bab iii analisis dan perancangan sistem
TRANSCRIPT
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
Perbandingan eigenface dan klustering..., M. Faizal Reza, FASILKOM UI, 2008
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
Perbandingan eigenface dan klustering..., M. Faizal Reza, FASILKOM UI, 2008
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
Perbandingan eigenface dan klustering..., M. Faizal Reza, FASILKOM UI, 2008
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
Perbandingan eigenface dan klustering..., M. Faizal Reza, FASILKOM UI, 2008
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.
Perbandingan eigenface dan klustering..., M. Faizal Reza, FASILKOM UI, 2008
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
Perbandingan eigenface dan klustering..., M. Faizal Reza, FASILKOM UI, 2008
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
Perbandingan eigenface dan klustering..., M. Faizal Reza, FASILKOM UI, 2008
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.
Perbandingan eigenface dan klustering..., M. Faizal Reza, FASILKOM UI, 2008
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)
Perbandingan eigenface dan klustering..., M. Faizal Reza, FASILKOM UI, 2008
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
Perbandingan eigenface dan klustering..., M. Faizal Reza, FASILKOM UI, 2008
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)
Perbandingan eigenface dan klustering..., M. Faizal Reza, FASILKOM UI, 2008
40
Gambar 4.1 Antar Muka Perolehan Citra Wajah
Gambar 4.2 Antar Muka Hasil Pencarian Citra Wajah
Perbandingan eigenface dan klustering..., M. Faizal Reza, FASILKOM UI, 2008
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
Perbandingan eigenface dan klustering..., M. Faizal Reza, FASILKOM UI, 2008
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
Perbandingan eigenface dan klustering..., M. Faizal Reza, FASILKOM UI, 2008
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
Perbandingan eigenface dan klustering..., M. Faizal Reza, FASILKOM UI, 2008
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)
Perbandingan eigenface dan klustering..., M. Faizal Reza, FASILKOM UI, 2008
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
Precision Skenario 3
Precision Skenario 4
Precision Skenario 5
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)
Perbandingan eigenface dan klustering..., M. Faizal Reza, FASILKOM UI, 2008
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
Precision Skenario 2
Precision Skenario 3
Precision Skenario 4
Precision Skenario 5
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
Perbandingan eigenface dan klustering..., M. Faizal Reza, FASILKOM UI, 2008
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.
Perbandingan eigenface dan klustering..., M. Faizal Reza, FASILKOM UI, 2008
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.
Perbandingan eigenface dan klustering..., M. Faizal Reza, FASILKOM UI, 2008