bab iv pengujian perangkat lunak dan analisis hasil...

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 (

%)


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 (

%)


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.


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 (

%)


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


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 (

%)


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.


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


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 (

%)


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


Detection dengan Sigma = 1.5 Percobaan Kedua


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 (

%)


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.


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 (

%)


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


Detection dengan Sigma = 0.5 Percobaan Ketiga


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 (

%)


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


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 (

%)


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


Detection dengan Sigma = 1.5 Percobaan Ketiga


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 (

%)


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.

bab iv pengujian perangkat lunak dan analisis hasil...

Documents