Deteksi Pergerakan dan Kedipan Mata, pada Pemilihan Menu Display menggunakan Centroid Analysis berdasarkan Metode Face Landmark

(1)

Fakultas Ilmu Komputer

Deteksi Pergerakan dan Kedipan Mata, pada Pemilihan Menu Display

menggunakan Centroid Analysis berdasarkan Metode Face Landmark

Sri Mayena1_{, Fitri Utaminingrum}2

Program Studi Teknik Komputer, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1_{Srimayena20@gmail.com,}2_{f3_ningrum@ub.ac.id}

Abstrak

Deteksi adalah sebuah proses pengidentifikasian sesuatu benda atau kegiatan yang biasanya dilakukan oleh manusia, untuk dapat mempermudah proses pengenalan dan penginisialisasian dalam memulai semua kegiatan. Dalam bagian ini, deteksi gerakan mata dan kedip mata, digunakan untuk dapat mengidentifikasi bahwa, sebuah sistem dapat dijalankan oleh hanya perintah mata saja, tanpa harus adanya interaksi langsung, yang mengharuskan manusia dan komputer bersentuhan, dengan menggunakan metode face landmark, dapat dipastikan area mata menghasilkan akurasi yang tinggi, dalam pengujian menghasilkan tingkat akurasi yaitu 93,33% keberhasilan, dalam melakukan deteksi fitur mata menggunakan face landmark, berdasarkan jarak ideal 20cm terdekat, penelitian juga menunjukkan hasil komputasi yang cepat yaitu dalam melakukan satu kali deteksi fitur mata dan arah gerak mata hanya memerlukan waktu 0,170 detik dalam jarak 20 cm dan 0,380 dalam jarak 40 cm, dengan bantuan pengolahan citra digital, maka fitur mata akan dapat mudah diproses oleh komputer, dan melakukan pemilihan menu, yang dimaksud adalah menu pilihan kegiatan yang dapat digunakan sebagai salah satu keinginan ataupun perintah dari pengguna, dengan hanya melakukan aktifasi menggunakan kedip mata selama 3-10 detik, dan menu yang berukuran 70x70 pixels, akan dapat diaktifkan, dan dapat dimanfaatkan oleh perawat dalam memahami kegiatan yang ingin dilakukan oleh pengguna, terutama penderita stroke, yang masih dapat menggunakan fitur mata sebagai masukan yang dapat digunakan untuk dapat mengakses sistem.

Kata kunci: Pengolahan Citra, Face Landmark, Stroke, .

Abstract

Detection is a process of identifying objects or activities that are usually done by humans, in order to facilitate the process of introduction and initialization in initiating all activities. In this section, the detection of eyes movement and eyes blink, used to be able to identify that, a system can be run by only eyes orders only, without the need for direct interaction, requiring that both humans and computers be in touch, Using the face landmark method, ascertained the eye area to produce high accuracy, in the test resulted in an accuracy rate of 93,33% success, in detecting eye features using face landmark, based on distance The nearest 20 cm closest, the research also shows rapid computing results in one-time detection of eyes features and the direction of the eyes movement takes only 0.170 seconds within 20 cm and 0.380 within 40 cm, with the help of digital image processing, the feature of the eyes will be easily processed by the computer and do the menu selection, which is meant to be a menu of the options of activities that can be used as one of the needed or orders of the user, with only activations Using a blink of an eye for 3-10 seconds, and a menu of 70x70 pixels, will be activated, and can be utilized by the nurse in understanding the activity that the user wants to do, especially the stroke sufferer, who can still use the eyes features As input that can be used to access the system.

Keywords: Image Prosecing, Face Landmark, Stroke.

1. PENDAHULUAN

Stroke adalah salah satu penyakit yang menyerang manusia tanpa harus memberikan indikasi gejala sebelumnya, yang artinya penyakit ini adalah salah satu penyakit rentan yang dapat terjadi pada manusia dalam keadan

dan waktu apapun. Dalam penelitian yang telah dilakukan dinyatakan bahwa, apabila manusia mengalami stroke, maka dapat dipastikan akan sangat sulit untuk dapat melakukan kegiatan sehari hari seperti biasanya, dikarenakan semua sistem anggota tubuh, sudah tidak dapat berfungsi normal layaknya sedia kala. Dalam

(2)

beberapa survey yang dilakukan dinyatakan bahwa stroke merupakan salah satu penyakit, yang menyumbang sebesar 15,4% tingkat kematian pada segala usia manusia. Dalam penanganan telah banyak usaha yang dapat dilakukan untuk dapat menghindari salah satu penyakit mematikan ini, seperti penelitian yang dilakukan di gambia (Walker R.W, et all, 2003). Pengolahan citra merupakan salah satu proses yang dapat dimanfaatkan oleh manusia untuk dapat melakukan interaksi secara tidak langsung dengan komputer, dalam memenuhi target kehidupan. Banyak penelitian yang telah dilakukan dengan menggunakan metode pengolahan citra, akan tetapi dalam penelitian ini akan difokuskan pada penelitian pengolahan citra menggunakan metode face landmark. Penelitian yang telah dilakukan untuk dapat mendeteksi fitur wajah atau mata sudah dilakukan mengguankan metode haar casacade dan chain code (Riandika lumaris & Endang Setyadi, 2015), yang mana pada penelitian yang dilakukan, dalam mendeteksi bagian wajah digunakan metode haar casacade atau Viola-Jones, untuk dapat memisahkan bagian fitur-fitur wajah, terutama bagian mata, dan untuk proses penebalan area mata ataupun, untuk dapat menampilkan gambar hasil mata yang jelas, menggunakan metode chain code, sehingga dihasilkan gambar fitur wajah yang dapat dideteksi oleh komputer.

Penelitian yang akan dilakukan, berfokus untuk menggunakan metode face landmark, yang mana metode ini dapat membagi semua fitur wajah berdasarkan point-point face

landmark yang sudah terdefinisi sebelumnya,

penelitian dilakukan dengan menggunakan 68 point face landmark, yang mana pada bagian mata mendapatkan point dari nilai 36-41 dan 42-48, untuk masing masing bagian mata kiri dan kanan. Setelah didapatkan bagian fitur wajah maka selanjutnya, akan dilakukan proses pengolahan citra yaitu, konversi nilai gambar RGB mata menjadi gray scale, dan ke biner sehingga dapat diolah oleh pemrograman komputer.

Beberapa penelitian sebelumnya yang menggunakan metode face landmark dalam mengidentifikasi wajah dalam implementasi untuk mendeteksi wajah dalam video (Mochamad hasan, 2005). Penelitian selanjutnya untuk mendeteksi identitas mahasiswa menghasilkan 87,33% akurasi (Harianto, 2017), dan penelitian selanjutnya untuk mendeteksi ekspresi wajah yang

menghasilkan akurasi kurang dari sama dengan 50% (Tri afrianto, 2017). Penelitian yang memiliki kesamaan dengan penelitian ini adalah deteksi fitur wajah tanpa marker (Fahmi, 2013).

Penelitian sebelumnya juga mendeteksi ekspresi wajah menggunakan haar wavelet metode dengan akurasi 90% (Primasari & Tjandra, 2018). Dalam melakukan penelitian ini, batasan masalah yang akan diterapkan, adalah terletak, pada jarak ideal penangkapan gambar, kecepatan waktu komputasi, beserta perlukah menggunakan proses thresholding pada nilai biner dan morfologi dalam, melakukan pengolahan citra dan seberapa tinggi tingkat akurasi yang dihasilkan dari pengujian integrasi sistem dengan pilihan menu LCD.

2. PERANCANGAN DAN IMPLEMENTASI

Perancangan dan implementasi, akan dijabarkan dalam 2 bagian, yaitu perancangan perangkat keras (Hardware) dan perancangan perangkat lunak (Software), dalam mendukung proses pembuatan sistem. Seperti dalam Gambar 1, yang menunjukan perjalanan proses pengerjaan sistem secara umum.

2.1 Perancangan Perangkat Keras

Perancangan perangkat keras, akan difokuskan dalam pengguanan alat mikrokontroller raspberry pi 3b+/NUC dan diintegrasikan dengan kamera raspberry 8VMP untuk dapat menangkap gambar fitur mata secara jelas dan tepat. Alat utama yang dapat digunakan yaitu berupa PC/Laptop dalam melakukan proses pemrogramannnya. Seperti ditunjukkan pada Gambar 2, yang menunjukkan cara kerja dari perangkat keras, yang dibagi menjadi 3 proses utama, dimulai dari masukan dan kan diproses oleh program, sehingga integrasi alat akan menghasilkan keluaran wajah yang diharapkan.

(3)

Gambar 2. Diagram Blok Perangkat Keras

2.2 Perancangan Perangkat Lunak

Perancangan perangkat lunak, akan dijelaskan mengenai kebutuhan program secara langsung, yang dapat mendukung keberhasilan sistem, yang mana dalam pemrosesannya akan difokuskan dalam memproses citra dan beberapa metode yang digunakan untuk dapat mendukung jalannya proses, seperti ditunjukkan pada Gambar 3.

Kebutuhan pemrosesan yang digunakan akan dijelaskan mengenai, pengenalan wajah, menggunakan identifikasi face landmark, yang mana semua bagain fitur wajah akan didefinisikan menggunakan point tetap yang sudah didefinisikan sebelumnya, yaitu face

landmark 68 point yang sudah memiliki

daftarreferensi wajah yang akurat berdasarkan datasheet iBUG300-VW, Setelah didapatkan fitur wajah bagian mata pada point 36-41 kanan 42-48 kiri , akan dilakukan proses cropping dan

resizing pada gambar mata, agar dapat

difokuskan penelitian hanya untuk bagaian mata saja, dan program dapat dijalankan, dengan menggunakan perintah mata. Gambar yang didapatkan, masih dalam bentuk warna RGB, maka dalam pemrosesan menggunakan pengolahan citra, diperlukan proses pengubahan warna gambar, menjadi gray scale, dan biner, agar dapat diidentifikasi oleh program, serta dapat menghasilkan keluaran yang diinginkan dari pengujian sistem.

Gambar 3. Diagram Proses Perangkat Lunak

Setelah didapatkan gambar yang dapat dimengerti oleh program maka proses deteksi arah gerakan mata dan identifikasi eksekusi kedip mata sebagai perintah dapat dijalankan, dan dari penelitian tersebut, didapatkan hasil akurasi yang memungkinkan, untuk dapat menyatakan apakah program dapat dijalankan atau tidak. Arah mata digunakan untuk melakukan identifikasi pilihan menu, dan kedip mata akan digunkan untuk identifikasi ekseskusi keinginan atau perintah yang diinginkan oleh pengguna.

2.3 Implementasi

Implementasi akan difokuskan, pada pengerjaan dan alur yang akan dilakukan dalam membangun sistem, implemenatasi juga akan dibagi dalam 2 bagian, yaitu implementasi perangkat keras, dan perangkat lunak.

2.3.1 Implementasi Perangkat Keras

Perancangan dan implementasi adalah 2 proses utama yang harus dilakukan dalam melakukan pengujian sistem. Implementasi perangkat keras, akan dijelaskan dengan lebih rinci mengenai perancangan perangkat secara langsung, dalam imeplementasi nyata. Penggunaan alat yang sudah diidentifikasi sebelumnya akan digunakan dan dirancang sedemikian rupa, agar dapat memastikan sistem dapat dijalankan.

Implementasi yang dilakukan akan tetap mengutamkan batasan masalah percobaan yang sudah ditetapkan sebelumnya, yang mana dalam mengintegrasikan antara kamera dan raspberry pi, diperlukan jarak ideal penangkapan gambar, yang mana dapat memastikan sistem dapat dijalankan, dan dijadikan sebagai jarak terbaik untuk dapat menangkap gambar wajah secara jelas dan tepat, dan akhirnya dapat diolah oleh program, seperti yang ditunjukkan, pada Gambar 4.

Gambar 4. (a) Kamera menghadap tepat kearah wajah (b) 20 cm didepan kamera

(4)

Implementasi jarak dilakukan tepat 20 cm didepan wajah, dipastikan menjadi implementasi terbaik yang mana dapat menghasilkan gambar wajah secara tepat dan akurat, dan dengan tambahan keadaan wajah tepat berada didepan kamera, dengan keadaan cahaya yang mendukung, maka proses pengambilan gambar wajah, akan sangat mudah untuk dilakukan.

2.3.2 Implementasi Perangkat Lunak

Implementasi perangkat lunak, yaitu merupakan implementasi pemrograman yang dilakukan, untuk dapat mengidentifikasi wajah dengan mendeklarasikan, penggunaan face

landmark, dalam mengenali wajah, dan

ditangkap menjadi gambar yang dapat diolah oleh program sehingga menghasilkan bagian fitur mata yang jelas dan dapat diidentifikasi sebagain masukan sistem dalam melakukan pendeteksian arah gerak mata, dan eksekusi pilihan menu melalui kedip mata, yang mana program akan diaplikasikan menggunakan bahasa pemrograman python, mengunakan library open CV, dan diikuti oleh pengolahan citra.

3. PENGUJIAN DAN ANALISIS

Pengujian akan dilakukan dalam menentukan jarak terbaik penangkapan gambar, memastikan kecepatan waktu komputasi yang dapat diberikan, beserta pengujian nilai thresholding Binary dan opening untuk dapat mempertegas countour mata, serta hasil akurasi integrasi terhadap pemilihan menu LCD, yang mana akan dijelaskan pada beberapa pembagian penjelasan.

3.1 Pengujian Pengaruh Nilai Threshold terhadap Nilai Binary untuk Mempertegas Countour dan Pupil Mata

Pengujian akan dilakukan untuk mendapatkan hasil gambar sempurna, dari pupil mata yang memiliki gambar countour yang jelas, sehingga gambar mudah untuk teridentifikasi oleh program, pengujian dilakukan dengan melakukan pengujian trial

and error terhadap nilai thresholding yang

tersedia, yang mana telah diidentifikasi bahwa nilai threshold binary adalah dari 0-128. Dari pengujian didapatkan bahwa hasil nilai terbaik yang dapat digunakan untuk mepertegas countour mata dan pupil mata.

Tabel 1 Pengaruh Nilai Threshold Binary

No Jenis Data (ke -n) Rentang Nilai Thresholding Binary Jarak Tangkap gambar (cm) Deteksi Akurasi (%) 20 30 40 Pupil Countour 10-20, 21-30 31-40 1 15 data sample

v - - yes - - yes yes 75

- v - yes - - yes yes 100

- - v yes - - yes yes 75

Program dapat mendeteksi arah gerak pupil mata, dan dapat menjalankan sistem sesuai dengan masukan yang diberikan apabila telah menentukkan nilai thresholding diatas, dengan jarak ideal 20 cm didepan kamera, dan selanjutnya diikuti oleh deteksi pupil mata untuk mendeteksi arah gerakan mata terhadap pilihan menu. Hasil pengujian didapatkan seperti yang ditunjukkan dalam Tabel 1, yang menunjukkan tingkat akurasi sebesar 99,99% akurasi pada rentang nilai thresholding binary 21-30.

3.2. Pengujian dan Analisis jarak

Pengujian ini, dilakukan untuk dapat memilih dan memastikan jarak ideal, yang dapat dijadikan sebagai jarak peletakkan alat yang berada tepat didepan wajah, dalam pengujian akan dilakukan 3 pengujian jarak, yaitu pada jarak 20 cm, 30 cm, dan 40 cm. Jarak tersebut dipilih sebagai rentang jarak minimal dan maksimal, sehingga dalam penggunaanya, pengguna dapat mengatur jarak alat sesuai dengan instruksi pilihan yang telah diberikan dan dijelaskan dalam penelitian ini. Dalam melakukan pengujian, akan disesuaikan dengan implementasi perangkat keras, yang sudah didefinisikan sebelumnya, mengenai peletakkan kamera, dan kebutuhan cahaya yang dapat memastikan gambar wajah dapat ditangkap secara sempurna.

Prosedur pengujian yang akan dilaksanakan dalam melakukan pengujian jarak, akan disesuaikan dengan kemampuan pengguna untuk dapat menjangkau layar PC atau LCD, agar program dapat dijalankan. Penerapan pengujian dilakukan dengan ketentuan bahwa, dalam jarak tersebut dapat menghasilkan bentuk wajah beserta mata yang terbaik, dan dapat dijadikan input dalam pemrograman. Serta dalam pengujian software dan hardware akan diintegrasikan , agar dapat membuktikan bahwa program dapat dijalankan dengan melakukan pengintegrasian terlebih dahulu antara 2 komponen utama. Pengujian jarak yang dilakukan yaitu jarak 20, 30, dan 40 cm.

(5)

Tabel 2. Hasil Pengujian Jarak 20 Cm NO Alat Data sample Jarak Deteksi (cm) Hasil deteksi Pagi Siang Malam

Pagi Siang malam

B S B S B S 1 PC, kamera 15 20 13 2 14 1 12 3 Akurasi (%) 86,67 93,33 80 2 PC,kamera, Flashlight 15 0 15 0 15 0 Akurasi (%) 100 100 100 Rata-Rata Hasil Akurasi (%) 93,33 96,66 90 Rata-Rata hasil akurasi jarak 20 cm (%) 93,33

Tabel 3. Hasil Pengujian Jarak 30 cm

NO Alat Data Sample Jarak Deteksi (cm) Hasil Deteksi(%) Pagi Siang Malam

Pagi Siang Malam

B S B S B S 1 PC, kamera 15 30 13 2 13 2 11 4 Hasil Akurasi (%) 86,67 86,67 73,33 2 PC,kamera, Flashlight 15 30 14 1 14 1 13 2 Hasil Akurasi (%) 93,33 93,33 86,67 Rata-Rata Hasil Akurasi (%) 90 90 80 Rata-Rata hasil akurasi jarak 30 cm (%) 86,67

Pengujian pada Tabel 2 menunjukkan dan menghasilkan hasil tingkat akurasi rata-rata sebesar 93,33% secara keseluruhan, pengujian jarak ini pun dilakukan dalam 3 waktu yang berbeda yaitu pada cahaya pagi hari, siang hari dan malam hari, sehingga bisa dijadikan hasil pembanding, yang dapat menghasilkan gambar terbaik dari kesesuaian jarak dan cahaya yang dibutuhkan, dan dari pengujian juga disimpulkan, bahwa keadaan terbaik didapatkan dari pengujian menggunakan lampu tambahan flaslight handphone, baik dalam keadaan pagi, siang dan malam hari.

Selanjutnya tingkat akurasi jarak 30 cm akan ditunjukkan dalam hasil uji pada Tabel 3.Pada pengujian jarak 30 cm, menghasilkan rata-rata nilai 86,67%, tingkat akurasinya menurun, dikarenakan faktor jarak yang sedikit lebih jauh, dengan keadaan cahaya yang tetap sama, yaitu pagi, siang dan malam hari. Serta Pengujian pada jarak 40 cm, menghasilkan tingkat akurasi rata-rata sebesar 83,34%, dan mendapatkan rata-rata nilai akurasi yang berada ditingkat 80an%, seperti dilihat pada Tabel 4.

Tabel 4. Hasil Pengujian Jarak 40 cm

NO Alat Data Sample Jarak Deteksi (cm) Hasil akurasi (%) Pagi Siang Malam

Pagi Siang Malam

B S B S B S 1 PC,kamera 15 40 13 2 12 3 11 4 Hasil Akurasi (%) 86,67 80 73,33 2 PC,kamera, Flashlight 15 40 13 2 13 2 13 2 Hasil Akurasi (%) 86,67 86,67 86,67 Rata-Rata Hasil Akurasi (%) 86,67 83,35 80 Rata-Rata hasil akurasi jarak 40 cm (%) 83,34

Pengujian jarak 40 cm, menghasilkan tingkat akurasi rata-rata sebesar 83,34%, yang mana hal ini, didasarkan pengambilan jarak yang lebih jauh daripada 2 jarak sebelumnya, dan mendapatkan rata-rata nilai akurasi yang berada ditingkat 80an%.

Dari pengujian jarak diatas, maka didapatkan, hasil rata-rata pengujian jarak, dari 3 tentuan jarak yang berbeda, menghasilkan tingkat akurasi tertinggi 93,33% , dengan hasil jarak terbaik didapatkan pada jarak 20 cm, dan keadaan cahaya yang terang yaitu pagi dan siang hari.

3.3. Pengujian Analisis Waktu komputasi

Dalam membuat berbagai macam program, diharapkan bahwa program dapat mengeksekusi perintah ataupun proses secara cepat dan tepat, maka dari itu, semua sistem pemrograman yang dibuat harus dapat membuktikan kelayakannya, melalui keberhasilan sistem dalam menjalankan pemrosesannya, hasil waktu komputasi dari pemrograman penelitian, akan ditunjukkan pada Tabel 5.

Dalam pengujiannya menghasilkan kecepatan waktu komputasi terbaik yaitu sebesar 0,170 detik, atau 170 ms. Hasil ini didapatkan dengan melakukan pengujian kecepatan dengan diikuti identifikasi jarak ideal dalam pendeklarasian waktu oleh program sehingaa dapat diuji secara beriringan dangan proses pendeteksian. Pengujian dilakukan dengan dimulai dengan proses deteksi daerah wajah, diikuti deteksi daerah mata serta pemrosesan yang diperlukan untuk dapat memperjelas gambar mata dan bagian pupil mata yang digunakan dan dijadikan fokus utama pengujian, dan didapatkan hasil waktu komputasi untuk dapat mengidentifikasi seberapa cepat program dapat mendeteksi arah gerakan mata, seperti dilihat pada Gambar 5.

(6)

Tabel 5. Hasil Pengujian waktu Komputasi

NO Alat Jarak (cm) Waktu

Komputasi(s)

1 PC, Kamera 20 0,256

2 PC, Kamera, Flaslight

20 0,084

Rata-rata waktu Komputasi pada jarak 20 cm(s) 0,170 3 PC, Kamera 30 0,293 4 PC, Kamera, Flashlight 30 0,225

Rata-rata waktu Komputasi pada jarak 30 cm(s) 0,259 5 PC, Kamera 40 0,449 6 PC, Kamera, Flaslight 40 0,312

Rata-rata waktu Komputasi pada jarak 40 cm (s)

0,380

Gambar 5. Waktu Komputasi

3.4. Pengujian dan Analisis Tingkat Akurasi terhadap Integrasi Hasil Masukan Kamera terhadap Pemilihan Menu LCD

Pengujian ini dilakukan, untuk dapat menghasilkan dan membuktikan bahwa sistem dapat digunakan dan dapatdimanfaatkan secara lebih efisien, dengan melakukan pengujian integrasi antara pilihan arah gerak mata dan pilihan menu yang tersedia, yang mana dapat dibuktikan bahwa pilihan menu yang tersedia mengikuti perintah arah gerakan mata yang diberikan, dan juga dapat dibuktikan bahwa pengujian dan penelitian yang dilakukan dapat dimanfaatkan dan diimplementasikan dalam kehidupan masyarakat, seperti yang akan ditunjukkan hasil uji di Tabel 6, mengenai hasil integrasi dan akurasi pemilihan menu dengan intruksi gerakan arah mata yang dijadikan masukan oleh program untuk mendapatkan hasil yang diinginkan, beserta aktifasi yang akan dilakukan oleh program kedip mata.

Tabel 6. Pengujian Integrasi Menu LCD

Input Kamera Visualisasi Menu LCD Deteksi Arah gerak Mata Deteksi Kedip Mata Arah Kedip Kan an Ki ri At as Dep an Kan an Ki ri At as Dep an Gambar Windows Gambar windows v - - - v - - - - v - - - v - - - - v - - - v - - - - v - - - v

Hasil Kedip Mata Dilakukan selama 3-10 detik

Hasil Akurasi rata-rata (%) 99,99 %

Dari Tabel 6 teruji bahwa menu pilihan dapat mengikuti arah gerakan mata sesuai dengan keingininan pengguna, ditunjukkan bahwa menu pilihan disesuaikan dengan 4 arah mata yang sudah didefinisikan yaitu atas, depan, kanan, kiri dan 4 menu yang disesuikan, menghasilkan tingkat akurasi yang mendekati sempurna terintegrasi yaitu 99,99%.

4. PENUTUP

Pada bagian penutup akan dibagi dalam 2 bagian yaitu mengenai kesimpulan pengujian beserta saran yang mungkin perlu dipertimbangkan dalam melakukan pengujian lanjutan mengenai penelitian ini.

4.1 Kesimpulan :

Beberapa hasil kesimpulan penelitian “Deteksi Gerak dan Kedip Mata dalam Melakukan Pemilihan Menu Selection, Mengunakan Metode Face Landmark, dengan Metode Centroid Analysis”, menghasilkan beberapa hasil sebagai berikut :

1. Pengujian penentuan nilai thresholding Binary digunakan untuk mendapatkan hasil pupil mata yang membentuk bulat sempurna sesuai bentuk countour pupil mata, dan dari pengujiannya menghasilkan tingkat akurasi sebesar 99,99 % akurasi dalm rentang nilai thresholding 21-30, yang ditunjukkan untuk mendapatkan hasil

(7)

pupil mata yang sempurna mengikuti countour bulat mata.

2. Dalam melakukan penelitian didapatkan hasil tingkat akurasi deteksi mata dengan jarak ideal, dan didukung cahaya yang mencukupi, menghasilkan tingkat akurasi keberhasilan sebesar 93,33%, dengan jarak ideal adalah 20 cm didepan wajah dalam keadaan cahaya yang terang.

3. Dalam melakukan penelitian, hasil waktu komputasi yang dihasilkan untuk dapat melakukan identifikasi deteksi mata dan proses deteksi arah gerak mata, berdasarkan jarak ideal 20 cm menghasilkan waktu komputasi dengan kecepatan 0,170 detik atau 170 ms, dalam satu kali pemrosesan. Hasil dari deteksi kedip mata akan diidentifikasi dalam rentang waktu 3-10 detik.

4. Dalam pengujian integrasi, dihasilkan tingkat akurasi yang sempurna untuk dapat menentukkan pilihan menu sesuai arah gerakan mata, apabila 4 arah dapat terdeteksi dengan sempurna, dan menu pilihan yang tersedia mengikuti masukan yang diberikan, maka dapat dipastikan tingkat akurasi dapat menghasilkan nilai sempurna yaitu 99,99 % akurasi.

4.2 Saran :

Beberapa saran penelitian “Deteksi Gerak dan Kedip Mata dalam Melakukan Pemilihan Menu Selection, Menggunakan Metode Face

Landmark, dengan Metode Centroid Analysis”,

yang mungkin dibutuhkan untuk dapat melakukan penelitian lanjutan mengenai area penelitian yang sama adalah sebagai berikut : 1. Dalam melakukan penelitian lanjutan,

menggunakan metode lainnya, yaitu berupa metode yang dapat langsung mengidentifikasi mata, tanpa harus melakukan identifikasi wajah pada awal pemrosesan, sehingga tidak diperlukannya identifikasi fitur wajah.

2. Untuk dapat menerapkan pencahayaan yang ideal yang mempu dipenuhi secara langsung oleh sistem, tanpa perlu adanya tambahan cahaya yang perlu diberikan setiap kali melakukan pemrosesan.

3. Untuk penelitian selanjutnya untuk dapat menggunakan berbagai macam mikrokontroller yang lebih canggih, dengan catatan menghasilkan waktu komputasi yang lebih cepat, dan memiliki fitur cahaya yang memadai, serta kamera yang dapat menangkap gambar mata, secara tepat.

5. DAFTAR REFERENSI

Afrianto, Tri & Hariadi, M. 2017. Facial

Motion Capture Menggunakan Active Apperance Model Berbasis Blender.

STMIK AMIKOM, Yogyakarta. Fahmi, F & Tulus. 2013. Deteksi Fitur Wajah

tanpa Marker Aktif Menggunakan Metode Principal Componen Analysis (PCA). USU, Medan.

Hartanto, D, J. 2017. Penerapan Face

Recognition untuk Pemrolehan

Identitas Mahasiswa Universitas Sanata Dharma Menggunakan Metode EigenFace dan Eucidean Distance.

Hosan, M. 2005. Pengembangan Aplikasi Penyelarasan Landmark wajah pada wajah dalam video dengan Supervised

Descent Method terbantu 1 Euro Filter.

Universitas Dipenogoro, Semarang. Lumaris, R & Setyadi, E. 2015. Perancangan

dan Pengembangan Sistem Deteksi Rintangan Menggunakan Metode