Proses Pengujian

BAB III : METODOLOGI PENELITIAN

3.2. Analisis Sistem

3.2.3. Proses Pengujian

Setelah melakukan proses Feature Extraction pada data

training suatu set, proses selanjutnya yaitu melakukan pengujian

data testing pada set tersebut. Sebelum melakukan pengujian, data

testing juga harus melalui proses Preprocessing yaitu Cropping,

perubahan ukuran dimensi citra dan Grayscalling.

Kemudian setelah melalui proses Preprocessing, set data

testing juga melalui proses Feature Extraction. Tetapi, untuk data

testing pencarian ciri yang akan dibandingkan dengan data training

menggunakan proses yang berbeda dengan data training. Proses

pencarian ciri data testing yaitu :

1. Mengambil set atau kumpulan gambar testing untuk pengenalan.

Kemudian ubah matriks tiap gambar testing berukuran dua dimensi

menjadi satu dimensi N

²

x 1.

Proses ini sama dengan proses pencarian ciri pada data training,

yaitu semua citra wajah data testing dua dimensi diubah menjadi

satu dimensi. Sehingga dari matriks berdimensi 200x200 akan

menjadi matriks berdimensi 40000x1 (untuk 1 citra).

2. Mengurangi nilai matriks gambar testing dengan nilai matriks

rata-rata dari data training

Proses ini juga sama dengan pencarian ciri pada data training yaitu

matriks citra wajah data testing tipe datanya diubah menjadi double.

Lalu mengurangi nilai tiap kolom pada matriks dengan matriks

rata-rata dari perhitungan data training. Sehingga akan menghasilkan

matriks baru (� ) berdimensi 40000x1 (untuk 1 citra).

3.

Memproyeksikan gambar testing dalam Eigenspace

Pada proses inilah, pencarian ciri pada data training dan data testing

berbeda. Pencarian ciri atau komponen eigenface pada data testing

melalui perkalian antara matriks U dari data training yang telah

di-transpose berdimensi 300x40000 dengan matriks � . Kemudian

hasilnya akan di-transpose kembali, sehingga menghasilkan matriks

berdimensi 1x300 (untuk 1 citra). Perkalian tersebut bertujuan

untuk memproyeksikan citra wajah data testing ke dalam

Eigenspace, sehingga dapat dibandingkan atau dicari jarak antara

citra wajah data testing dengan citra wajah data training.

Untuk mengenali citra wajah data testing pada citra wajah data

training, maka dilakukan pencarian jarak antara dengan

menggunakan Euclidean Distance. Pencarian jarak akan dilakukan

dari satu per satu setiap baris atau tiap citra wajah training pada

matriks pada data training. Setiap hasil dari pengurangan

dengan matriks tiap baris akan dicatat dalam satu matriks. Lalu

akan memberi nomor atau indeks pada tiap barisnya dari 1-300

(banyaknya data training) sehingga dapat menunjukkan pada citra

wajah training ke berapa memiliki jarak paling dekat. Kemudian

akan diambil jarak yang paling minimum dari hasil pencarian jarak

antara dengan dengan mengurutkannya dari paling kecil ke

besar. Hasil jarak paling kecil menunjukkan citra wajah testing

sesuai atau mirip dengan citra pada indeks matriks yang

mempunyai jarak paling minimum atau berada pada baris pertama.

Misalnya nilai adalah 25. Kemudian nilai tiap citra pada data

training (4 citra) :

Tabel 3.3. Contoh Matriks

Matriks

55

75

40

35

Langkah selanjutnya adalah mencari jarak citra wajah testing

terhadap tiap citra atau baris pada matriks dan memberi nomor

atau indeks tiap barisnya.

Tabel 3.4. Contoh perhitungan jarak Matriks

Indeks Jarak

1 √ − =

2 √ − =

3 √ − =

4 √ − =

Kemudian mencari jarak paling minimum dengan mengurutkan

tabel tersebut berdasarkan kolom jarak secara ascending.

Tabel 3.5. Contoh pencarian jarak paling minimum Matriks

Indeks Jarak

4 10

3 15

1 30

2 50

Dari hasil perhitungan jarak tabel di-atas menunjukkan bahwa citra

wajah testing mirip atau cocok dengan citra wajah training pada

indeks atau urutan ke-4 pada set data training.

4. Pengecekan hasil perhitungan jarak dengan nilai threshold � .

Setelah menemukan jarak paling dekat, langkah selanjutnya adalah

melakukan pengecekan pada hasil perhitungan jarak paling

minimum tersebut apakah telah memenuhi batas threshold.

Jika hasil perhitungan jarak paling minimum melebihi nilai

threshold maka citra data testing merupakan citra yang tidak

diketahui atau tidak ada dalam data training. Namun jika hasil

perhitungan jarak paling minimum kurang dari nilai threshold, maka

citra data testing diketahui atau ada dalam data training.

Sehingga akan masuk ke dalam proses selanjutnya, yaitu klasifikasi,

untuk menunjukkan citra wajah testing tersebut sesuai atau cocok

dengan citra wajah training yang mana. Lalu akan menampilkan

informasi nama file citra, nama, dan nim mahasiswa yang sesuai

dengan citra testing.

Tabel 3.6. Data mahasiswa TI USD angkatan 2013 yang digunakan beserta

label file

No. Nama Mahasiswa NIM Label

1. A Fendi Pratama 135314113 a

2. Yeremia Yoga Pratama 135314007 b

3. Kautsar Rusydi Rahmatullah 135314093 c

4. Dwi Putra Prihandito 135314048 d

5. Damian Arif Pradana 135314047 e

6. Gabriel Indra Widi Tamtama 135314075 f

7. Sonny Fernando K.Adji 135314084 g

8. Widya Yoga Arkadia 135314059 h

9. Angela Mediatrix Melly 135314074 i

10. Martin Nugraha 135314037 j

12. Ni Komang Asih Setiawati 135314104 l

13. Gerardo Adhitya Nugroho 135314068 m

14. Marcellina Fanny Kusuma Wardani 135314013 n

15. Ekky Alfian 135314086 o

16. Aloysius Tanto Wibowo 135314061 p

17. Elvino Prayogo 135314095 q

18. Yohanes Christian Brilliangga 135314058 r

19. Baptista Yorangga Varani 135314123 s

20. Yosep Kartika Dewandaru 135314076 t

21. Hironimus Hendra Setiawan 135314126 u

22. Yosia Adi Febrian 135314036 v

23. Tommy Nugraha Manoppo 135314027 w

24. Raymond Apriyogi Diki Putra 135314004 x

25. Andre Fransisco Bayuputra 135314015 y

Label tersebut menunjukkan penamaan file citra tiap mahasiswa.

Jadi misalnya A Fendi Pratama memiliki label a, maka nama 18 file

citra dari A Fendi Pratama berawalan huruf a (a1-a18.jpg) begitu

juga dengan mahasiswa lainnya.

Tabel 3.7. Contoh penentuan label pada suatu indeks

Indeks Jarak

1

2

⋮

12

13

14

⋮

24

25

26

⋮

36

⋮

300

Cara untuk menentukan suatu indeks merupakan label apa adalah

dengan melakukan pengecekan. Setiap mahasiswa atau label

mempunyai citra data training sebanyak 12 (nobyek), sehingga 12

indeks mempunyai label yang sama. Jadi setiap 12 indeks akan

mempunyai label yang berbeda. Proses pengecekannya :

1. Jika jarak terkecil terdapat pada indeks ke ≤ maka

citra wajah testing sesuai dengan citra wajah berlabel a, sehingga

akan menampilkan identitas mahasiswa berlabel a.

2. Jika jarak terkecil terdapat pada indeks ke > ≤

∗ maka citra wajah testing sesuai dengan citra wajah

berlabel b, sehingga akan menampilkan identitas mahasiswa

berlabel b.

3. Jika jarak terkecil terdapat pada indeks > ∗ ≤

∗ maka citra wajah testing sesuai dengan citra wajah

Citra label a

Citra label b

berlabel c, sehingga akan menampilkan identitas mahasiswa

berlabel c.

4. Jika jarak terkecil terdapat pada indeks > ∗ ≤

∗ maka citra wajah testing sesuai dengan citra wajah

berlabel d, sehingga akan menampilkan identitas mahasiswa

berlabel d.

5. Jika jarak terkecil terdapat pada indeks > ∗ ≤

∗ maka citra wajah testing sesuai dengan citra wajah

berlabel e, sehingga akan menampilkan identitas mahasiswa

berlabel e.

6. Jika jarak terkecil terdapat pada indeks > ∗ ≤

∗ maka citra wajah testing sesuai dengan citra wajah

berlabel f, sehingga akan menampilkan identitas mahasiswa berlabel

f.

7. Jika jarak terkecil terdapat pada indeks > ∗ ≤

∗ maka citra wajah testing sesuai dengan citra wajah

berlabel g, sehingga akan menampilkan identitas mahasiswa

berlabel g.

8. Jika jarak terkecil terdapat pada indeks > ∗ ≤

∗ maka citra wajah testing sesuai dengan citra wajah

berlabel h, sehingga akan menampilkan identitas mahasiswa

berlabel h.

9. Jika jarak terkecil terdapat pada indeks > ∗ ≤

∗ maka citra wajah testing sesuai dengan citra

wajah berlabel i, sehingga akan menampilkan identitas mahasiswa

berlabel i.

10.Jika jarak terkecil terdapat pada indeks > ∗ ≤

∗ maka citra wajah testing sesuai dengan citra

wajah berlabel j, sehingga akan menampilkan identitas mahasiswa

berlabel j.

11.Jika jarak terkecil terdapat pada indeks > ∗ ≤

∗ maka citra wajah testing sesuai dengan citra

wajah berlabel k, sehingga akan menampilkan identitas mahasiswa

berlabel k.

12.Jika jarak terkecil terdapat pada indeks > ∗ ≤

∗ maka citra wajah testing sesuai dengan citra

wajah berlabel l, sehingga akan menampilkan identitas mahasiswa

berlabel l.

13.Jika jarak terkecil terdapat pada indeks > ∗ ≤

∗ maka citra wajah testing sesuai dengan citra

wajah berlabel m, sehingga akan menampilkan identitas mahasiswa

berlabel m.

14.Jika jarak terkecil terdapat pada indeks > ∗ ≤

∗ maka citra wajah testing sesuai dengan citra

wajah berlabel n, sehingga akan menampilkan identitas mahasiswa

berlabel n.

15.Jika jarak terkecil terdapat pada indeks > ∗ ≤

∗ maka citra wajah testing sesuai dengan citra

wajah berlabel o, sehingga akan menampilkan identitas mahasiswa

berlabel o.

16.Jika jarak terkecil terdapat pada indeks > ∗ ≤

∗ maka citra wajah testing sesuai dengan citra

wajah berlabel p, sehingga akan menampilkan identitas mahasiswa

berlabel p.

17.Jika jarak terkecil terdapat pada indeks > ∗ ≤

∗ maka citra wajah testing sesuai dengan citra

wajah berlabel q, sehingga akan menampilkan identitas mahasiswa

berlabel q.

18.Jika jarak terkecil terdapat pada indeks > ∗ ≤

∗ maka citra wajah testing sesuai dengan citra

wajah berlabel r, sehingga akan menampilkan identitas mahasiswa

berlabel r.

19.Jika jarak terkecil terdapat pada indeks > ∗ ≤

∗ maka citra wajah testing sesuai dengan citra

wajah berlabel s, sehingga akan menampilkan identitas mahasiswa

berlabel s.

20.Jika jarak terkecil terdapat pada indeks > ∗ ≤

∗ maka citra wajah testing sesuai dengan citra

wajah berlabel t, sehingga akan menampilkan identitas mahasiswa

berlabel t.

21.Jika jarak terkecil terdapat pada indeks > ∗ ≤

∗ maka citra wajah testing sesuai dengan citra

wajah berlabel u, sehingga akan menampilkan identitas mahasiswa

berlabel u.

22.Jika jarak terkecil terdapat pada indeks > ∗ ≤

∗ maka citra wajah testing sesuai dengan citra

wajah berlabel v, sehingga akan menampilkan identitas mahasiswa

berlabel v.

23.Jika jarak terkecil terdapat pada indeks > ∗ ≤

∗ maka citra wajah testing sesuai dengan citra

wajah berlabel w, sehingga akan menampilkan identitas mahasiswa

berlabel w.

24.Jika jarak terkecil terdapat pada indeks > ∗ ≤

∗ maka citra wajah testing sesuai dengan citra

wajah berlabel x, sehingga akan menampilkan identitas mahasiswa

berlabel x.

25.Jika jarak terkecil terdapat pada indeks > ∗ ≤

∗ maka citra wajah testing sesuai dengan citra

wajah berlabel y, sehingga akan menampilkan identitas mahasiswa

berlabel y.

Jadi, jika hasil perhitungan jarak seperti :

Tabel 3.8. Contoh perhitungan jarak 5 citra

Indeks Jarak

35 10

23 20

4 30

104 40

284 50

Jarak terkecil merupakan baris pertama pada tabel setelah

di-urutkan. Sehingga, jarak terkecil citra testing dan citra training

berada pada indeks ke-35. Karena indeks ke 35 merupakan rentang

dari > ≤ 36 maka citra wajah testing sesuai dengan citra wajah

berlabel c, sehingga akan menampilkan identitas mahasiswa

berlabel c.

Pseudo-code Pengujian :