Identifikasi Kepribadian Berbasis Eigenface
Untuk Mendukung Personalisasi Pada Sistem
E-Pembelajaran
Dwi Sudharmono Wanudyatanto, Yusuf Bilfaqih, Achmad Jazidie
Jurusan Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember (ITS), Jl. Arief Rahman Hakim, Surabaya 60111
E-mail : sw_tanto@elect-eng.its.ac.id
Abstrak — Perkembangan teknologi informasi untuk mendukung kegiatan belajar-mengajar mengalami perkembangan yang baik, ini dibuktikan dengan lahirnya beberapa perangkat lunak E-learning. Namun perkembangan perangkat lunak tersebut masih mengalami kekurangan dalam menyampaikan informasi (materi belajar). Hilangnya nuansa akademis yang terjadi antara pendidik dengan peserta didik menjadi salah satu sebab tidak tercapainya tujuan pendidikan. Perangkat lunak yang ada belum bisa menyajikan materi yang interaktif dan memberikan informasi yang sesuai dengan karakter kepribadian peserta didik. Dalam ilmu psikologi setiap kepribadian memiliki metode penyampaian informasi yang berbeda-beda. Perbedaan kepribadian tersebut dapat diklasifikasikan, sebagai berikut; koleris,
plagmatis, melankolis dan sangwinis. Jenis kepribadian
tersebut memiliki tipe belajar yang berbeda-beda. Beberapa tipe memiliki gaya belajar dengan cara banyak mendengar dan sedikit visual atau sebaliknya, serta gaya belajar kelompok atau individu, dan jenis gaya belajar yang lainya.
E-learning diharapkan mampu memberikan materi secara
maksimal dan efisien dengan mempertimbangkan variabel kepribadian. Informasi kepribadian tersebut dapat digunakan sebagai dasar pengetahuan dalam sistem E-learning untuk memberikan respon pada pengguna. Dari kondisi tersebut, metode eigenface akan digunakan untuk melakukan proses identifikasi kepribadian terhadap pengguna E-learning. Proses tersebut dilakukan dengan membuat modul tambahan pada
E-learning dengan mengidentifikasi bentuk wajah, alis, dan
mata. Masing-masing bentuk memiliki nilai eigen, dari karakteristik nilai eigen tersebut dapat diklasifikasikan sifat-sifat yang terkandung didalamnya. Kumpulan sifat-sifat-sifat-sifat yang didapat dari tiga wilayah tersebut dapat digunakan untuk menentukan kepribadian pengguna E-learning. Perangkat lunak identifikasi kepribadian dalam uji coba memiliki hasil yang cukup bagus dengan akurasi 60 %.
Kata Kunci : Eigenface, Kepribadian, E-learning I. PENDAHULUAN
eknologi informasi yang berkembang pesat telah memberikan banyak fasilitas untuk mendukung proses pembelajaran, salah satu teknologi yang memiliki kelengkapan dalam menyampaikan materi pada sistem pembelajaran berbasis web adalah Moodle. Beberapa fasilitas yang terdapat pada teknologi tersebut adalah chat, blog, forum dan modul ujian. Portal pembelajaran ini populer dengan nama E-learning [1,2,3]. Proses belajar mengajar secara tatap muka memiliki beberapa kelebihan, d iantaranya; pengajar mampu memahami kepribadian masing-masing peserta didik, sehingga dapat memberikan materi dengan pola komunikasi yang sesuai. Portal
E-learning memiliki banyak sub sistem, salah satunya adalah
sistem cerdas, dimana sistem ini mampu mengidentifikasi
ekspresi akademis peserta didik [4]. Namun pada sistem cerdas E-learning belum mempunyai sistem identifikasi kepribadian, sehingga sistem tersebut belum mampu memberikan layanan belajar yang sesuai dengan karakter peserta didik. Oleh karena itu, tugas akhir ini diupayakan mampu menghadirkan modul tambahan berupa identifikasi kepribadian berbasis eigenface. Eigenface sendiri sering diartikan sebagai akar ciri atau merupakan suatu nilai yang menunjukan seberapa besar pengaruh suatu variabel terhadap pembentukan karakteristik vector atau matrixs.
Jika E-learning memiliki sistem tersebut, diharapkan proses belajar lebih efektif dan efisien dalam memberikan materi belajar dan mampu menghantarkan pada pemahaman materi ajar [4,5]. Menurut Florence Littarue „Kepribadian dipetakan menjadi empat, yaitu : (1) Koleris, (2) Sangunis, (3) Melankolis, (4) Plagmatis, sehingga memiliki 20 kombinasi kepribadian‟. Untuk mengetahui kepribadian secara umum dapat dilakukan dengan dua cara, yang pertama dengan menggunakan kuesioner yang dipublikasikan oleh Florence [5], sedangkan yang kedua dengan menggunakan pemetaan gestur wajah yang dipubikasikan oleh Sunar P [6]. Identifikasi kepribadian dengan cara yang kedua memiliki beberapa daerah identifikasi, d iantaranya adalah daerah alis, mata, dan bentuk wajah. Dalam tugas akhir ini direncanakan akan dibuat modul identifikasi kepribadian. Dari pemaparan tersebut diinginkan sebuah penambahan sub sistem pada sistem cerdas E-learning agar sistem tersebut mampu mengidentifikasi kepribadian peserta didik dan dapat meningkatkan performan pada portal E-learning yang berbasis LMS (Learning Managemen System).
II. TINJAUAN PUSTAKA 2.1 Gaya Belajar Berbasis Kepribadian
Beberapa ahli merumuskan berbagai teori mengenai proses belajar yang dilakukan manusia, d iantaranya teori
behaviorism, cognitive, dan constructivism. Teori
behaviorism memberi tekanan pada proses perubahan
perilaku sebagai hasil belajar, dan cognitive memberikan penekanan pada peran manusia dalam mengkontruksi pengetahuannya sendiri [7]. Peserta dengan berbagai latar belakang perlu diberi fasilitas untuk meningkatkan efektifitas kegiatan belajar. Fasilitas personalisasi banyak dikembangkan untuk memberikan fasilitas pada perbedaan kepribadian peserta didik. Personalisasi pembelajaran dapat ditinjau dari dua segi, yaitu personalisasi yang ditampilkan pada siswa dan parameter untuk dijadikan dasar personalisasi. Personalisasi yang paling umum adalah digunakan sebagai personalisasi bahan ajar bagi
masing siswa [8]. Personalisasi berdasarkan gaya belajar peserta didik merupakan personalisasi pembelajaran dengan cakupan yang lebih luas. Formulasi gaya belajar yang sudah dirumuskan para ahli antara lain berdasarkan prefensi instruksional dan lingkungan, misalnya model Dunn dan
Dunn, berdasarkan model pemrosesan informasi misalnya
Model Kolb dan gaya belajar berdasarkan kepribadian seseorang, misalnya model Myers-Briggs [9]. Beberapa model gaya belajar tersebut memiliki kaitan yang penting dengan pembelajaran online karena personalisasi tersebut akan digunakan sebagai dasar pengetahuan pada pembelajaran online [7]. Belajar merupakan proses pengetahuan dan proses yang muncul sebagai hasil transformasi pengalaman [9].
2.2 Metode Penyampaian Informasi Berbasis Kepribadian Persepsi pengetahuan menyajikan petunjuk tentang bagaimana kita berfikir. Pengetahuan mencoba untuk menjelaskan bagaimana kita melakukannya. Dari sudut pandang ini, teori belajar Kolb berpandangan bahwa orang belajar dalam suatu lingkaran, yaitu ; merasakan, melihat, berfikir dan melakukan. Keterkaitan gaya belajar dengan
E-learning dapat dilihat pada tabel 2.1.
Tabel 2.1 Keterkaitan gaya belajar menurut Myers-Briggs dengan E-learning
.
Pengetahuan yang terkumpul dari lingkungan akan dikonversi kedalam perilaku dan berlanjut pada proses terus memperbaharui diri mereka sendiri. Secara sederhana belajar adalah proses mengubah pengetahuan itu sendiri menjadi perilaku [9]. Menurut Ergluer, dari pada menekankan pada sesuatu yang baru, lebih baik memberikan alternatif belajar untuk mewujudkan prilaku dengan pendekatan secara congitif [10]. Siswa memerlukan empat kemampuan yang berbeda untuk belajar efektif. Kemampuan itu adalah Pengalaman nyata, Reflektif Obserfasi, Abstrak Konseptualis, dan Aktif Eksperimen [9,10]. Pengalaman nyata dan abstrak konsep tulis menjelaskan bagaimana individu memandang pengetahuan, sementara reflektif observasi dan aktif eksperimen adalah bagaimana individu memproses pengetahuan [9].
2.3 Menghitung Eigenface
Salah satu Algoritma pengenalan wajah adalah
eigenface yang memiliki dasar dari Principle Componen Analysis (PCA). Algoritma ini secara keseluruhan dapat
dianggap sederhana. Dengan cara kerja memproses sebuah gambar kedalam matrixs dan dipresentasikan dalam sebuah
flat vector (gabungan vector) dan digabung bersama-sama
menjadi matrixs tunggal. Eigen Vector kemudian disimpan pada file temporari sebagai database, dan diproyeksikan menjadi feature space (Facespace) [11,12,13]. Berikut adalah alogaritma eigenface:
Membuat eigen vector (Image List, N, M): Image List adalah kumpulan dari N training image, dimana setiap
image adalah W x H pixel. M adalah jumlah eigen vector yang harus dibuat.
Menggabungkan setiap image dalam WH elemen vector dengan menggabungkan semua baris, kemudian membuat ImageMatrix sebagai matrixs N x WH berisi semua gambar yang digabung.
Menjumlahkan semua baris pada ImageMatrix dan membaginya dengan N untuk mendapatkan rataan gabungan gambar. Gambar tersebut dinamakan vector elemen WH ini dengan R.
Mengurangi ImageMatrix dengan average image R. Kemudian membentuk matrixs baru ukuran N x WH sebagai R‟.
Jika pada elemen-elemen dari matrik R‟ ditemukan nilai negatif, maka ganti nilai tersebut dengan 0.
Berikutnya adalah identifikasi yang dilakukan dengan proyeksi, digunakan algoritma sebagai berikut:
Membuat FaceSpace (image): image berukuran W x H
pixel.
Menggabungkan elemen vector WH kemudian disebut
file img.
load nilai rataan R dari database.
kurangi img dengan R, kita dapatkan img‟.
Jika pada img‟ ditemukan elemen dengan nilai negatif, ganti dengan nilai 0 untuk mendapatkan vector ukuran img‟.
Proses selanjutnya adalah identifikasi, yaitu memproyeksikan test image ke FaceSpace dan menghitung
score.
Load semua wajah yang sudah diproyeksikan dari
database.
Dapatkan score dari setiap image Karakteristik Fitur-fitur Content Keterangan
Extrovert Forum diskusi Simulasi, Multi media interaktif Mencoba sesuatu terlebih dahulu dan mencoba unit luar
Introverts Jurnal, Blog Materi refrensi Berfikir terlebih dahulu sebelum mencoba, berfokus kedalam diri sendiri
Sensors Search engine Materi
refrensi
Praktis, berorentasi pada detail, berfokus pada fakta dan prosedur Intuitors Forum diskusi Materi refrensi Imajinatif, berorentasi pada konsep, berfokus pada makna dan berbagai kemungkinan
Thinkers Jurnal, Blog Multimedia
Skeptikal, cenderung membuat keputusan berdasarkan logika dan aturan
Frrlers Forum diskusi Multimedia Apresiatif, cenderung untuk membuat keputusan berdasarkan pertimbangan pribadi dan kemanusiaan Judgers Roadmap pembelajaran Materi referensi Menentukan dan mengikuti agenda kegiatan Perceivers Forum diskusi, Roadmap pembelajaran Simulasi Mampu beradaptasi terhadap perubahan siklus
Lakukan oprasi pengurangan, score image dengan semua wajah yang telah diproyeksikan. Ambil nilai absolutnya dan jumlahkan, hasilnya adalah score. Mengambil score terkecil sebagai hasil dari wajah yang
telah diproyeksikan, Wajah ini menjadi model identifikasi.
III. PERANCANGAN SISTEM IDENTIFIKASI KEPRIBADIAN PADA E-PEMBELAJARAN Pada bagian ini dilakukan perancangan sistem identifikasi kepribadian secara lengkap, yaitu perancangan konseptual, perancangan fungsional dan perancangan detail. 3.1 Perancangan Konseptual
Dalam Sub bab ini, dibahas mengenai rancangan konsep dari sistem yang akan dibuat. Perancangan secara konseptual ini meliputi penentuan beberapa hal yaitu; parameter, variabel, batasan, dan kriteria dari sistem. Berikut ini adalah parameter-parameter yang terdapat pada sistem ini :
1. Jumlah kepribadian pada database. 2. Jumlah sifat pada database. 3. Fitur wajah yang diekstraksi. 4. Jumlah eigen value pada database. 5. Koordinat mata.
6. Koordinat alis. 7. Koordinat kepala.
Variabel-variabel yang terdapat dalam sistem ini antara lain :
1. Citra masukan yang ditangkap oleh camera. 2. Nilai RGB setiap pixsel pada citra.
3. Nilai eigenface.
4. Sifat yang teridentifikasi. 5. Kepribadian yang teridentifikasi.
Batasan yang digunakan pada sistem identifikasi kepribadian adalah sebagai berikut :
1. Warna background relatif berbeda dengan wajah. 2. Pembelajar diasumsikan sebagai orang mongoloid. 3. Pembelajar diasumsikan memiliki wajah yang
normal dan simetris.
4. Sistem hanya mampu mengidentifikasi kepribadian saat pengambilan gambar sesuai dengan parameter yang ditentukan.
3.2 Perancangan Fungsional
Perancangan fungsional merupakan tahapan yang memberikan penjelasan tentang fungsi-fungsi operasional sistem yang dijalankan oleh sistem ketika sistem dioperasikan. Fungsi oprasional perangkat lunak yang dirancang dan dikembangkan adalah sebagai berikut: 1. Pengambilan gambar : Sistem mampu mengambil
gambar dengan koordinat yang sudah ditentukan titik referensinya.
2. Kalkulasi citra wajah : Sistem mampu mendapatkan nilai eigen dari daerah mata, alis dan kepala dengan algoritma eigenface.
3. Identifikasi sifat : Sistem mampu mengidentifikasi sifat-sifat yang menyertai model alis, mata, dan kepala sesuai dengan nilai eigen yang didapatkan.
4. Identifikasi kepribadian : Sistem mampu mengidentifikasi kepribadian pembelajar (user) dengan
cara membandingkan banyaknya sifat dari empat sifat dasar tipe kepribadian.
3.3 Perancangan Detail
Sistem identifikasi kepribadian secara umum terdiri dari empat tahap, yaitu pengambilan citra wajah, pemisahan bagian wajah (alis, mata, dan wajah), menghitung nilai
eigen pada masing-masing bagian, dan identifikasi
kepribadian berdasarkan nilai eigen. Dalam tahap identifikasi kepribadian terdapat proses pencocokan dengan
database dan perbandingan antara empat kepribadian yang
diperoleh dari sifat masing-masing nilai eigen, sehingga didapatkan hasil berupa 20 kemungkinan kepribadian.
Namun dalam teori belajar Myers-Briggs hanya memberikan fasilitas belajar terhadap kepribadian dasar, maka keluaran identifikasi kepribadian diberikan empat kemungkinan. Empat kemungkinan tersebut adalah Kepribadian koleris, Melankolis, Sangwinis, dan Plagmatis. Gambar 3.1 merupakan skema identifikasi kepribadian secara keseluruhan, dimana proses pengambilan citra wajah dilakukan oleh perangkat keras berupa web kamera beserta perangkat lunak berbasis Flash Scrib yang dijalankan di HTML.
Gambar 3.1 Skema identifikasi kepribadian. 3.3.1 Perangkat Lunak
Pada mulanya Flash scrib memanggil kelas-kelas yang dibutuhkan dari file java scrib, kemudian mendefinisikan variabel dan menjalankan fungsi - fungsi dari kelas-kelas yang diperlukan, pada tahap ini fungsi yang dijalankan adalah fungsi camera, video, pengambil gambar, dan menyimpan gambar. Setelah gambar didapatkan, berikutnya adalah pengolahan citra digital menggunakan ekstraksi wajah. Pada proses ekstraksi digunakan teknik yang sederhana, yaitu dengan menentukan titik refrensi saat proses pengambilan gambar. Titik referensi tersebut diberikan pada bagian yang ingin diekstraksi, selanjutnya daerah tersebut dipotong. Bagian yang diekstraksi adalah koordinat mata, alis dan bagian kepala.
Tiga bagian yang sudah diekstraksi akan dianalisis oleh perangkat lunak berbasis flash. Tahap ini menggunakan algoritma eigenface pada masing masing bagian wajah. Nilai eigen yang diperoleh dari objek dibandingkan dengan nilai eigen pada penyimpan data. Nilai yang memiliki selisih paling sedikit dapat diasumsikan memiliki karakteristik dan model yang tidak jauh berbeda. Untuk mendapatkan nilai eigen dari sebuah citra pada perangkat lunak flash dilakukan dengan cara memanggil. Kelas
eigenface dan menggunakan fungsi eigenface. Kemudian
menentukan parameter dan menghitung nilai egen dari masing-masing citra. Sebagai penjelas untuk mendapatkan
Start Training set Image Memuat Image Menghitung EigenFace Eigenface image Mengenali objek Mendapat Image yang sama image Dikenali ? YA Tidak Stop
Gambar 3.2 Diagram alir EigenFace. Langkah 0:
Mendapat citra dari training image dan merubah dalam bentuk matrik N x M.
Matrixs N x M diubah menjadi flat vector.
Flat vector yang diperoleh pada masing-masing citra dijumlahkan.
Hasil penjumlahan flat vector dibagi dengan banyaknya citra pada training set imge, sehingga didapat rataan flat
vector.
Mengurangi masing-masing flat vector setiap citra pada training set image dengan rataan flat vector, hasilnya adalah nilai eigen masing-masing citra.
Langkah 1:
Mendapat citra bagian wajah dari masukan dan diubah dalam bentuk matrixs.
Merubah matrixs citra masukan menjadi flat vector. Mengurangi flat vector citra masukan dengan rataan flat
vector
Mendapatkan nilai eigen dari masukan citra. Langkah 2:
Mencari jarak terpendek nilai eigen masukan citra dengan nilai eigen pada masing-masing citra yang terdapat pada training set.
Nilai eigen dengan jarak terpendek itulah citra paling identik yang ada pada training set.
Berbagai macam cara dijelaskan dalam usaha untuk mencari pendekatan kepribadian setiap orang, salah satunya adalah menggunakan pendekatan visual. Untuk mengetahui beberapa sifat dari seseorang dibutuhkan pengetahuan terkait dengan model dan karakteristik visual wajah yang dapat memberikan petunjuk tentang beberapa sifat yang dimiliki. Bagian wajah yang dapat memberi petunjuk tentang sifat seseorang adalah bentuk alis, mata dan kepala. Pada kepala ada lima model d iantaranya adalah oval, lonjong, bulat, kotak, dan lancip. Sedangkan alis, juga mempunyai karakteristik d iantaranya lurus, melingkar, lurus patah, melingkar patah, dan lain-lain. Untuk mata memiliki bentuk sipit, lebar, bundar, oval simetris, dan lain sebagainya. Pada perangkat lunak, untuk mengetahui kepribadian digunakan algoritma eigenface sebagai
pengenalan model yang sama atau identik pada setiap bagian.
3.3.2 Identifikasi Kepribadian
Pada mulanya data citra pada database digunakan sebagai dasar pengetahuan perangkat lunak untuk mencari model yang sama atau mendekati. Pada data citra terdapat data yang berelasi dengan data sifat-sifat yang menyertai model tersebut, sehingga citra wajah dapat dikenali. Dari tiga bentuk yang dikenali, didapat kumpulan relasi sifat-sifatnya, sifat-sifat tersebut belum mampu untuk memutuskan jenis kepribadian pembelajar. Untuk mengetahui jenis kepribadian pembelajar, sifat-sifat tersebut dicari relasi sifat dengan database sifat yang dibuat oleh Florence, perolehan sifat tersebut diklasifikasikan menurut masing-masing jenis kepribadian. Langkah terakhir adalah membandingkan perolehan sifat tersebut dengan empat klasifikasi kepribadian. Empat kepribadian tersebut d iantaranya koleris, sagwinis, melankolis dan plagmatis. Perangkat lunak ini dibangun sebagai pelengkap personalisasi pada E-learning, dan sebagai dasar referensi pada penelitian berikutnya, untuk pengembangan sistem pembelajaran online berbasis personalisasi. Integrasi pada sistem ini diletakkan pada database personalisasi
E-learning. Karena portal Moodle berbasis PHP sedangkan
perangkat lunak identifikasi kepribadian berbasis Flash scrib, maka dibutuhkan interface agar dapat terintegrasi.
Interface tersebut adalah HTML. Pengiriman hasil
identfikasi citra dan pengolahan sifat dilakukan oleh PHP sedangkan HTML difungsikan sebagai interface dengan pembelajar. Sedangkan identifikasi kepribadian diproses oleh PHP yang berhubungan dengan database dari MySQL. Pada gambar 3.3 adalah design database citra wajah (alis, mata, dan kepala) serta sifat-sifat yang memiliki relasi pada masing-masing citra. Tabel_sifat_florenc PK,FK1 Jenis_kepribadian_sifat sifat_id Tabel_sifat_Jenis_kepribadian_florenc PK Jenis_kepribadian_sifat sifat_id Tabel_alis_sifat PK,FK1 Jenis_kepribadian_sifat Alis_1_sifat Alis_2_sifat Alis_3_sifat Alis_4_sifat Alis_5_sifat Alis_6_sifat Tabel_mata_sifat PK,FK1 Jenis_kepribadian_sifat Mata_1_sifat Mata_2_sifat Mata_3_sifat Mata_4_sifat Mata_5_sifat Mata_6_sifat Tabel_kepala_sifat PK,FK1 Jenis_kepribadian_sifat Kepala_1_sifat Kepala_2_sifat Kepala_3_sifat Kepala_4_sifat Kepala_5_sifat Personalisai_moodel PK,FK1 Jenis_kepribadian_sifat
Gambar 3.3 Diagram relasi sifat.
Untuk memudahkan proses perbandingan setiap sifat pada masing-masing kolom yang memiliki relasi diberikan
id seperti id : 1 = sifat Koleris (a) , id : 2 = melankolis, id : 3
= sifat plagmatis dan id : n = relasi sifat. Pada proses perbandingan pada PHP digunakan fungsi If, else if, dan
else. Sedangkan untuk mendapatkan kepribadian digunakan
perbandingan nilai dari perolehan masing-masing sifat dasar, sehingga kemungkinan nilai yang keluar adalah tertingi dan rata-rata. Jika sudah didapatkan hasil kepribadian, misalnya „koleris‟ maka jenis kepribadian ini
disimpan pada database personalisasi E-learning (Moodle). Gambar 3.4 merupakan diagram alir proses identifikasi kepribadian. Daftar sifat Daftar sifat Citra Wajah Menghimpun Sifat Mencocokan sifat Nilai Eigenface Dapat Sifat ? Tidak Ya Cocok ? Daftar Kepribadian Kepribadian start Stop Tidak
Gambar 3.4 Diagram alir identifikasi kepribadian Langkah 0:
Mengambil masing-masing nilai eigen alis, mata dan kepala.
Langkah 1:
Menghimpun sifat dari sifat alis, mata dan kepala yang sudah teridentifikasi.
Langkah 2:
Mencocokan sifat yang berhasil dihimpun dan mengklasifikasikanya berdasarkan kepribadian.
Kepribadian yang memiliki anggota sifat paling banyak dijadikan keluaran.
IV. IMPLEMENTASI DAN PENGUJIAN SISTEM 4.1 Pengujian Pengambilan Gambar
Pada penjelasan sebelumya pengambilan citra wajah dilakukan oleh webcam dan dijalankan oleh perangkat lunak berbasis Flash Scrib. Pengambilan gambar ini dilakukan secara manual. Gambar wajah harus tepat pada titik referensi wajah yang sudah ditentukan, sehingga ekstraksi fitur wajah dapat dilakukan dengan sempurna. Gambar 4.1 merupakan hasil pengambilan gambar, sedangkan Gambar 4.2 adalah hasil ekstraksi fitur wajah (mata, alis dan kepala) .
Gambar 4.1 Pengambilan citra wajah dengan titik referensi yang sudah ditentukan
Gambar 4.2 Hasil ekstraksi wajah berupa alis, mata, dan Kepala.
Pengujian pengambilan gambar ini dilakukan oleh 15 orang responden dengan warna kulit, bentuk, dan ukuran wajah yang variatif. Pada pengambilan dan ekstraksi gambar memiliki akurasi yang cukup baik sekitar 80 %, beberapa pengujian yang kurang tepat disebabkan oleh responden yang tidak menempatkan wajah pada daerah referensi yang sudah ditentukan, tabel 4.1 dan 4.2 merupakan tabel uji pengambilan gambar.
Tabel 4.1 Hasil pengujian pengambilan gambar.
No Keterangan Hasil
1 Ekstraksi Citra Wajah Tepat 2 Ekstraksi Citra Wajah Tepat 3 Ekstraksi Citra Wajah Tepat 4 Ekstraksi Citra Wajah Tepat 5 Ekstraksi Citra Wajah Tepat 6 Ekstraksi Citra Wajah Tidak tepat 7 Ekstraksi Citra Wajah Tepat 8 Ekstraksi Citra Wajah Tepat 9 Ekstraksi Citra Wajah Tepat 10 Ekstraksi Citra Wajah Tidak tepat 11 Ekstraksi Citra Wajah Tepat 12 Ekstraksi Citra Wajah Tepat 13 Ekstraksi Citra Wajah Tepat 14 Ekstraksi Citra Wajah Tidak Tepat 15 Ekstraksi Citra Wajah Tepat
Tabel 4.2 Akurasi hasil ekstraksi wajah.
Hasil Jumlah
Tepat 12 Tidak tepat 3 Akurasi (%) 80 % 4.2 Pengujian Identifikasi Kepribadian
Identifikasi kepribadian menggunakan instrumen wajah ditentukan oleh tiga bagian yaitu alis, mata, dan bentuk kepala, pada bagian alis terdapat 6 model, bagian mata 6 model, dan bagian kepala 5 model. Model-model tersebut sebagai referensi dimana citra wajah pembelajar diidentikkan oleh salah satu model tersebut. Satu orang memiliki tiga bagian identifikasi dan memiliki 180 kemungkinan kombinasi. Oleh karena itu akan ditemukan sifat-sifat yang berbeda pada setiap hasil, namun kepribadian yang akan keluar tetap satu dari 4 kemungkinan. Pada pengujian sistem ini, terdapat 15 orang berpartisipasi untuk diuji secara visual. Untuk menentukan ketepatanya masing-masing responden diberikan kuesioner kepribadian yang disajikan oleh Florence, ini dilakukan untuk mengukur akurasi sitem identifikasi kepribadian. Gambar 4.3 dan 4.4 adalah contoh pengujian.
Pada Tabel 4.3 terdapat 15 orang responden, dalam pengujianya didapatkan 9 orang memiliki kepribadian yang sama dengan hasil kuesioner kepribadian yang dibuat oleh Florence dan 6 orang memiliki hasil yang berbeda. Akurasi dari sitem identifikasi kepribadian adalah 60 % seperti Tabel 4.4. Pada tabel 4.3 terdapat kolom kepribadian, kolom tersebut adalah hasil tes kepribadian menggunakan kuesioner sedangkan kolom alis, mata dan kepala adalah hasil tes dengan menggunakan perangkat lunak, dimana masing hasil memiliki relasi sifat yang masing-masing sifat dapat dikelompokkan berdasarkan jenis kepribadian, kepribadian yang memiliki angota paling banyak merupakan hasil identifikasi kepribadian.
Gambar 4.3 Pengujian pada alis dan mata.
Gambar 4.4 Pengujian pada wajah. Tabel 4.3 Tabel Pengujian Identifikasi Kepribadian
No Citra Mata Alis Kepala
Kepri-badian Hasil 1 1 6 4 Koleris Tepat 2 1 4 4 Koleris Tepat 3 1 4 4 Melankolis Tidak tepat 4 1 4 4 Plagmatis Tidak tepat 5 1 4 4 Sangwinis Tepat 6 1 4 4 Plagmatis Tidak tepat 7 1 2 4 Plagmatis Tidak tepat 8 1 1 4 Koleris Tepat 9 1 4 4 Sangwinis Tepat 10 1 4 4 Sangwinis Tepat 11 1 2 4 Melankolis Tepat 12 1 4 4 Melankolis Tidak tepat 13 1 2 4 Plagmatis Tidak tepat 14 1 4 4 Koleris Tepat 15 1 4 4 Koleris Tepat
Tabel 4.4 Akurasi hasil identifikasi kepribadian.
Hasil Jumlah Tepat Jumlah tidak tepat Akurasi Kepribadian 9 6 60 % V. KESIMPULAN
Ekstraksi fitur wajah dengan teknik memotong (crop) pada citra memiliki kesulitan yang relatif, sehingga dalam uji coba yang dilakukan diperoleh akurasi 80 %. Untuk algoritma eigenface merupakan algoritma yang cukup baik dalam mengenali fitur-fitur wajah, dan dapat mepresentasikan citra dalam bentuk karakteristik. Dari 15 percobaan identifikasi kepribadian menggunakan perangkat lunak didapatkan hasil 9 tepat dan 6 tidak tepat dengan cara membandingkan hasil identifikasi pada kuesioner. Oleh karena itu perangkat lunak tersebut dapat dinilai cukup baik dalam mengidentifikasi kepribadian dengan akurasi 60 %.
DAFTAR PUSTAKA
[1] Andri Muhammad, “Pemanfaatan Teknologi
Informasi Dalam pengembangan Media
Pembelajaran” IlmuKomputer, 2008.
[2] Ping Yang, dkk., “Study on Personality Learning in
E-learning”, School of Information, Bejing Union
University, IEEE, 2009.
[3] Al-Dujaily Amal, Hokyoung Ryu, “A Study on
Personality in Desingning Adaptive E-learning System”, Massey University, IEEE, 2008.
[4] Much Sukri Gozali, “Pengenalan Emosi Akademis
Menggunakan Jaringan Saraf Tiruan Untuk
Mendukung Personalisasi Sistem E-learning-”
Tugas Akhir TE 091399, Institut Teknologi Surabaya, 2010.
[5] Florence Littaure, “Personality Plus” Terjemahan Binarupa Aksara, Jakarta, 1996.
[6] Dwi Sunar P, “Tuntunan Praktis Membaca
Kepribadian Ala Ilmu Cina”, Buku Biru,
Yogyakarta, 2010.
[7] Harry Budi Santoso, “Pemodelan Personalisasi”, Fakultas Ilmu Komunikasi, Universitas Inndonesia, 2007.
[8] Betty Jacobe, Nancy Shoemaker, “The Myer-Briggs
Type Indicator: An Interpersonal Tool for System Administrators”, Consulting Psycologists Press,
1985.
[9] Sadullah Dede, “The Teacher’s Educational
Leadership Role Accordig to Kolb’s Theory of Learning”, IDOSI Publications, 2011.
[10] Barbara Engler,”Personality Theories, 8 edition”, Associated Press, 1999.
[11] Hanif Al Fatta, “Rekayasa Sistem Pengenalan
Wajah” CV. Andi Offset, Yogyakarta, 2009.
[12] Indra, “Sistem Pengenalan Wajah Dengan Metode
Eigenface untuk Absensi pada PT Florindo Lestari”,
Siminar Nasional Teknologi Informasi dan Komunikasi Terapan, Semarang, 2012.
[13] Ion Marques, “Face Recognition Algorithms”, Universidad Euskal Herriko, 2010.