BAB III PERANCANGAN SISTEM
3.6 Prosedur Perancangan Sistem
Untuk mengetahui lebih jelas mengenai prosedur perancangan sistem dari skripsi ini, maka akan digambarkan melalui sebuah diagram alir (flowchart).
Gambar diagram alir (flowchart) dari penelitian yang akan dilakukan, ditunjukkan pada Gambar 3.2.
Gambar 3.2 Diagram alir (flowchart) penelitian
Mulai
Pengumpulan Data Wajah
Data Preproses
Data (48.000)
Data Train (75 %)
Selesai Prediksi / Proses
Pengenalan
Data Test (25 %)
Training Data dengan Deep Learning (Model
CNN)
Model Hasil Training
Adapun dalam perancangan sistem pada penelitian ini, yang digambarkan melalui diagram alir (flowchat) pada gambar 3.2 diatas dapat diuraikan melalui tiga tahapan berikut ini :
1) Tahap persiapan a) Persiapan hardware
Laptop
Kamera webcam b) Persiapan software
Bahasa pemprograman python
Jupyter Notebook
Library OpenCV, tensorflow dan library pendukung lainnya
Visual Studio dan Cuda untuk training dengan GPU c) Persiapan data
Data awal berjumlah 40 untuk setiap kelas, lalu dibagi menjadi 75 % untuk data train dan 25 % untuk data test.
Semua data dilakukan preproses (augmentation dan resizing) untuk mendapatkan data yang lebih banyak dan lebih bervariasi
2) Tahap Perancangan a) Training data
Training data dilakukan untuk melatih model arsitektur dari CNN yang didalamnya terdapat dataset wajah agar dapat memahami informasi pada data tersebut. Dan di proses training data inilah mesin atau komputer akan mempelajari pola dan mengekstraksi dataset wajah yang ada berdasarkan model arsitektur CNN yang telah dibuat. Jika data train mampu mempelajari dan mengeneralisir data dengan baik, maka kemungkinan data train akan bisa juga mempelajari dan mengeneralisir data baru yakni data test. Tetapi jika Jika data train tidak mampu mempelajari dan mengeneralisir data dengan baik, tentunya data train tidak akan bisa mempelajari dan mengeneralisir data baru (data test), dimana kondisi ini yang akan menyebabkan underfitting, underfitting yaitu nilai training accuracy dan validation accuracy yang rendah serta nilai training loss dan
validation loss yang cenderung tinggi. Sampel program untuk proses training data ditunjukkan pada Gambar 3.3.
Gambar 3.3 Sampel program untuk proses training
Setelah memilih model deep learning yang paling sesuai untuk pembuatan face recognition, dimana model yang dipilih yaitu CNN (Convolutional Neural Network), maka dari itu, peneliti akan membandingan penggunaan jumlah lapisan (layer) pada model arsitektur CNN. Hal ini dilakukan untuk mendapatkan model arsitektur terbaik yang nantinya akan digunakan untuk pengujian. Parameter-parameter yang akan diamati dari perbandingan jumlah layer ini yaitu perbandingan akurasi dan loss serta waktu pelatihan (training). Hasil eksperimen percobaan dari penggunaan jumlah lapisan (layer) model arsitektur CNN dapat dilihat pada Tabel 3.2.
Tabel 3.2. Perbandingan Akurasi dan Loss serta Waktu Training Dataset Berdasarkan Banyaknya Jumlah Lapisan (Layer) dari Arsitektur Model CNN
yang Dilatih (Trained)
Dari hasil percobaan pada Tabel 3.2, dapat disimpulkan bahwa hasil terbaik diperoleh pada percobaan ke 33 dengan training accuracy sebesar 100 % dan validation accuracy 99.28 % serta loss training sebesar 0.00018 dan validation loss 0.02. Dimana keduanya yakni accuracy (training dan validation) serta loss (training dan validation) memiliki selisih nilai / jarak yang tidak begitu jauh dibandingkan dengan hasil pada percobaan 1 sampai 32, sehingga dapat dikatakan model pada percobaan ke 33 tidak overfitting.
Model dengan hasil terbaik inilah yang nantinya akan digunakan untuk pengujian dalam proses pengenalan (recognition). Selain itu dapat dilihat juga bahwa semakin banyak layer yang dilatih, maka waktu pelatihan (training) juga semakin lama dengan lamanya training 2 jam 35 detik pada percobaan ke 33.
Penambahan layer pada setiap percobaan dilakukan secara random (acak) dengan naik sebanyak 5 hingga 20 layers setiap percobaan. Hal ini dilakukan karena penambahan layer dengan selisih yang lebih kecil yakni naik 2 layers hingga 4 layers untuk setiap percobaan hasilnya tidak begitu terlihat perubahan accuracy dan loss keduanya. Tujuan dilakukan banyak percobaan adalah untuk mendapatkan akurasi training dan validation yang tinggi serta loss training dan testing yang serendah - rendahnya seberapa banyakpun layer yang digunakan.
Semua percobaan diatas dilatih menggunakan GPU laptop agar proses training bisa lebih cepat jika dibandingkan dengan menggunakan CPU. Dan semua percobaan juga dilatih dengan jumlah data yang sama serta epoch yang sama yakni 20. Tampilan proses training data yang diambil dari hasil percobaan terbaik yakni percobaan ke 33 dengan 20 epoch terlihat pada Gambar 3.4.
Gambar 3.4 Tampilan proses training data
Setelah proses training dilakukan, tampilan grafik accuracy dan loss bisa dilihat dengan membuat program plot model ataupun melalui tensorboard. Berikut ini contoh program untuk menampilkan grafik accuracy dan loss serta tampilan grafik accuracy dan loss pada penelitian ini ditunjukkan pada Gambar 3.5 dan 3.6.
Gambar 3.5 Program untuk menampilkan grafik accuracy dan loss
Gambar 3.5 Grafik accuracy dan loss
Dari grafik pada Gambar 3.5, dapat dilihat bahwa training accuracy mencapai angka 100 % dan validation accuracy mencapai 99.28 % setelah melalui 20 epochs. Epoch adalah parameter untuk seluruh dataset yang sudah melalui proses pelatihan pada model arsitektur deep learning untuk sekali putaran penuh, dan jika mengatur dengan 20 epoch artinya seluruh dataset mengalami proses pelatihan sebanyak 20 kali. Sementara untuk training loss mencapai 0.00018 dan validation loss mencapai 0.02.
b) Model hasil training
Model hasil training ini merupakan model yang akan digunakan untuk prediksi atupun pengujian sistem dengan program yang terpisah. Model ini berekstensi (.h5) dimana di dalam model ini terdapat weight (bobot), label semua kelas dan arsitektur deep learning model CNN secara keseluruhan.
3) Tahap Pengujian
Tahap pengujian berarti tahap dimana sistem yang telah dirangcang dan menghasilkan model hasil training akan diuji kemampuannya dengan tujuan untuk mengetahui apakah sistem dapat berkerja atau berfungsi dengan baik sebagaimana yang diinginkan. Dalam hal ini, tahap pengujian memiliki arti yang sama dengan tahap prediksi dan proses pengenalan. Pada penelitian ini, tahap pengujian terdiri dari :
a) Pengujian kemampuan sistem dalam mengenali (recognize)
Pengujian perbandingan model CNN dengan haar cascade dari open CV
Pengujian terhadap satu orang yang ada di dalam dataset
Pengujian terhadap satu orang yang tidak ada di dalam dataset
Pengujian terhadap lebih dari satu orang yang ada di dalam dataset
Pengujian gabungan lebih dari satu orang yang ada di dalam dataset dan tidak ada di dalam dataset.
b) Pengujian pengenalan wajah (face recognition) untuk sistem absensi
GUI sistem (tampilan utama aplikasi)
Pengujian pengenalan wajah melalui GUI sistem
Database sistem absensi
48 BAB IV
HASIL PENGUJIAN DAN ANALISIS
4.1 Umum
Pada penelitian ini, peneliti membuat sistem pengenalan wajah (face recognition) yang akan diimplementasikan untuk sistem absensi. Penelitian ini menggunakan metode pembelajaran deep learning dengan model CNN (Convolutional Neural Network). Proses utama dalam pembuatan sistem ini diawali dengan pengumpulan data, preproses data (augmentation dan resizing), pembagian data, training data hingga menghasilkan model, lalu pengujian model hasil training dan pengujian pengenalan untuk sistem absensi. Dalam bab ini, akan dibahas tentang pengujian perbandingan model CNN dengan haar cascade dari open CV dan pengujian berdasarkan perencanaan sistem yang telah dirancang.
Pengujian ini dilakukan untuk mengetahui apakah sistem dapat berkerja atau berfungsi dengan baik sebagaimana yang diinginkan. Dari hasil pengujian, akan didapatkan data-data berupa tampilan keluaran dari sistem, evaluasi akurasi hingga database sistem absensi.
4.2 Pengujian Kemampuan Sistem Dalam Mengenali (Recognize)
4.2.1 Pengujian Perbandingan Model CNN dengan Haar Cascade Classifier Dari Open CV (Computer Vision)
Perlu diketahui bahwa Open CV merupakan pustaka utama yang digunakan sebagai pengolahan citra (image processing) pada penelitian ini, seperti converting image, image augmentation, resizing, image detection, menampilkan gambar atau video dari webcam dan lain-lain [16]. Selain itu, Open CV juga memiliki metode yang dapat digunakan untuk deteksi dan mengenali wajah yakni Haar Cascade Classifier. Deteksi wajah dari metode ini dilakukan dengan membedakan antara wajah dan bukan wajah [9]. Metode ini memiliki kelebihan yakni komputasi yang sangat cepat, karena hanya tergantung pada jumlah piksel dalam persegi bukan setiap nilai piksel dari sebuah gambar (image) [20]. Maka dari itu, peneliti akan
membandingkan hasil pengujian antara model CNN terbaik dari percobaan sebelumnya dengan haar cascade classifier dari open CV berdasarkan perbedaan jarak dan akan dihitung akurasi pengenalannya secara keseluruhan. Hal ini dilakukan untuk mengetahui model mana yang lebih baik dan memiliki akurasi pengenalan yang lebih tinggi secara keseluruhan berdasarkan pengujian terhadap jarak yang berbeda. Perbandingan dan hasil pengujian keduanya dapat dilihat pada Tabel 4.1 dan 4.2.
Tabel 4.1 Perbandingan antara model CNN dengan Haar Cascade Classifier No Jarak
Pengujian Model CNN Haar Cascade Classifier dari Open CV
1 0.5 meter
2 1 meter
No Jarak
Pengujian Model CNN Haar Cascade Classifier dari Open CV
3 1.5 meter
4 2 meter
5 2.5 meter
6 3 meter
No Jarak
Pengujian Model CNN Haar Cascade Classifier dari Open CV
7 3.5 meter
8 4 meter
Tabel 4.2 Hasil Pengujian dari Perbandingan antara Model CNN dengan Haar Cascade Classifier
1 0.5 meter Dapat dikenali Dapat dikenali
2 1 meter Dapat dikenali Dapat dikenali
3 1.5 meter Dapat dikenali Dapat dikenali
4 2 meter Dapat dikenali Dikenali sebagai unknown 5 2.5 meter Dapat dikenali Tidak dapat dikenali 6 3 meter Dapat dikenali Tidak dapat dikenali 7 3.5 meter Dapat dikenali Tidak dapat dikenali 8 4 meter Tidak dapat dikenali Tidak dapat dikenali
Total Uji Coba 8 8
Benar 7 3
Salah 1 5
- Menghitung Akurasi Berdasarkan Hasil Pengujian
Untuk menghitung akurasi hasil pengujian, dapat menggunakan Persamaan 4.1.
...(4.1)
- Model CNN
Akurasi = 87.5 %
- Haar Cascade Classifier
Akurasi = 37.5 %
Dari hasil pengujian diatas dapat disimpulkan bahwa model CNN memiliki hasil yang lebih baik dari pada haar cascade classifier dalam proses mengenali dengan pengujian berdasarkan perbedaan jarak. Dalam proses mengenali, model CNN mampu mengenali dengan benar sebanyak tujuh kali dari total delapan percobaan dan hanya salah mengenali satu kali, sementara untuk haar cascade classifier hanya mampu mengenali dengan benar sebanyak tiga kali, dan lima kali salah. Akurasi yang diperoleh untuk model CNN yaitu 87.5 % dan akurasi haar cascade classifier yaitu 37.5 % dari 8 percobaan pengujian berdasarkan perbedaan jarak.
4.2.2 Pengujian Terhadap Satu Orang yang Ada di dalam Dataset
Pengujian ini dilakukan menggunakan webcam dengan beberapa posisi wajah yang berbeda-beda serta sebagian menggunakan atribut seperti masker dan kacamata. Untuk posisi wajah yang akan diuji dengan sebagian menggunakan atribut, dapat dilihat pada Tabel 4.3 dan untuk hasil pengujian masing-masing posisi dapat dilihat pada Tabel 4.4.
Tabel 4.3 Pengujian dengan Posisi Wajah yang Berbeda-beda Untuk Satu Orang yang Ada di Dataset
No Posisi dan Kondisi Wajah
Tampilan Hasil Pengenalan Wajah yang Ada di Dataset
1 Menghadap kamera
2 Menghadap ke kanan
No Posisi dan Kondisi Wajah
Tampilan Hasil Pengenalan Wajah yang Ada di Dataset
3 Menghadap ke kiri
4 Menghadap ke atas
5 Menunduk
6 Memakai masker
7 Memakai kacamata
Tabel 4.4 Hasil Pengujian dengan Posisi Wajah yang Berbeda-beda Untuk Satu Orang yang Ada di Dataset
No
Percobaan Posisi dan Kondisi Wajah Output Sistem
1 Menghadap kamera Dapat dikenali
2 Menghadap ke kanan Dapat dikenali
3 Menghadap ke kiri Dapat dikenali
4 Menghadap ke atas Dapat dikenali
5 Menunduk Dapat dikenali
6 Memakai masker Dapat dikenali
7 Memakai kacamata Dapat dikenali
Total Uji Coba 7
Benar 7
Salah 0
Untuk menghitung akurasi hasil pengujian, dapat menggunakan rumus sesuai dengan Persamaaan 4.1.
Akurasi = 100 %
4.2.3 Pengujian Terhadap Satu Orang yang Tidak Ada di dalam Dataset Pengujian ini juga dilakukan menggunakan webcam dengan beberapa posisi wajah yang berbeda-beda serta sebagian menggunakan atribut seperti masker dan kacamata. Output dari pengujian ini wajah haruslah dikenali sebagai unknown karena wajah tidak ada di dalam dataset, jika output tidak dikenali sebagai unknown tetapi justru mengenali wajah yang ada di dalam dataset, itu berarti ada kesalahan yang terjadi di dalam sistem, ataupun dalam kondisi lain bisa juga sistem tidak dapat mengenali adanya wajah di depan kamera walaupun sebenarnya wajah tersebut ada.
Hal tersebut bisa disebabkan karena wajah yang kurang jelas, fitur-fitur wajah (mata, hitung, mulut) tidak ada yang kelihatan, posisi wajah yang terlalu jauh dengan kamera dan kondisi lingkungan yang terlalu gelap (kurang pencahayaan).
Sehingga dalam hal ini sistem tidak akan menghasilkan output apa-apa (wajah tidak berlabel). Untuk posisi wajah yang akan diuji dengan sebagian menggunakan atribut, dapat dilihat pada Tabel 4.5 dan untuk hasil pengujian masing-masing posisi dapat dilihat pada Tabel 4.6.
Tabel 4.5 Pengujian dengan Posisi Wajah yang Berbeda-beda Untuk Satu Orang yang Tidak Ada di Dataset
No Posisi dan Kondisi Wajah
Tampilan Hasil Pengenalan Wajah yang Tidak Ada di Dataset
1 Menghadap kamera
2 Menghadap ke kanan
3 Menghadap ke kiri
No Posisi dan Kondisi Wajah
Tampilan Hasil Pengenalan Wajah yang Tidak Ada di Dataset
4 Menghadap ke atas
5 Menunduk
6 Memakai masker
No Posisi dan Kondisi Wajah
Tampilan Hasil Pengenalan Wajah yang Tidak Ada di Dataset
7 Memakai kacamata
Tabel 4.6 Hasil Pengujian dengan Posisi Wajah yang Berbeda-beda Untuk Satu Orang yang Tidak Ada di Dataset
No
Percobaan Posisi dan Kondisi Wajah Output Sistem 1 Menghadap kamera Dikenali sebagai unknown 2 Menghadap ke kanan Dikenali sebagai unknown 3 Menghadap ke kiri Dikenali sebagai unknown 4 Menghadap ke atas Dikenali sebagai unknown
5 Menunduk Tidak dapat dikenali
6 Memakai masker Dikenali sebagai unknown 7 Memakai kacamata Dikenali sebagai unknown
Total Uji Coba 7
Benar 6
Salah 1
Untuk menghitung akurasi hasil pengujian, dapat menggunakan rumus sesuai dengan Persamaaan 4.1.
Akurasi = 85.71 %
4.2.4 Pengujian Lebih dari Satu Orang yang Ada di dalam Dataset
Pengujian ini dilakukan dengan sampel wajah lebih dari satu orang yang ada di dalam dataset. Tujuannya adalah untuk mengetahui apakah sistem dapat mengenali wajah orang tersebut. Hasil pengujiannya dapat dilihat pada Gambar 4.1.
Gambar 4.1 Hasil pengujian lebih dari satu orang yang ada di dalam dataset
Pada Gambar 4.1, dapat disimpulkan bahwa sistem dapat mengenali wajah yang lebih dari satu orang ketika wajah-wajah tersebut berada di depan kamera webcam dan sesuai dengan labelnya masing-masing.
4.2.5 Pengujian Gabungan Lebih dari Satu Orang yang Ada di dalam Dataset Dan yang Tidak Ada di Dalam Dataset
Pengujian ini dilakukan dengan sampel wajah lebih dari satu orang yang ada di dalam dataset dan yang tidak ada di dalam dataset atau berlabel unknown.
Tujuannya adalah untuk mengetahui apakah sistem dapat mengenali dan membedakan orang yang ada di dalam dataset dan tidak ada di dalam dataset ketika wajah-wajah orang tersebut berada di depan kamera webcam. Sampel wajah yang tidak ada di dalam dataset dapat dilihat pada Gambar 4.2. Dan selain pada sampel Gambar 4.2, maka orang tersebut berada di dalam dataset.
Gambar 4.2 Sampel wajah orang yang tidak ada di di dalam dataset
Orang yang tidak ada di dalam dataset akan dikenali sebagai unknown, jika sistem mengenali wajah orang tersebut dengan label selain unknown, maka masih terjadi kesalahan di dalam sistem. Hasil pengujian gabungan lebih dari satu orang yang ada di dalam dataset dan yang tidak ada di dalam dataset dapat dilihat pada Gambar 4.3, Gambar 4.4, dan Gambar 4.5.
Gambar 4.3 Hasil pengujian gabungan dengan dua orang di depan kamera
Gambar 4.4 Hasil pengujian gabungan dengan tiga orang di depan kamera
Gambar 4.5 Hasil pengujian gabungan dengan empat orang di depan kamera
Dari Gambar 4.3, Gambar 4.4 dan Gambar 4.5 dapat disimpulkan bahwa sistem dapat mengenali dan membedakan wajah gabungan lebih dari satu orang yang ada di dalam dataset dan yang tidak ada di dalam dataset. Pengujian ini dilakukan melalui dua orang, tiga orang, dan empat orang yang berada di depan kamera, dimana hasil pengujiannya yaitu sistem dapat mengenali dan membedakan keseluruhan wajah sesuai dengan labelnya masing-masing.
4.3 Pengujian Pengenalan Wajah (Face Recognition) untuk Sistem Absensi 4.3.1 GUI Sistem (Tampilan Utama Aplikasi)
GUI singkatan dari Graphical User Interface merupakan aplikasi visual atau antarmuka yang dapat dikembangkan melalui pemrograman oleh pengguna (user) agar bisa lebih mudah dalam mengatur dan mengontrol alur dari suatu sistem atau aplikasi. Pada penelitian ini, peneliti menggunakan library tkinter dari python dalam pembuatan GUI untuk sistem absensi dengan pengenalan wajah. Tampilan utama sistem absensi ditunjukkan pada Gambar 4.6.
Gambar 4.6 Tampilan utama sistem absensi pengenalan wajah
Tombol-tombol pada Gambar 4.6 dapat dijelaskan sebagai berikut:
Start
Tombol ini digunakan untuk memulai program keseluruhan mulai dari import library, load model yang telah dilatih, hingga pengenalan dengan webcam.
Database
Tombol ini digunakan untuk mengecek database wajah yang dikenali. Di dalam database berisi : nama, NIM, tanggal, jam dan keterangan. Database ini merupakan file yang berekstensi (.csv).
Quit
Tombol ini digunakan untuk berhenti atau keluar dari GUI tampilan sistem absensi.
4.3.2 Pengujian Pengenalan Wajah Melalui GUI Sistem
Proses pengenalan wajah untuk sistem absensi pada penelitian ini dapat dilihat melalui flowchat pada Gambar 4.7
Gambar 4.7 Flowchat sistem absensi pengenalan wajah
Mulai
Penjelasan diagram alir (flowchat) pada Gambar 4.7 dapat dilihat melalui poin-poin berikut :
1. Proses dimulai dengan menampilkan GUI sistem. Tampilan GUI sistem dapat dilihat pada Gambar 4.
2. Selanjutnya yaitu menekan tombol start pada GUI tampilan sistem untuk memulai program keseluruhan mulai dari import library dan load model yang telah dilatih..
3. Proses pengenalan wajah dilakukan menggunakan webcam, dimana pada proses pengenalan ini akan ditampilkan label nama dan nim pada wajah jika sistem berhasil mengenali wajah. Dan wajah yang tidak ada di dalam kelas dataset sebelumnya akan diberi label yang berbeda dengan yang ada di dataset, maka tampilan wajah akan berlabel “Unknown”.
4. Lalu wajah yang berhasil dikenali, data-datanya akan masuk ke dalam file database sistem absensi.
Tampilan pengujian sistem absensi dalam proses pengenalan wajah yang berhasil dikenali dapat dilihat pada Gambar 4.8 dan Gambar 4.9.
Gambar 4.8 Sampel pertama wajah yang berhasil dikenali pada GUI sistem
Gambar 4.9 Sampel kedua wajah yang berhasil dikenali pada GUI sistem
Dan tampilan pengujian sistem absensi dalam proses pengenalan wajah yang tidak ada di dalam dataset dan akan berlabel unknown dapat dilihat pada Gambar 4.10.
Gambar 4.10 Sampe wajah yang berlabel unknown pada GUI sistem
4.3.3 Database Sistem Absensi
Database atau disebut sebagai basis data dapat diartikan sebagai kumpulan data yang berisi informasi yang disimpan secara sistematis di dalam sistem komputer dan dapat diakses melalui sistem komputer tersebut. Database dapat berupa data gambar, video, file dokumen dan lain-lain. Tampilan database pada sistem absensi pengenalan wajah ini dapat dilihat pada Gambar 4.11.
Gambar 4.11 Database sistem absensi pengenalan wajah
Proses pengenalan wajah yang berhasil dikenali pada GUI sistem absensi akan masuk ke dalam database secara real time, dimana proses pengenalan wajah agar data-data pada wajah bisa masuk ke dalam database membutuhkan waktu tiga hingga lima detik. Real time maksudnya adalah wajah yang berhasil dikenali akan
terdata dan masuk ke dalam database sesuai tanggal dan jam pada saat melakukan proses absensi, dimana proses absensi dilakukan secara langsung melalui webcam.
Database sistem absensi ini dibuat bukan berdasarkan urutan NIM dan nama, melainkan dibuat berdasarkan urutan yang lebih dahulu melakukan proses absensi, dimana dapat dilihat pada tanggal dan jam di kolom sebelahnya. Di dalam database berisi : nama, NIM, tanggal, jam dan keterangan serta database ini merupakan file yang berekstensi (.csv). Pada saat melalukan proses absensi, semua wajah yang ada di dalam kelas dataset akan bisa masuk ke dalam database sistem, selama sistem tidak salah dalam mengenali dan jam untuk melakukan proses absensi masih diizinkan.
4.4 Analisis dan Perhitungan Akurasi dari Semua Kelas Dataset
Berdasarkan hasil pelatihan dan pengujian yang telah dilakukan, untuk mengetahui tingkat akurasi kinerja sistem keseluruhan berdasarkan sampel data uji, maka dilakukan pendekatan statistik yang berhubungan dengan efektivitas sistem dengan melakukan perbandingan variabel pengujian, sehingga diperoleh empat variabel pengujian yang dapat dilihat pada Tabel 4.7.
Tabel 4.7 Variabel Pengujian Berdasarkan Kondisi Data Sebenarnya dan Hasil Identifikasi
Untuk menghitung akurasi secara keseluruhan berdasarkan data uji, dapat dihitung menggunakan Persamaan 4.2.
...(4.2)
Keterangan :
True Positif (TP) : Kondisi dimana citra wajah yang dikenal (ada di dataset) berhasil diidentifikasi oleh sistem sesuai yang ada pada dataset.
False Positif (FP) : Kondisi dimana citra wajah yang dikenal (ada di dataset) gagal diidentifikasi oleh sistem sesuai yang ada pada dataset, atau sistem salah dalam mengidentifikasi citra wajah tersebut.
True Negatif (TN) : Kondisi dimana citra wajah yang tidak dikenal (tidak ada di dataset) berhasil diidentifikasi oleh sistem sebagai tidak dikenal.
False Negatif (FN) : Kondisi dimana citra wajah yang tidak dikenal (tidak ada di dataset) gagal diidentifikasi oleh sistem sebagai tidak dikenal, atau justru teridentifikasi dengan data milik orang lain yang ada pada dataset.
Variabel-variabel pengujian diatas akan digunakan untuk menentukan akurasi secara keseluruhan berdasarkan hasil pengujian dari sampel data uji. Untuk hasil pengujian yang diambil dari sampel data uji ditunjukkan pada Tabel 4.8.
Tabel 4.8 Hasil Pengujian Untuk Semua Kelas Dataset yang Diambil dari Sampel Data Uji
No Sampel Wajah Jumlah Sampel Data Uji
Hasil Identifikasi
Hasil Identifikasi