bab iv pengujian perangkat lunak dan analisis hasil...
TRANSCRIPT
25
BAB IV
PENGUJIAN PERANGKAT LUNAK DAN ANALISIS HASIL PENGUJIAN
Pada skripsi ini, telah dilakukan pengujian terhadap perangkat lunak sistem
pendeteksi senyum yang telah dibuat sebelumnya dan akan dihasilkan data berupa
tingkat akurasi dari setiap metode melalui pengujian True Positive (TP) dan True
Negative (TN). Selain itu, dilakukan juga pengujian waktu komputasi untuk masing-
masing metode.
Pengujian dilakukan menggunakan dataset citra bibir dengan ekspresi
tersenyum dan citra bibir dengan ekspresi bukan tersenyum. Jumlah citra bibir dengan
ekspresi tersenyum yang dideteksi dengan benar oleh sistem disebut True Positive,
sedangkan jumlah citra bibir dengan ekspresi bukan tersenyum yang dideteksi benar
oleh sistem disebut True Negative.
Pengujian akurasi dilakukan dengan mengkombinasikan nilai parameter yang
berbeda dari setiap metode.
4.1 Pengambilan Data dan Metode Pengujian
Pada skripsi ini telah dilakukan percobaan untuk melakukan uji akurasi dan
perhitungan akurasi. Percobaan dilakukan menggunakan dataset berupa citra bibir.
Citra bibir ini diekstraksi menggunakan bantuan metode Viola Jones. Pelatihan
dilakukan menggunakan 250 citra bibir dengan ekspresi tersenyum; 125 citra
berekspresi tersenyum tipis dan 125 citra berekspresi tersenyum lebar.
Pengujian akurasi dilakukan dengan melakukan uji True Positive dan True
Negative. Pengujian True Negative dilakukan dengan menggunakan 100 citra bibir
dengan ekspresi selain tersenyum. Pengujian True Positive dilakukan dengan
menggunakan 100 citra bibir dengan ekspresi tersenyum, 50 citra berekspresi
tersenyum tipis dan 50 citra berekspresi tersenyum lebar.
Pada skripsi ini dilakukan tiga kali percobaan. Percobaan pertama dilakukan
tanpa menggunakan pra proses color segmentation, percobaan kedua dilakukan
dengan menggunakan pra proses color segmentation dan percobaan ketiga dilakukan
dengan menggunakan dataset uji ekspresi tersenyum yang baru.
26
4.2 Hasil dan Analisis
Percobaan pertama dilakukan tanpa menggunakan pra proses color
segmentation, dihasilkan akurasi yang rendah, yaitu 29% untuk metode Harris Corner
Detection, 42% untuk metode Edge Based Corner Detection, dan 59.5% untuk
metode FAST Corner Detection.
Karena tingkat akurasi yang rendah, dilakukan percobaan kedua dengan
menggunakan pra proses color segmentation pada citra sebelum dideteksi titik
sudutnya. Percobaan kedua ini mampu meningkatkan akurasi ketiga metode. Harris
Corner Detection menghasilkan akurasi sebesar 69%, Edge Based Corner Detection
menghasilkan akurasi sebesar 63.5%, dan FAST Corner Detection
menghasilkan.akurasi sebesar 66%.
Akurasi pada percobaan kedua ini masih rendah dan setelah diamati, memiliki
tingkat True Positive yang sangat rendah namun tingkat True Negative yang tinggi.
Maka dari itu dilakukan percobaan ketiga dengan membuat dataset ekspresi
tersenyum yang baru.
Penggantian data uji ekspresi tersenyum pada percobaan ketiga dilakukan
pada citra yang dideteksi salah oleh sistem menggunakan ketiga metode. Total
terdapat 17 data salah deteksi yang merupakan citra dengan ekspresi tersenyum
kurang tegas, yaitu menunjukkan ekspresi tersenyum namun bibirnya lebih cenderung
kurva ke bawah. Hal ini menyebabkan hasil uji True Positive sangat rendah dan
dilakukan percobaan ketiga dengan dataset uji ekspresi tersenyum yang baru.
Pada percobaan ketiga, akurasi ketiga metode meningkat. Harris Corner
Detection menghasilkan akurasi sebesar 77.5%, Edge Based Corner Detection
menghasilkan akurasi sebesar 70%, dan FAST Corner Detection menghasilkan
akurasi sebesar 72.5%. Akurasi dari ketiga percobaan ini merupakan akurasi terbaik
dari kombinasi parameter ketiga metode. Kombinasi parameter yang digunakan akan
dibahas lebih detil pada sub bab 4.3, 4.4 dan 4.5.
4.3. Perbandingan Ketiga Metode pada Percobaan Pertama
Pembahasan pada bagian ini menggunakan dataset percobaan pertama,
dimana tidak ada dataset pengujian yang diganti.
27
4.3.1 Harris Corner Detection
Pada metode Harris Corner Detection diperoleh tingkat akurasi sebesar 29%
dengan parameter sigma (𝜎) sebesar 2, konstanta sensitivitas k sebesar 0.04 dan waktu
komputasi 70.6 mili detik. Kombinasi nilai sigma dimulai dari 0.5, 1, 1.5, dan 2 dan
kombinasi nilai konstanta sensitivitas k mulai dari 0.03, 0.04, 0.05, 0.06, 0.07, 0.08,
0.09, 0.1, 0.11, 0.12, 0.13, 0.14 dan 0.15. Grafik akurasi terhadap kombinasi
parameter Harris Corner Detection dapat dilihat pada Gambar 4.1, Gambar 4.2 dan
Gambar 4.3.
Gambar 4.1. Grafik Harris Corner Detection Percobaan Pertama
Gambar 4.2. Grafik Perbandingan Akurasi Terhadap Sigma Metode Harris
Corner Detection dengan k = 0.04 Percobaan Pertama
0
10
20
30
40
50
60
70
80
90
100
0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1 0.11 0.12 0.13 0.14 0.15
Ak
ura
si (
%)
Konstanta Sensitivitas (k)
Sigma 0.5
Sigma 1
Sigma 1.5
Sigma 2
0
10
20
30
40
50
60
70
80
90
100
0.5 1 1.5 2
Ak
ura
si (
%)
Sigma
29%
29%
28
Gambar 4.3. Grafik Perbandingan Akurasi Terhadap k Metode Harris Corner
Detection dengan Sigma = 2 Percobaan Pertama
Besar kecilnya nilai sigma pada Harris Corner Detection akan berpengaruh
pada jumlah titik sudut yang di deteksi oleh sistem. Hasil penggunaan nilai sigma 1
dengan nilai sigma 5 dapat dilihat pada Gambar 4.4.
(a) (b)
Gambar 4.4. Perbandingan Hasil Penggunaan Nilai Sigma 1.5 dengan Sigma 5.
(a) Hasil penggunaan nilai sigma 1, (b) Hasil penggunaan nilai sigma 5.
Nilai sigma pada Harris Corner Detection berpengaruh pada lebar sempitnya
rentang low pass filter yang memberikan efek blurring pada citra. Karena itulah nilai
sigma berpengaruh pada proses pendeteksian titik sudut. Semakin besar nilai sigma,
semakin blur citra dan semakin sedikit titik sudut yang terdeteksi.
Nilai sigma juga mempengaruhi waktu komputasi sistem. Semakin besar nilai
sigma, semakin lama juga waktu komputasi yang dibutuhkan oleh sistem. Pada
percobaan pertama, dilakukan penggunaan maksimal nilai sigma 2 dan menghasilkan
akurasi yang lebih baik daripada penggunaan nilai sigma 1, namun memakan waktu
komputasi yang lebih besar, yaitu mencapai 70.6 mili detik.
0
10
20
30
40
50
60
70
80
90
100
0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1 0.11 0.12 0.13 0.14 0.15
Ak
ura
si (
%)
Konstanta Sensitvitas (k)
29%
29
Penggunaan sigma yang terlalu kecil akan meningkatkan jumlah titik yang
dianggap sudut oleh sistem dan mengganggu pendeteksian senyum. Skripsi ini
mendeteksi titik sudut bibir hanya dengan memilih koordinat titik sudut yang paling
kiri dan paling kanan saja, sehingga jika menghasilkan terlalu banyak titik sudut,
sistem akan salah menentukan titik sudut bibir seperti bisa dilihat pada Gambar 4.5.
(a) (b)
Gambar 4.5. Kesalahan Pendeteksian Titik Sudut Bibir pada Nilai Sigma yang Terlalu
Kecil. (a) Hasil Penggunaan Sigma 0.5, (b) Hasil Penggunaan Sigma 5.
Pada Gambar 4.5 dapat dilihat bahwa terjadi kesalahan menentukan titik sudut
bibir. Pada Gambar 4.5 (a), titik sudut bibir sebelah kanan dideteksi oleh sistem pada
posisi agak terlalu jauh dari posisi seharusnya. Sedangkan pada Gambar 4.5 (b), sudut
bibir sebelah kanan di deteksi oleh sistem secara tepat. Hal ini terjadi karena
penggunaan nilai sigma yang terlalu kecil.
Pemilihan nilai konstanta sensitivitas tidak terlalu mempengaruhi jumlah titik
sudut yang dideteksi pada skripsi ini. Berdasarkan percobaan sebelumnya, nilai
konstanta sensitivitas yang memberikan hasil terbaik adalah 0.04-0.15 [11] dan pada
skripsi ini nilai konstanta 0.04 yang memberikan akurasi terbaik.
4.3.2 Edge Based Corner Detection
Pada Edge Based Corner Detection, sistem akan melakukan deteksi tepi
dengan operator Sobel. Pada metode ini, diperoleh tingkat akurasi sebesar 42%
dengan waktu komputasi sebesar 50.9 mili detik. Kombinasi yang digunakan adalah
sigma sebesar 1.5 dan konstanta sensitivitas k sebesar 0.15. Kombinasi parameter
sigma dari nilai 0.5, 1, 1.5, dan 2 dan kombinasi nilai konstanta sensitivitas k mulai
dari 0.03, 0.04, 0.05, 0.06, 0.07, 0.08, 0.09, 0.1, 0.11, 0.12, 0.13, 0.14 dan 0.15.
Grafik akurasi terhadap kombinasi parameter Edge Based Corner Detection dapat
dilihat pada Gambar 4.6, Gambar 4.7, dan Gambar 4.8.
30
Gambar 4.6. Grafik Edge Based Corner Detection Percobaan Pertama
Gambar 4.7. Grafik Perbandingan Akurasi Terhadap Sigma Metode Edge Based
Corner Detection dengan k = 0.15 Percobaan Pertama
0
10
20
30
40
50
60
70
80
90
100
0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1 0.11 0.12 0.13 0.14 0.15
Ak
ura
si (
%)
Konstanta Sensitivitas (k)
Sigma 0.5
Sigma 1
Sigma 1.5
Sigma 2
0
10
20
30
40
50
60
70
80
90
100
0.5 1 1.5 2
Ak
ura
si (
%)
Sigma
42%
42%
31
Gambar 4.8. Grafik Perbandingan Akurasi Terhadap k Metode Edge Based Corner
Detection dengan Sigma = 1.5 Percobaan Pertama
Berdasarkan hipotesis, waktu komputasi Edge Based Corner Detection akan
lebih lama dibandingkan Harris Corner Detection. Berdasarkan percobaan,
penggunaan nilai parameter yang sama seperti yang digunakan pada Harris Corner
Detection (sigma bernilai 2 dan konstanta sensitivitas 0.04) waktu komputasi yang
dibutuhkan untuk metode Edge Based Corner Detection adalah sebesar 79.9 mili
detik. Sedikit lebih lama dibandingkan metode Harris Corner Detection.
Karena skripsi bertujuan untuk mencari akurasi terbaik, maka dipilih
parameter yang menghasilkan akurasi terbaik dari tiap metode.
4.3.3 FAST Corner Detection
Pada metode FAST Corner Detection, akurasi yang diperoleh adalah sebesar
59.5% dengan batas ambang 18 dan waktu komputasi 13.1 mili detik. Nilai batas
ambang yang digunakan pada skripsi ini dimulai dari 1 sampai 25. Grafik akurasi
terhadap kombinasi parameter FAST Corner Detection dapat dilihat pada Gambar
4.9.
0
10
20
30
40
50
60
70
80
90
100
0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1 0.11 0.12 0.13 0.14 0.15
Ak
ura
si (
%)
Konstanta Sensitivitas (k)
42%
32
Gambar 4.9. Grafik FAST Corner Detection pada Percobaan Pertama
Nilai batas ambang akan mempengaruhi jumlah titik yang dideteksi. Semakin
besar nilai batas ambang, semakin sedikit titik sudut yang terdeteksi, sebaliknya,
semakin kecil nilai batas ambang, semakin banyak titik sudut yang terdeteksi. Dapat
dilihat pada Gambar 4.10 adalah hasil penggunaan batas ambang 1 dan batas ambang
20.
(a) (b)
Gambar 4.10. Hasil Penggunaan Nilai Batas Ambang yang Berbeda Pada Citra Bibir.
(a) Hasil Penggunaan Nilai Batas Ambang 1, (b) Hasil Penggunaan Nilai Batas
Ambang 20.
Berdasarkan hipotesis, FAST Corner Detection memerlukan waktu komputasi
paling cepat namun akurasi paling rendah dibanding ketiga metode lainnya.
Berdasarkan hasil percobaan pertama, FAST Corner Detection terbukti memerlukan
waktu komputasi paling cepat tetapi juga memberikan tingkat akurasi paling baik. Ini
membuktikan bahwa titik sudut pada bibir manusia memiliki nilai intensitas yang
sangat berbeda dibanding intensitas daerah di sekitarnya sehingga lebih mudah
ditemukan dengan membandingkan nilai intensitas di sekelilingnya.
0
10
20
30
40
50
60
70
80
90
100
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Ak
ura
si (
%)
Batas Ambang
59.5%
33
4.4 Perbandingan Ketiga Metode pada Percobaan Kedua
Pada bagian ini dibandingkan akurasi dan waktu komputasi yang dihasilkan
oleh ketiga metode setelah citra masukan di pra proses menggunakan color
segmentation terlebih dahulu. Pada skripsi ini, segmentasi dilakukan pada ranah RGB.
Citra dengan nilai piksel Red < 80, Green > 80 dan Blue > 100 akan diubah nilainya
menjadi hitam (0), selain itu akan dipertahankan nilainya.
Tujuan dilakukannya color segmentation adalah memperkecil area deteksi
ketiga metode dan diharapkan mampu memperkecil kesalahan penentuan titik sudut
bibir. Dataset pengujian yang digunakan masih menggunakan dataset uji percobaan
pertama.
4.4.1 Harris Corner Detection
Kombinasi pra proses color segmentation dan Harris Corner Detection
mampu menghasilkan akurasi sebesar 69% dengan penggunaan nilai parameter sigma
sebesar 0.5 dan konstanta sensitivitas sebesar 0.08. Waktu komputasi yang
dibutuhkan adalah 48.8 mili detik. Grafik akurasi terhadap kombinasi parameter
Harris Corner Detection percobaan kedua dapat dilihat pada Gambar 4.11, Gambar
4.12, dan Gambar 4.13.
Gambar 4.11. Grafik Harris Corner Detection Percobaan Kedua
0
10
20
30
40
50
60
70
80
90
100
0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1 0.11 0.12 0.13 0.14 0.15
Ak
ura
si (
%)
Konstanta Sensitivitas (k)
Sigma 0.5
Sigma 1
Sigma 1.5
Sigma 2
69%
34
Gambar 4.12. Grafik Perbandingan Akurasi Terhadap Sigma Metode Harris
Corner Detection Dengan k = 0.08 Percobaan Kedua
Gambar 4.13. Grafik Perbandingan Akurasi Terhadap k Metode Harris Corner
Detection Dengan Sigma = 0.5 Percobaan Kedua
0
10
20
30
40
50
60
70
80
90
100
0.5 1 1.5 2
Ak
ura
si (
%)
Sigma
0
10
20
30
40
50
60
70
80
90
100
0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1 0.11 0.12 0.13 0.14 0.15
Ak
ura
si (
%)
Konstanta Sensitivitas (k)
69%
69%
35
Hasil Harris Corner Detection yang dikombinasikan dengan pra proses color
segmentation dapat dilihat pada Gambar 4.14.
(a)
(b)
Gambar 4.14. Perbandingan Hasil Harris Corner Detection. (a) Hasil Harris Corner
Detection tanpa Color Segmentation, (b) Hasil Harris Corner Detection dengan Color
Segmentation.
4.4.2 Edge Based Corner Detection
Pra proses color segmentation dan Edge Based Corner Detection mampu
menghasilkan akurasi sebesar 63.5% dengan penggunaan nilai parameter sigma
sebesar 1.5 dan konstanta sensitivitas sebesar 0.04. Waktu komputasi yang
dibutuhkan adalah 91.1 mili detik. Grafik akurasi terhadap kombinasi parameter Edge
Based Corner Detection pada Percobaan Kedua dapat dilihat pada Gambar 4.15,
Gambar 4.16 dan Gambar 4.17.
36
Gambar 4.15. Grafik Edge Based Corner Detection Percobaan Kedua
Gambar 4.16. Grafik Perbandingan Akurasi Terhadap Sigma Metode Edge Based
Corner Detection dengan k = 0.04 Percobaan Kedua
0
10
20
30
40
50
60
70
80
90
100
0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1 0.11 0.12 0.13 0.14 0.15
Ak
ura
si (
%)
Konstanta Sensitivitas (k)
Sigma 0.5
Sigma 1
Sigma 1.5
Sigma 2
0
10
20
30
40
50
60
70
80
90
100
0.5 1 1.5 2
Ak
ura
si (
%)
Sigma
63.5%
63.5%
37
Gambar 4.17. Grafik Perbandingan Akurasi Terhadap k Metode Edge Based Corner
Detection dengan Sigma = 1.5 Percobaan Kedua
4.4.3 FAST Corner Detection
Kombinasi pra proses color segmentation dan FAST Corner Detection
menghasilkan akurasi sebesar 66% dengan penggunaan nilai batas ambang sebesar 1
dan waktu komputasi yang dibutuhkan adalah 47.8 mili detik. Grafik kombinasi
parameter FAST Corner Detection pada percobaan kedua dapat dilihat pada Gambar
4.18.
Gambar 4.18. Grafik FAST Corner Detection Percobaan Kedua
0
10
20
30
40
50
60
70
80
90
100
0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1 0.11 0.12 0.13 0.14 0.15
Ak
ura
si (
%)
Konstanta Sensitivitas (k)
0
10
20
30
40
50
60
70
80
90
100
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Ak
ura
si (
%)
Batas Ambang
66%
63.5%
38
Dari ketiga percobaan diatas, terbukti color segmentation mampu
meningkatkan akurasi dengan konsekuensi menambah waktu komputasi. Sesuai
hipotesis, FAST Corner Detection memberikan waktu komputasi tercepat, Harris
Corner Detection di posisi kedua dan Edge Based Corner Detection memberikan
waktu komputasi paling lama. Berdasarkan tingkat akurasi, Harris Corner Detection
memberikan akurasi terbaik, FAST Corner Detection di posisi kedua dan Edge Based
Detection memberikan akurasi paling rendah.
Percobaan kedua ini membuktikan kombinasi edge detection dan color
segmentation kurang baik dalam menentukan titik sudut pada bibir. Percobaan ini
juga menunjukkan hasil yang berbeda dengan hipotesis, dimana Harris Corner
Detection akan memberikan akurasi terbaik.
4.5 Perbandingan Ketiga Metode pada Percobaan Ketiga
Pada percobaan ketiga ini dilakukan penggantian sebanyak 17 data pengujian
ekspresi tersenyum yang menghasilkan kesalahan deteksi menggunakan ketiga
metode dari percobaan kedua. Penggantian dilakukan karena rendahnya tingkat True
Positive dan tingginya tingkat True Negative. Hal ini biasanya disebabkan karena
dataset pengujian yang digunakan kurang baik, maka dari itu dipilih data yang
dideteksi salah oleh sistem menggunakan ketiga metode.
Dari total 17 data uji ekspresi tersenyum yang akan diganti, 16 diantaranya
merupakan ekspresi tersenyum tipis. Dari sini dapat disimpulkan bahwa ekspresi
tersenyum tipis masih sulit dideteksi walaupun sistem sudah mampu menemukan titik
sudut pada bibir. Gambar 4.19 merupakan sampel dari data uji ekspresi tersenyum
yang dideteksi salah oleh ketiga metode.
Gambar 4.19. Sampel Data Uji Ekspresi Tersenyum yang Dideteksi Salah Oleh
Ketiga Metode
Penggantian data uji ekspresi tersenyum untuk percobaan ketiga ini
disesuaikan dengan ekspresi yang berkaitan. Total 16 data uji dengan ekspresi
tersenyum tipis dari percobaan kedua diganti menjadi 16 data uji baru dengan
ekspresi tersenyum tipis juga, dan 1 data uji dengan ekspresi tersenyum lebar dari
39
percobaan kedua, diganti 1 data uji baru dengan ekspresi tersenyum lebar juga.
Dengan begini, komposisi data uji tetap seimbang, yaitu 50 data uji dengan ekspresi
tersenyum tipis dan 50 data uji dengan ekspresi tersenyum lebar. Percobaan ketiga ini
menggunakan pra proses color segmentation.
4.5.1 Harris Corner Detection
Terjadi peningkatan akurasi yang sangat signifikan pada metode Harris
Corner Detection, yaitu menjadi sebesar 77.5% dengan kombinasi parameter yang
sama, yaitu nilai sigma 0.5 dan konstanta sensitivitas sebesar 0.08 sedangkan waktu
komputasinya sebesar 49.2 mili detik. Grafik akurasi terhadap kombinasi parameter
Harris Corner Detection pada percobaan ketiga dapat dilihat pada Gambar 4.20,
Gambar 4.21, dan Gambar 4.22.
Gambar 4.20. Grafik Harris Corner Detection pada Percobaan Ketiga
0
10
20
30
40
50
60
70
80
90
100
0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1 0.11 0.12 0.13 0.14 0.15
Ak
ura
si (
%)
Konstanta Sensitivitas (k)
Sigma 0.5
Sigma 1
Sigma 1.5
Sigma 2
77.5%
40
Gambar 4.21. Grafik Perbandingan Akurasi Terhadap Sigma Metode Harris Corner
Detection dengan k = 0.08 Percobaan Ketiga
Gambar 4.22. Grafik Perbandingan Akurasi Terhadap k Metode Harris Corner
Detection dengan Sigma = 0.5 Percobaan Ketiga
4.5.2 Edge Based Corner Detection
Terjadi peningkatan akurasi pada metode Edge Based Corner Detection, yaitu
menjadi sebesar 70% dengan kombinasi parameter yang sama, yaitu nilai sigma 1.5
dan konstanta sensitivitas sebesar 0.04 sedangkan waktu komputasinya sebesar 90.1
mili detik. Grafik akurasi terhadap kombinasi parameter Edge Based Corner
0
10
20
30
40
50
60
70
80
90
100
0.5 1 1.5 2
Ak
ura
si (
%)
Sigma
0
10
20
30
40
50
60
70
80
90
100
0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1 0.11 0.12 0.13 0.14 0.15
Ak
ura
si (
%)
Konstanta Sensitivitas (k)
77.5%
77.5%
41
Detection pada percobaan ketiga dapat dilihat pada Gambar 4.23, Gambar 4.24 dan
Gambar 4.25.
Gambar 4.23. Grafik Edge Based Corner Detection pada Percobaan Ketiga
Gambar 4.24. Grafik Perbandingan Akurasi Terhadap Sigma Metode Edge Based
Corner Detection dengan k = 0.04 Percobaan Ketiga
0
10
20
30
40
50
60
70
80
90
100
0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1 0.11 0.12 0.13 0.14 0.15
Ak
ura
si (
%)
Konstanta Sensitivitas (k)
Sigma 0.5
Sigma 1
Sigma 1.5
Sigma 2
0
10
20
30
40
50
60
70
80
90
100
0.5 1 1.5 2
Ak
ura
si (
%)
Sigma
70%
70%
42
Gambar 4.25. Grafik Perbandingan Akurasi Terhadap k Metode Edge Based Corner
Detection dengan Sigma = 1.5 Percobaan Ketiga
4.5.3 FAST Corner Detection
Terjadi peningkatan akurasi pada metode FAST Corner Detection, yaitu
menjadi sebesar 72.5% dengan kombinasi nilai batas ambang sebesar 3 dan waktu
komputasi sebesar 46.6 mili detik. Grafik akurasi terhadap kombinasi parameter
FAST Corner Detection pada percobaan ketiga dapat dilihat pada Gambar 4.26.
Gambar 4.26. Grafik FAST Corner Detection pada Percobaan Ketiga
0
20
40
60
80
100
0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1 0.11 0.12 0.13 0.14 0.15
Ak
ura
si (
%)
Konstanta Sensitivitas (k)
0
10
20
30
40
50
60
70
80
90
100
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Ak
ura
si (
%)
Batas Ambang
70%
72.5%
43
Skripsi ini menggunakan variasi dataset subyek dengan warna kulit cerah
hingga sawo matang. Titik sudut yang dihasilkan setelah citra melalui pra proses
color segmentation tidak terpengaruh oleh variasi warna kulit subyek yang digunakan.
Seperti dapat dilihat pada Gambar 4.27 adalah perbandingan hasil pendeteksian sudut
pada subyek dengan warna kulit cerah dan subyek orang India yang memiliki warna
kulit sawo matang.
(a) (b)
Gambar 4.27. Perbandingan Hasil Pendeteksian Sudut Dengan Pra Proses Color
Segmentation Pada Subyek Dengan Warna Kulit Berbeda. (a) Hasil Pendeteksian
Sudut Pada Subyek Dengan Warna Kulit Cerah, (b) Hasil Pendeteksian Sudut Pada
Subyek Dengan Warna Kulit Sawo Matang.
Dari Gambar 4.27 (a) dan (b) dapat dilihat bahwa sistem mampu mendeteksi
titik sudut kedua citra dengan baik dan terbukti color segmentation tidak
mempengaruhi pendeteksian titik sudut pada subyek berkulit sawo matang. Gambar
4.27 (b) merupakan dataset yang diunduh dari database online wajah orang India
[15].
Dari ketiga percobaan yang telah dilakukan menggunakan metode Harris
Corner Detection, Edge Based Corner Detection dan FAST Corner Detection, tingkat
akurasi terbaik dan waktu komputasi untuk setiap metode dapat dilihat pada Tabel
4.1.
Tabel 4.1. Akurasi dan Waktu Komputasi Sistem Pendeteksi Senyum
Metode Akurasi (%) Waktu Komputasi (mili detik)
Percobaan 1
Harris Corner Detection 29 70.6
Edge Based Corner Detection 42 50.9
FAST Corner Detection 59.5 13.1
Percobaan 2
Harris Corner Detection 69 48.8
Edge Based Corner Detection 63.5 91.1
FAST Corner Detection 66 47.8
Percobaan 3
Harris Corner Detection 77.5 49.2
Edge Based Corner Detection 70 90.1
FAST Corner Detection 72.5 46.6
44
Telah dilakukan percobaan tambahan yaitu dengan menambahkan batas
ambang pada nilai rata-rata koordinat bibir ekspresi tersenyum sebanyak 3.5,
sehingga nilai rata-ratanya berubah dari 19.5 menjadi 23. Dari percobaan ini hanya
FAST Corner Detection yang mengalami peningkatan akurasi menjadi 81%. Tabel
kombinasi parameter FAST Corner Detection untuk penambahan batas nilai rata-rata
dapat dilihat pada Lampiran B.4.
4.6 Pendeteksian Senyum pada Citra dengan Subyek Lebih Dari Satu
Pada skripsi ini, juga dilakukan percobaan untuk mendeteksi senyum pada
citra dengan jumlah subyek lebih dari satu seperti dapat dilihat pada Gambar 4.28.
Bagian wajah setiap subyek akan dideteksi menggunakan metode Viola Jones, lalu
bibir setiap subyek akan dideteksi sudutnya menggunakan metode Harris Corner
Detection dengan pra proses color segmentation. Pemilihan metode Harris Corner
Detection karena berdasarkan percobaan mampu menghasilkan tingkat akurasi
tertinggi.
Gambar 4.28. Contoh Citra Dengan Subyek Lebih Dari Satu
Hasil pendeteksian akan dimunculkan pada command window MATLAB.
Pengujian dilakukan pada subyek berjumlah 2 hingga 6 pada satu citra. Berdasarkan
percobaan, citra yang dideteksi minimal berukuran 1500×1000 piksel dan wajah
subyek berada cukup dekat dengan kamera sehingga setelah dideteksi bagian
wajahnya dengan metode Viola Jones, ukuran bibir tidak terlalu kecil untuk dideteksi
45
sudutnya. Dari percobaan yang dilakukan, seluruh subyek pada citra berekspresi
tersenyum.
Dari hasil percobaan, metode Harris Corner Detection mampu mendeteksi
senyum pada subyek lebih dari satu dengan tingkat akurasi sebesar 75% pada setiap
citra nya. Tingkat akurasi ini diperoleh dengan menghitung jumlah subyek yang
dideteksi benar ekspresinya oleh sistem. Hasil pengujian sistem menggunakan metode
Harris Corner Detection dapat dilihat pada gambar 4.29.
Gambar 4.29. Hasil Pengujian Metode Harris Corner Detection Pada Citra Dengan
Subyek Lebih Dari Satu
Urutan penomoran subyek di sistem ini dimulai dari kiri atas, kanan atas, kiri
bawah, dan kanan bawah. Urutan ini sesuai dengan proses pendeteksian metode Viola
Jones yang mendeteksi wajah subyek dimulai dari sudut kiri atas citra dan berakhir di
sudut kanan bawah citra.
Berdasarkan percobaan, waktu yang dibutuhkan oleh sistem dalam mendeteksi
ekspresi tersenyum pada citra dengan subyek lebih dari satu berbanding lurus dengan
jumlah subyek pada citra tersebut. Semakin banyak subyek pada citra, semakin lama
waktu yang dibutuhkan untuk mendeteksi senyum. Source code deteksi senyum pada
citra dengan subyek lebih dari satu dapat dilihat pada Lampiran A.5.