BAB 4 Hasil dan Pembahasan
4.2 Hasil dan Pembahasan Pengujian
4.2.1 Pengujian Algoritma Yolo
Pada proses pengujian terhadap algoritma Yolo, dari 20 citra yang digunakan, sistem berhasil mendeteksi bagian wajah manusia secara tepat untuk seluruh citra. Citra yang digunakan adalah citra yang diperoleh dari hasil pengambilan secara langsung menggunakan webcam. Tingkat keyakinan dari hasil yang didapatkan pun sangat tinggi, yakni dengan rata-rata 85%. Hasil pengujian secara detail dapat dilihat pada Lampiran 2. Hasil ini sudah sangat baik, akan tetapi tingkat keyakinan ini bisa saja diperbesar jika jumlah data latih diperbanyak.
26 4.2.2 Hasil Pengujian Algoritma CNN
Hasil pengujian untuk mengenali ekspresi wajah manusia menggunakan CNN, mendapatkan hasil yang kurang baik. Model belum dapat mengenali beberapa ekspresi wajah dengan benar. Terdapat 28 tes yang dilakukan, dari tes tersebut didapatkan hasil hanya sebagian saja yang berhasil. Hasil pengujian menunjukan rata-rata nilai akurasi sebesar 46,42%. Hasil pengujian secara detail dapat dilihat pada Lampiran 3.
Nilai akurasi yang kecil ini mungkin terjadi karena tidak seimbangnya jumlah data latih dan data uji untuk masing-masing kelas. Selain itu, algoritma CNN ini juga membutuhkan jumlah data yang besar, sehingga seharusnya nilai akurasi ini bisa diperbaiki apabila jumlah data diperbesar dan merata untuk seluruh kelas.
4.2.3 Hasil Pengujian Kesuluruhan Sistem
Setelah dilakukan pengujian keseluruhan sistem, hasil yang didapatkan masih kurang baik karena data citra dengan kelas jijik, kaget, dan takut tidak dapat dikenali dengan sempurna. Hal itu dikarenakan oleh ketidakseimbangannya jumlah data latih yang dimiliki pada masing-masing kelas ekspresi wajah. Hasil pengujian keseluruhan sistem dapat dilihat pada Tabel 3.
Tabel 3. Hasil Pengujian Keseluruhan Sistem
Video Happy Sad Shocked Disgust Angry Fear Neutral Kelas Dominan
Seluruh fungsi pada sistem dari hasil pengujian keseluruhan sistem berjalan dengan lancar. Proses pengambilan citra menggunakan webcam berjalan dengan lancar. Proses pemotongan citra wajah yang sudah dideteksi lokasinya oleh algoritma YOLO berjalan dengan lancar. Proses mengubah citra menjadi greyscale dan menggubah ukuran menjadi 48x48 piksel pada citra wajah yang sudah dipotong berjalan dengan lancar sehingga proses pengenalan menggunakan metode CNN dapat berjalan dengan baik. Memasukkan poin ekspresi ke basis data berjalan dengan baik.
27 BAB 5
Kesimpulan dan Saran
5.1 Kesimpulan
Dari serangkaian penelitian yang telah dilaksanakan, didapatkan kesimpulan sebagai berikut:
1. Model YOLO yang dilatih menggunakan jumlah epoch sebanyak 150 epoch dengan tingkat keyakinan rata-rata sebesar 85%. Dengan jumlah epoch sebanyak ini, YOLO dapat mendeteksi wajah pada citra dengan baik. Citra wajah yang diambil pun memiliki beragam ekspresi dan sudut.
2. Model CNN berarsitektur ResNet50 yang digunakan dalam penelitian ini memiliki performa yang kurang baik. Hal ini dibuktikan dengan akurasi model yang hanya sebesar 46,42%. Faktor yang menyebabkan model tidak dapat mengenali karakter dengan benar yaitu ketidakseimbangan jumlah data latih pada kelas data.
3. Secara keseluruhan sistem hanya 3 konten yang mendapatkan hasil yang sesuai dengan kelas ekspresinya. Semua konten mewakili 6 kelas ekspresi yaitu ekspresi marah, jijik, takut, senang, sedih, dan terkejut.
5.2 Saran
Saran yang dapat diberikan untuk pengembangan serta perbaikan sistem aplikasi secara keseluruhan adalah sebagai berikut:
1. Untuk proses deteksi wajah dapat menggunakan algoritma lain yang lebih ringan dikarenakan algoritma YOLO membutuhkan spesifikasi komputer yang cukup tinggi.
2. Untuk pengembangan model CNN dapat menambah jumlah data latih untuk kelas tertentu yang masih sedikit.
28 Daftar Pustaka
[1] Albelwi, Saleh; and Mahmood, Ausif. A Framework For Desaigning the Architectures of Deep Convolutional Neural Networks. https://www.mdpi.com/1099-4300/19/6/242.
24 Mei 2017.
[2] Das, Siddharth. CNN Architectures:LeNet, AlexNet, VGG, Google Net, ResNet and more ... https://medium.com/@sidereal/cnnsarchitectures-lenet-alexnet- vgg-googlenet-resnet-and-more666091488df5. 7 September 2019.
[3] Dataaspirant. Difference Between Softmax Function And Sigmoid Function.
https://dataaspirant.com/2017/03/07/difference-betweensoftmax- function-and-sigmoid-function/. 18 Januari 2019.
[4] Hallstrom, Erik. BackPropagation from the beginning.
https://medium.com/@erikhallstrm/backpropagation-from-thebeginning- 77356edf427d. 18 Januari 2019.
[5] Hollemans, Matthijs. Real-Time Object Detection With YOLO.
http://machinethink.net/blog/object-detection-with-yolo. 2 Oktober 2019.
[6] Ji, Qingge. Optimized Deep Convolutional Neural Networks for Identification of Macular Diseases from Optical Coherence Tomography Images.
https://www.researchgate.net/figure/Left-ResNet50-architecture-Blocks- with-dotted-line-represents-modules-that-might-be_fig3_331364877. Januari 2019.
[7] Maj, Michal. What is object detection? Introduction to YOLO algorithm.
https://appsilon.com/object-detection-yolo-algorithm/. 22 Agustus 2018.
[8] Rosebrock, Adrian. YOLO object detection with OpenCV.
https://www.pyimagesearch.com/2018/11/12/yolo-object-detection-with- opencv/. 12 November 2018.
[9] Saha, Sumit. A Comprehensive Guide To Convolutional Neural Networks – the ELI5 way. https://towardsdatascience.com/acomprehensive-guide-to- convolutional-neural-networks-the-eli5way-3bd2b1164a53. 3 September 2019.
[10] Sena, Samuel. Pengenalan Deep Learning Part 7 : Convolutional Neural Network (CNN). https://medium.com/@samuelsena/pengenalan-deep-learning- part-7-convolutional-neural-network-cnn-b003b477dc94. 13 November 2017.
[11] Sharma. Activation Functions: Neural Networks.
https://towardsdatascience.com/activation-functions-neuralnetworks- 1cbd9f8d91d6. 18 Januari 2019.
29 Lampiran 1
Hasil Black Box Testing
Gambar 10 Tampilan Antarmuka Program Modul Halaman Utama
Gambar 11 Tampilan Antarmuka Program Modul Register
30
Gambar 12 Tampilan Antarmuka Program Modul Login
Gambar 13 Tampilan Antarmuka Program Modul Upload Video
Gambar 14 Tampilan Antarmuka Program Modul Edit Video
31
Gambar 15 Tampilan Antarmuka Program Modul My Video
Gambar 16 Tampilan Antarmuka Program Modul Search
Gambar 17 Tampilan Antarmuka Program Modul Konten Modal PopUp
32
Gambar 18 Tampilan Antarmuka Program Fitur Setting Username
Gambar 19 Tampilan Antarmuka Program Fitur Setting Password
33 Lampiran 2
Hasil Pengujian Algoritma YOLO
Tabel 4 Hasil Pengujian YOLO
No Hasil Pengujian Tingkat
Keyakinan
1 75,63%
2 87,26%
3 82,61%
4 71,74%
5 79,93%
34
Tabel 4 (lanjutan)
6 54,44%
7 91,57%
8 95,59%
9 99,98%
10 94,19%
35
Tabel 4 (lanjutan)
11 79,30%
12 64,60%
13 98,26%
14 95,84%
15 77,63%
36
Tabel 4 (lanjutan)
16 77,59%
17 94,35%
18 90,21%
19 94,80%
20 84,36%
37
Tabel 4 (lanjutan)
21 97,49%
22 83,63%
23 86,81%
24 77,66%
25 92,88%
26 87,45%
38
Tabel 4 (lanjutan)
27 80,44%
28 84,88%
39 Lampiran 3
Hasil Pengujian Algoritma CNN
Tabel 5 Hasil Pengujian Model CNN
No Hasil Pengujian Hasil Yang
Diharapkan
Hasil Pengujian
1 Angry Angry
2 Disgust Happy
3 Fear Happy
4 Happy Happy
5 Neutral Neutral
40
Tabel 5 (Lanjutan)
6 Sad Sad
7 Shocked Shocked
8 Angry Sad
9 Disgust Happy
10 Fear Sad
41
Tabel 5 (Lanjutan)
11 Happy Happy
12 Neutral Neutral
13 Sad Sad
14 Shocked Shocked
15 Angry Angry
42
Tabel 5 (Lanjutan)
16 Disgust Neutral
17 Fear Happy
18 Happy Happy
19 Neutral Neutral
20 Sad Happy
43
Tabel 5 (Lanjutan)
21 Shocked Happy
22 Angry Sad
23 Disgust Anger
24 Fear Happy
25 Happy Happy
26 Neutral Sad
44
Tabel 5 (Lanjutan)
27 Sad Sad
28 Shocked Shocked