar alis


43

yang relatif besar.

Alis Tipis. Adalah alis yang hampir seluruh bagiannya memiliki bulu jarang.

Alis Sambung

Adalah alis yang memiliki bulu halus pada persambungan dua bagian

depan alis. Atau memiliki bentuk yang bisa dibilang hampir

tersambung.

Alis Normal. Adalah alis yang memiliki bagian depan yang tebal, sedangkan bagian

belakang yang cenderung tipis, tidak tegas terlihat bulumatanya,

menjadi semakin pipih, atau lebarnya semakin kecil.

Alis Sedang. Adalah alis yang bagian depan dan belakang berukuran hampir sama,

dengan lebar alis yang relatif sedang. Pada alis ini tidak ada bagian

yang tipis.

Dari pengkategorian yang telah dilakukan, maka penulis mendapatkan jumlah

dari citra alis relevan yang berada dalam basis data. Hal ini penulis lakukan secara

subjektif dengan melihat satu persatu citra alis. Citra yang relevan ini nantinya akan

digunakan sebagai template dalam pencarian alis. Lihat di tabel 5.2 untuk lebih jelas.

Tabel 5.2. Skenario Pengujian dan Jumlah Citra Relevan dalam basis Data.

Skenario Kategori Citra Alis Jumlah citra relevan

dalam basis data

1 Tebal

Nomor Template: 6

35

2 Tipis

Nomor Template: 2

32

3 Sambung

Nomor Template: 6

7

4 Normal

Nomor Template: 1

30

5 Sedang

Nomor Template: 1

107

Setelah pengkategorian dilakukan, maka penulis melakukan pengujian sistem

kepada 15 responden untuk menguji relevansi hasil pencarian terhadap kategori yang


44

ada dan template yang digunakan. Data relevansi ini ini akan digunakan dalam

penghitungan nilai precision dan recall. Hal ini dilakukan untuk mengetahui efektifitas

sistem dalam melakukan pencarian citra alis yang mirip dengan citra template alis yang

diberikan. Penghitungannya dilakukan dengan menggunakan rumus sebagai berikut,

Jumlah citra relevan yang diperoleh adalah, citra alis yang disepakati relevan

oleh lebih dari 50 % responden. Hasil ini dapat memberikan tanda relevan / tidak

relevan kepada 10 besar citra alis termirip yang dihasilkan dari tiap percobaan. Pada

Tabel 5.3 ditampilkan contoh 10 besar hasil pencarian untuk alis kategori tebal. Untuk

empat kategori lainnya, bisa dilihat pada Lampiran B.

Tabel 5.3 Contoh 10 Besar Hasil Pencarian Alis Kategori Tebal

No Citra Alis 10 besar Hasil pencarian

1 EIGENFACE

Precision = Jumlah citra relevan yang diperoleh Jumlah citra yang diperoleh

Recall = Jumlah citra relevan yang diperoleh Jumlah citra relevan pada basis data

R R R R R

TR R R TR R

(2.19)

(2.20)


45

Klustering K-Means dengan Koreksi Gamma

Agar bisa menghasilkan nilai precision rata-rata, maka perlu untuk dilakukan

interpolasi terhadap precision dan recall dari setiap pencarian. Precision yang dihitung

pada standar recall ke-j adalah precision maksimum pada suatu recall antara titik ke-j

dan titik (j + 1)[18].

)()( max1

rPrPjj rrr

j

Setelah itu baru bisa mengambil kesimpulan, seberapa efektif metode yang

dipakai untuk mengukur kemiripan alis.

5.2.1 Hasil Uji Coba Perolehan Citra Wajah berdasarkan citra Alis dengan

menggunakan Eigenface

Dari hasil pengujian, didapatkan data hasil interpolasi sebagai berikut,

Tabel 5.4 Hasil pengujian dengan metode Eigenface

Recall Precision Skenario 1

Precision Skenario 2




Rata-rata Precision

0 1 1 0 1 1 0.8 0,1 1 0.857 1 0.75 0 0.7214 0,2 0.8 0.889 0.4 0 0 0.4178 0,3 0 0,4 0.375

0.6464

R R R R R

R R R R R

(2.21)


46

Terlihat dari Tabel 5.4, bahwa rata-rata precision dari pencarian dengan metode

ekstraksi ciri Eigenface untuk recall 0 sampai dengan 0.2 adalah 0.6464. Sehingga

dapat diketahui, bahwa sistem ini memiliki efektifitas sebesar 64.64 % untuk recall 0

sampai 0.2. Nilai precision pada recall 0.3 atau lebih bernilai nol, karena jumlah citra

relevan yang didapatkan dari pencarian maksimal 10 buah. Jumlah ini terlalu kecil jika

dibandingkan dengan jumlah citra relevan yang ada dalam basis data terutama pada

skenario 1,2,4,5.

Sedangkan skenario 3 (alis sambung) memiliki peningkatan precision yang

relatif besar, karena alis jenis sambung berjumlah sedikit. Secara subjektif penulis

menghitung hanya ada 7 citra alis yang sesuai dengan kategori sambung. Ukuran citra

yang kecil (60 x 80) juga berpengaruh dalam mendeteksi alis sambung, karena

bayangan pada lekukan dahi antara dua alis bisa dideteksi sebagai bulu halus antar alis.

5.2.2 Hasil Uji Coba Perolehan Citra Wajah berdasarkan citra Alis dengan

menggunakan Klustering K-Means dengan Koreksi Gamma

Dari hasil pengujian, didapatkan data hasil interpolasi sebagai berikut,

Tabel 5.5 Hasil pengujian dengan metode Klustering K-Means dengan Koreksi Gamma

Recall Precision Skenario 1





Rata-rata Precision

0 1 1 0 1 1 0.8 0,1 1 0.857 1 1 0 0.7714 0,2 1 0.8 0.667 0.889 0 0.6712 0,3 0 0,4 0.333

0.747533

Terlihat dari Tabel 5.5 bahwa rata-rata precision untuk recall 0 sampai dengan

0.2 dari pencarian dengan metode ekstraksi ciri Klustering K-Means dengan Koreksi

Gamma memiliki nilai 0.7475. Sehingga dapat diketahui, bahwa sistem ini memiliki

efektifitas sebesar 74.75% Terlihat juga bahwa nilai precision setelah nilai recall lebih


47

dari 0.2 adalah nol, kecuali untuk skenario 3. Hal ini karena jumlah citra relevan yang

didapatkan dari pencarian maksimal 10 buah. Jumlah ini terlalu kecil jika dibandingkan

dengan jumlah citra relevan yang ada dalam basis data terutama pada skenario 1,2,4,5.

Sedangkan skenario 3 (alis sambung) memiliki peningkatan precision yang

relatif besar, karena alis jenis sambung berjumlah sedikit. Secara subjektif penulis

menghitung hanya ada 7 citra alis yang sesuai dengan kategori sambung. Ukuran citra

yang kecil (60 x 80) juga berpengaruh dalam mendeteksi alis sambung, karena

bayangan pada lekukan dahi antara dua alis bisa dideteksi sebagai bulu halus antar alis.

5.3 Analisis Hasil Uji Coba

Pada bagian ini akan dijelaskan mengenai analisis dari hasil uji coba. Terdapat

dua hal yang akan dianalisis, yaitu pencarian dengam metode ekstraksi ciri Eigenface

dan yang kedua adalah pencarian dengan metode ekstraksi ciri Klustering K-Means

dengan Koreksi Gamma.

5.3.1 Analisis Perolehan Citra Wajah berdasarkan citra Alis dengan

menggunakan Eigenface

Dari hasil percobaan didapatkan bahwa dengan menggunakan ekstraksi ciri alis

eigenface, hasil pengukuran kemiripan alis memiliki efektivitas sebesar 64.64%. Ada

beberapa hal yang mempengaruhi hasil pencarian, yaitu:

1. Ukuran piksel yang kecil (60 x 80 piksel), hal ini membuat pencarian alis

terutama untuk kategori sambung mengalami hambatan. Karena dalam definisi

alis sambung, ada bulu tipis pada persambungan bagian tengah alis.Hal ini

terbukti pada hasil pencarian yang relevan, dari dua metode, hanya ada 3 citra

dari 10 yang dianggap relevan oleh para responden. Ukuran piksel ini juga

punya pengaruh ketika survei, yaitu menimbulkan hambatan dalam

mengidentifikasi alis karena kecilnya ukuran citra tersebut.


48

Kulit

Alis Tebal Alis Tipis

Gambar 5.2 Segmentasi Citra Alis dengan K-Means

2. Pencahayaan ketika pengambilan foto dan pose orang yang difoto. Hal ini

mempengaruhi ekstraksi ciri, karena citra alis tidak terlihat secara jelas. Hal ini

juga membuat citra memiliki standar yang berbeda karena pencahayaan, bahkan

ketika sudah dilakukan koreksi Gamma. Pencahayaan dan pose orang juga

mempengaruhi survei, responden mengalami beberapa hambatan untuk

mengidentifikasi citra alis.

5.3.2 Analisis Perolehan Citra Wajah berdasarkan citra Alis dengan

menggunakan Klustering K-Means dengan Koreksi Gamma

Dari hasil percobaan didapatkan bahwa dengan menggunakan ekstraksi ciri alis

Klustering K-Means dengan Koreksi Gamma, hasil pengukuran kemiripan alis memiliki

efektivitas sebesar 74.75%. Hal-hal yang mempengaruhi metode eigenface, yaitu

ukuran, pencahayaan dan pose orang pada citra, juga mempengaruhi pencarian pada

metode ini.

Dalam penelitian ini didapatkan

ekstraksi ciri dengan Klustering K-Means

memiliki efektivitas pencarian yang lebih

besar dibandingkan dengan eigenface. Hal

ini penulis analisis sebagai dampak dari

karakter ekstraksi ciri Klustering K-Means

yang menggunakan titik berat dari 3 segmen citra alis sebagai ciri unik dari alis. Nilai

dari titik berat bisa merepresentasikan bagaimana bentuk dan ketebalan alis, karena

setiap citra alis diklasifikasi menjadi 3 bagian (alis tebal, alis tipis, kulis). Sebagaimana

bisa dilihat pada Gambar 5.2.


bab iii analisis dan perancangan sistem

Documents