METODOLOGI PENELITIAN
HASIL DAN PEMBAHASAN
4.1 Hasil
Hasil yang dibahas meliputi pemilihan sampel pelatihan pola wajah, Penentuan koordinat dan deteksi interest point, Pengujian dengan variasi jumlah cluster, Pengujian keseluruhan sampel.
4.1.1 Sampel pelatihan pola wajah
Sampel pelatihan pola wajah yang digunakan dalam penelitian ini berjumlah 740 sampel yang mewakili sudut posisi pandangan wajah yang berbeda-beda, mulai dari +90°,+85°,+80°,+75°,+70°,+65°,+60°,+55°,+50°,+45°,+40°,+35°,+30°,+25°,+20°,+15°,+10°, +5°,0°,-5°,-10°, -15°,-20°,-25°,-30°,-35°,-40°,-45°,-50°,-55°,60°,-65°,-70°,-75°,-80°,-85°,-90°
vektor pola yang berbeda. Gambar 4.1 melampirkan beberapa sampel pola wajah dari berbagai sudut pandangan.
Gambar 4.1 Sampel pelatihan wajah yang digunakan
4.1.2 Penentuan koordinat dan deteksi interest point
Penentuan koordinat interest point pada citra wajah menggunakan grid step 8, dimana jarak antar interest point selanjutnya baik itu koordinat x (width) maupun y (height) yaitu berjarak 8 pixel. Setelah penentuan koordinat interest point ditentukan maka pixel yang menjadi value/informasi penting dari suatu citra akan dideteksi interest point dengan ditandai blob pada citra, sebagai contoh dapat dilihat pada gambar 4.2, gambar 4.3 dan gambar 4.4.
Gambar 4.2 Deteksi interest point k=50
Gambar 4.3 Deteksi interest point k=500
Gambar 4.4 Deteksi interest point k=1000
Pada gambar 4.2, gambar 4.3, gambar 4.4 perbedaan stonglest feature dengan jumlah cluster k 50, 500, 1000. Terlihat begitu banyak blob pada gambar citra wajah yang menjadi informasi penting pada suatu citra tanda blob tersebut merupakan stonglest feature, perbedaan antara blob kecil dan besar hanya pada jumlah informasi yang dikandung pada citra tersebut yang menjadi stonglest feature.
4.1.3 Analisa ekstraksi fitur
Sampel wajah yang digunakan dalam penelitian ini akan di ekstrak dengan menggunakan SURF. Bobot ekstraksi fitur dapat dilihat pada tabel 4.1.
Tabel 4.1 Ekstraksi dengan jumlah cluster k=50
No Subjek Wajah Bobot Ekstraksi
1
0.072932497 0 0 0.21879749
0.43759498 0.072932497 0.14586499 0
0.072932497 0 0.072932497 0 0
0.51052743 0.072932497 0 0.14586499 0.14586499 0.072932497 0 0.21879749
0.072932497 0.14586499 0 0
0.072932497 0.072932497 0 0.072932497 0 0.29172999 0.14586499 0.14586499 0.14586499 0 0.072932497 0.21879749 0 0.072932497 0.072932497 0
0.29172999 0.072932497 0 0.072932497
0 0 0.072932497 0 0
2
0.13274467 0.066372335 0.066372335
0.13274467 0.33186167 0 0.066372335
0 0.066372335 0 0.13274467
0.13274467 0 0.33186167 0.19911700 0.066372335 0.066372335 0.33186167
0.066372335 0 0.19911700 0
0.13274467 0 0 0.26548934
0.066372335 0.066372335 0 0 0
0.13274467 0 0.19911700 0
0.19911700 0.13274467 0.066372335 0.19911700 0 0.066372335 0.39823401
0.066372335 0.066372335 0 0 0
0.066372335 0.19911700 0.13274467
3
0.089087084 0.089087084 0 0.089087084 0.35634834 0 0.17817417 0.089087084
0.089087084 0 0 0.089087084 0
0.089087084 0 0 0.089087084
0.17817417 0.089087084 0 0.089087084
0 0.35634834 0 0 0.26726124
0 0.089087084 0 0.089087084
0.26726124 0.089087084 0 0.44543540 0.089087084 0.26726124 0.089087084 0.089087084 0.089087084 0 0 0.26726124 0.089087084 0.089087084
0.089087084 0 0 0 0.089087084
0.17817417
4
0.23145503 0 0.077151679 0.077151679
0.15430336 0 0 0.077151679
0.077151679 0 0.15430336 0.38575837
0 0 0.15430336 0.077151679
0.15430336 0.15430336 0.15430336 0
0 0 0.15430336 0 0
0.30860671 0.077151679 0.077151679 0 0 0.23145503 0.15430336 0.077151679 0.15430336 0 0.15430336 0.15430336
0.077151679 0 0 0 0.30860671
0.23145503 0 0 0 0.077151679
0.15430336 0.077151679 0.38575837
5
0.15617377 0 0 0.078086883 0.15617377 0 0.078086883 0.15617377
0.078086883 0 0 0.46852127 0
0.078086883 0.078086883 0 0.078086883 0.23426063 0.15617377 0.078086883 0 0.15617377 0.15617377 0.15617377 0 0.31234753 0.15617377 0.078086883 0 0 0.078086883 0.078086883 0.078086883
0.15617377 0 0.23426063 0
0.15617377 0.078086883 0 0
0.39043438 0.078086883 0 0
0.15617377 0.078086883 0.078086883 0.078086883 0.23426063
6
0.10050379 0 0 0 0.10050379
0 0 0.10050379 0 0
0.40201515 0.30151135 0 0.20100757 0 0.20100757 0.20100757 0.10050379
0 0.30151135 0.10050379 0 0
0 0.20100757 0.10050379 0
0.10050379 0.10050379 0.40201515
0.10050379 0.20100757 0 0 0
0 0.10050379 0.10050379 0.10050379
0 0 0.20100757 0.20100757 0
0.47733438 0.47733438 0 0.15911146 0.079555728 0.15911146 0.15911146 0
0 0.15911146 0 0.079555728 0
0 0.079555728 0.079555728 0
0.079555728 0 0.39777863 0.079555728 0.079555728 0.079555728 0.079555728 0 0.079555728 0.15911146 0.079555728
0.079555728 0 0.079555728 0.23866719
0.23866719 0 0 0 0.079555728
0.079555728 0.079555728 0
8
0.30618620 0.10206207 0.10206207 0 0.10206207 0.10206207 0 0.10206207 0.10206207 0.20412414 0.20412414
0.20412414 0.10206207 0.30618620
0.10206207 0.10206207 0 0 0
0.20412414 0.10206207 0.20412414 0 0 0.20412414 0.10206207 0.10206207 0 0.10206207 0.20412414 0.10206207 0.10206207 0.10206207 0.10206207 0 0.10206207 0.10206207 0.40824828
0.10206207 0 0.20412414 0.20412414 0.20412414 0 0.10206207 0.10206207
0 0 0 0
0.073720977 0 0 0.073720977
0.36860490 0 0.073720977 0
0.073720977 0.14744195 0 0
0.58976781 0.14744195 0 0 0
0.14744195 0.14744195 0.073720977
0.14744195 0 0.073720977 0.073720977 0.073720977 0.073720977 0 0
0.44232586 0.14744195 0.14744195 0
0.14744195 0 0.073720977 0
0.14744195
4.1.4 Pengujian dengan jumlah cluster k=50
Hasil pengujian secara umum dapat diilustrasikan pada tabel 4.2 Tabel 4.2 Pengujian jumlah cluster k=50
No Subjek Wajah Dikenali Pada Subjek
1 Subjek 1
2 Subjek 1
3 Subjek 1
4 Subjek 1
5 Subjek 1
6 Subjek 1
7 Subjek 1
8 Subjek 1
… … …
740 Subjek 1
Pada tabel 4.2 mengilustrasikan hasil pengujian secara umum dengan menampilkan beberapa subjek wajah, hasil pengujian secara keseluruhan dapat dilihat pada tabel 4.3.
4.1.5 Pengujian dengan variasi jumlah cluster
Pada subjek http://robotics.csie.ncku.edu.tw/Databases/OurDatabase/ Subjek01-10.zip dilakukan pengujian dengan jumlah cluster yang berbeda-beda, guna untuk memperoleh tingkat akurasi yang paling tinggi, jumlah cluster yang diuji yaitu dengan jumlah cluster k=50, k=100, k=200, k=300, k=400, k=500 dan k=1000, hasil pengujian dari masing-masing cluster dapat dilihat pada tabel 4.3, tabel 4.4, tabel 4.5, tabel 4.6, tabel 4.7, tabel 4.8 dan tabel 4.9.
Tabel 4.3 Pengujian dengan jumlah cluster k=50
Nama Subjek
Subjek01 Subjek02 Subjek03 Subjek04 Subjek05 Subjek06 Subjek07 Subjek08 Subjek09 Subjek10
Subjek01 0.90 0.00 0.00 0.07 0.00 0.00 0.00 0.03 0.00 0.00
Pada tabel 4.3 merupakan hasil pengujian dengan jumlah cluster k=50, secara umum pada cluster k=50 hasil klasifikasi tingkat akurasi sudah bagus, hanya pada subjek02 tingkat akurasi yang dicapai 73%, subjek04 dan subjek01 tingkat akurasi 90% dan subjek05 tingkat akurasi mencapai 93%, sedangkan pada subjek03, subjek06, subjek07, subjek08, subjek09 dan subjek10 hasil klasifikasi mencapai 100%. Dengan rata-rata hasil akurasi 94.60%. pada subjek01 terjadi kesalahan dalam klasifikasi sebesar 10% yaitu dikenali pada subjek04 sebesar 7% dan subjek08 sebesar 3%. Pada subjek02 terjadi kesalahan klasifikasi sebesar 27% yaitu dikenali pada subjek03 sebesar 27%. Pada subjek04 terjadi kesalahan klasifikasi sebesar 10% yaitu dikenali pada subjek03 sebesar 7% dan subjek07 sebesar 3%. Pada subjek05 terjadi kesalahan klasifikasi sebesar 7% yaitu pada subjek03 sebesar 7%.
Tabel 4.4 Pengujian dengan jumlah cluster k=100
Nama Subjek
Subjek01 Subjek02 Subjek03 Subjek04 Subjek05 Subjek06 Subjek07 Subjek08 Subjek09 Subjek10
Subjek01 1.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
Pada tabel 4.4 merupakan hasil pengujian dengan jumlah cluster k=100, secara umum pada cluster k=100 hasil klasifikasi sudah lebih baik dibandingakan pada jumlah cluster k=50, pada subjek02 terjadi peningkatan hingga mencapai 93%, subjek05 juga terjadi peningkatan mencapai 97%, sedangkan pada subjek01, subjek03, subjek04, subjek06, subjek07, subjek08, subjek09 dan subjek10 hasil klasifikasi mencapai 100%. Dengan hasil akurasi rata-rata 99%. Pada subjek02 terjadi kesalahan klasifikasi sebesar 7% yaitu pada subjek03 sebesar 7%. Pada subjek05 terjadi kesalahan klasifikasi sebesar 3% yaitu pada subjek03 sebesar 3%.
Tabel 4.5 Pengujian dengan jumlah cluster k=200
Nama Subjek
Subjek01 Subjek02 Subjek03 Subjek04 Subjek05 Subjek06 Subjek07 Subjek08 Subjek09 Subjek10
Subjek01 1.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 Pada tabel 4.5 merupakan hasil pengujian dengan jumlah cluster k=200, secara umum pada cluster k=200 hasil klasifikasi sudah lebih baik dibandingakan pada jumlah cluster k=100, hanya pada subjek04 tingkat akurasi mencapai hingga mencapai 93%, sedangkan pada subjek01, subjek02, subjek03, subjek05, subjek06, subjek07, subjek08, subjek09 dan subjek10 hasil klasifikasi mencapai 100%. Dengan hasil akurasi rata-rata 99.70%. Pada subjek04 terjadi kesalahan klasifikasi sebesar 3% yaitu pada subjek03 sebesar 3%.
Tabel 4.6 Pengujian dengan jumlah cluster k=300
Nama Subjek
Subjek01 Subjek02 Subjek03 Subjek04 Subjek05 Subjek06 Subjek07 Subjek08 Subjek09 Subjek10
Subjek01 1.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 Pada tabel 4.6 merupakan hasil pengujian dengan jumlah cluster k=300, secara umum pada cluster k=300 hasil klasifikasi sudah lebih baik dibandingakan pada jumlah cluster k=100, hanya pada subjek04 tingkat akurasi mencapai hingga mencapai 93%,
sedangkan pada subjek01, subjek02, subjek03, subjek05, subjek06, subjek07, subjek08, subjek09 dan subjek10 hasil klasifikasi mencapai 100%. Hasil klasifikasi pada jumlah cluster k=300 sama dengan hasil klasifikasi pada jumlah cluster k=200 yaitu dengan rata-rata 99.70%. Pada subjek04 terjadi kesalahan klasifikasi sebesar 3%
yaitu pada subjek03 sebesar 3%.
Tabel 4.7 Pengujian dengan jumlah cluster k=400
Nama Subjek
Subjek01 Subjek02 Subjek03 Subjek04 Subjek05 Subjek06 Subjek07 Subjek08 Subjek09 Subjek10
Subjek01 1.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 Pada tabel 4.7 merupakan hasil pengujian dengan jumlah cluster k=400, secara umum pada cluster k=400 hasil klasifikasi sudah lebih baik dibandingakan pada jumlah cluster k=100, hanya pada subjek04 tingkat akurasi mencapai hingga mencapai 93%, sedangkan pada subjek01, subjek02, subjek03, subjek05, subjek06, subjek07, subjek08, subjek09 dan subjek10 hasil klasifikasi mencapai 100%. Hasil klasifikasi pada jumlah cluster k=400 sama dengan hasil klasifikasi pada jumlah cluster k=200 dan cluster k=200 yaitu dengan rata-rata 99.70%. Pada subjek04 terjadi kesalahan klasifikasi sebesar 3% yaitu pada subjek03 sebesar 3%.
Tabel 4.8 Pengujian dengan jumlah cluster k=500
Nama Subjek
Subjek01 Subjek02 Subjek03 Subjek04 Subjek05 Subjek06 Subjek07 Subjek08 Subjek09 Subjek10
Subjek01 1.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
Subjek07 0.00 0.00 0.00 0.00 0.00 0.00 1.00 0.00 0.00 0.00 Subjek08 0.00 0.00 0.00 0.00 0.00 0.00 0.00 1.00 0.00 0.00 Subjek09 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 1.00 0.00 Subjek10 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 1.00
Pada tabel 4.8 menunjukkan hasil klasifikasi dengan jumlah cluster k=500, pada jumlah cluster k=500 memperoleh hasil yang sangat maksimal dalam klasifikasi yaitu 100% sampel dapat dikenali.
Tabel 4.9 Pengujian dengan jumlah cluster k=1000
Nama Subjek
Subjek01 Subjek02 Subjek03 Subjek04 Subjek05 Subjek06 Subjek07 Subjek08 Subjek09 Subjek10
Subjek01 1.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 pada cluster k=1000 hasil klasifikasi menurun dari hasil klasifikasi pada jumlah cluster k=500 hingga mencapai rata-rata akurasi 93.70%. Pada subjek03 terjadi kesalahan klasifikasi sebesar 63% yaitu pada subjek02 sebesar 63%.
Berdasarkan hasil pengujian dengan jumlah cluster k yang bervariasi, ditemukan hasil akurasi yang paling maksimal terdapat pada jumlah cluster k=500 dengan akurasi 100%, sedangkan pada cluster k=50 akurasi yang diperoleh 94.60%, pada cluster k=100 akurasi yang diperoleh 99.00%, pada cluster k=200 akurasi yang diperoleh 99.70%, pada cluster k=300 akurasi yang diperoleh 99.70%, pada cluster k=400 akurasi yang diperoleh 99.70%, pada cluster k=1000 akurasi menurun hingga 93.70%, hasil akurasi dengan persentasi yang sama di tunjukkan pada jumlah cluster k=200, k=300 dan k=400 disebabkan nilai stonglest feature pada kondisi yang sama sehingga tidak berpengaruh terhadap hasil akurasinya.
Bag of feature index visual word dengan variasi nilai cluster k dapat diilustrasikan pada gambar 4.5, gambar 4.6, gambar 4.7 dan gambar 4.8.
Gambar 4.5 Kemunculan Visual Word pada nilai k=50
Pada gambar 4.5 menunjukkan hasil frekuensi visual word pada nilai k=50 dengan masing-masing tingkat bobot informasi stronglest feature yang berbeda-beda.
Gambar 4.6 Kemunculan Visual Word pada nilai k=500
Pada gambar 4.6 menunjukkan hasil frekuensi visual word pada nilai k=500 dengan masing-masing tingkat bobot informasi stronglest feature yang berbeda-beda ada bobot frekuensi yang kecil dan ada juga bobot frekuensi yang besar.
Gambar 4.7 Kemunculan Visual Word pada nilai k=1000
Pemilihan jumlah nilai cluster k sangat berpengaruh terhadap hasil akurasi klasifikasi, nilai cluster k=50 menunjukkan kerenggangan visual word sehingga hasil klasifikasi belum maksimal, sedangkan pada jumlah nilai cluster k=500 sudah memberikan hasil klasifikasi yang sangat memuaskan dengan tingkat kerapatan visual word yang sangat baik antara masing-masing indexnya.
Jumlah nilai cluster k yang lebih besar belum tentu menunjukkan hasil klasifikasi yang maksimal, sepertinya kasusnya jumlah nilai cluster k=1000 yang dapat dilihat pada tabel 4.7 hasil akurasi berkurang 6% dari jumlah nilai cluster k=500 yaitu dengan tingkat akurasi 93.70%, berdasarkan test and error dapat diputuskan bahwa pemilihan jumlah nilai cluster k sangat berpengaruh terhadap hasil klasifikasi sehingga butuh algoritma baru untuk menentukan jumlah cluster k agar hasil klasifikasi dapat berjalan lebih baik.
4.1.6 Pengujian keseluruhan sampel
Pada pengujian sebelumnya ditemukan jumlah cluster k yang terbaik adalah k=500, jumlah cluster k=500 akan digunakan pada pengujian terhadap 4 model sampel lainnya,
Pada subjek http://robotics.csie.ncku.edu.tw/Databases/OurDatabase/Subject11-20.zip hasilnya akurasi dapat dilihat pada tabel 4.10
Tabel 4.10 Pengujian dengan jumlah cluster k=500
Nama Subjek
Subjek01 Subjek02 Subjek03 Subjek04 Subjek05 Subjek06 Subjek07 Subjek08 Subjek09 Subjek10
Subjek01 1.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 juga memperoleh hasil yang sangat maksimal yaitu keseluruhan sampel dapat dikenali dengan baik atau tingkat akurasinya mencapai 100%.
Pada subjek http://robotics.csie.ncku.edu.tw/Databases/OurDatabase/Subject21-30.zip hasilnya akurasi dapat dilihat pada tabel 4.11
Tabel 4.11 Pengujian dengan jumlah cluster k=500
Nama Subjek
Subjek01 Subjek02 Subjek03 Subjek04 Subjek05 Subjek06 Subjek07 Subjek08 Subjek09 Subjek10
Subjek01 1.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 Hasil klafikasi pada model ketiga dengan menggunakan jumlah nilai cluster k=500 juga memperoleh hasil yang sangat maksimal yaitu keseluruhan sampel dapat dikenali dengan baik atau tingkat akurasinya mencapai 100%.
Pada subjek http://robotics.csie.ncku.edu.tw/Databases/OurDatabase/Subject31-40.zip hasilnya akurasi dapat dilihat pada tabel 4.12
Tabel 4.12 Pengujian dengan jumlah cluster k=500
Nama Subjek
Subjek01 Subjek02 Subjek03 Subjek04 Subjek05 Subjek06 Subjek07 Subjek08 Subjek09 Subjek10
Subjek01 1.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
Hasil klafikasi pada model ke empat dengan menggunakan jumlah nilai cluster k=500 juga memperoleh hasil yang sangat maksimal yaitu keseluruhan sampel dapat dikenali dengan baik atau tingkat akurasinya mencapai 100%.
Pada subjek http://robotics.csie.ncku.edu.tw/Databases/OurDatabase/Subject41-50.zip hasilnya akurasi dapat dilihat pada tabel 4.13
Tabel 4.13 Pengujian dengan jumlah cluster k=500
Nama Subjek
Subjek01 Subjek02 Subjek03 Subjek04 Subjek05 Subjek06 Subjek07 Subjek08 Subjek09 Subjek10
Subjek01 1.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
Hasil klafikasi pada model ke lima dengan menggunakan jumlah nilai cluster k=500 juga memperoleh hasil yang sangat maksimal yaitu keseluruhan sampel dapat dikenali dengan baik atau tingkat akurasinya mencapai 100%.
4.2 Pembahasan
Berdasarkan hasil penelitian yang telah dilakukan, hasil klasifikasi wajah berdasarkan sudut dengan menggunakan SURF sebagai ekstraksi fitur dan SVM sebagai klasifikasinya maka hasil klasifikasi yang diperoleh yaitu sangat bergantung pada jumlah nilai cluster k, jika nilai cluster k kecil hasil belum maksimal begitu juga dengan jumlah nilai cluster k yang besar hasil juga bisa menjadi tidak akurat, sehingga penentuan jumlah cluster k sangat berpengaruh terhadap hasil klasifikasinya.
4.3 Kontribusi
Berdasarkan hasil penelitian yang telah dilakukan, kontribusi yang dapat diambil yaitu parameter wajah dengan berbagai sudut, baik sisi kiri wajah, tampak depan maupun sisi kanan wajah itu merupakan permasalah yang rumit, pada umumnya penelitian-penelitian sebelumnya hanya membahas posisi wajah tampak depan saja tidak menggunakan posisi wajah dari berbagai sudut. Penelitian sebelumnya tidak membahas jumlah nilai k sebagai jumlah cluster stonglest value yang digunakan sebagai acuan klasifikasi SVM. Sedangkan pada penelitian ini membahas jumlah nilai k yang digunakan sebagai jumlah cluster stonglest value sebelum proses klasifikasi SVM, nilai k yang diuci coba dalam penelitian ini yaitu k=50, k=100, k=200, k=300, k=400, k=500 dan k=1000. Jumlah k cluster stonglest value yang menjadi hasil klasifikasi paling maksimal menunjukkan pada k=500.