73 4.1 Implementasi
4.1.1 Spesifikasi Sistem
Adapun spesifikasi komputer yang digunakan pada aplikasi penelitian pengenalan ekspresi wajah ini seperti pada tabel
Tabel 4.1 Spesifikasi perangkat keras
Processor
Intel® Core™ i5-2450M CPU Processor ( 2.50GHz, L3 Chace 3MB)
Chipset Intel® HM65
Memory 4 GB DDR3 665.3 MHz
Graphic NVIDIA GeForce 630M 2GB
Monitor 14” WXGA LED
Kamera Logitech C170 Webcam
Tabel 4.2 Spesifikasi perangkat lunak
Sistem Operasi Microsoft® Windows 7 Ultimate
Framework Microsoft .NET Framework 4.5
IDE Microsoft Visual Studio 2012 Ultimate
Library EmguCV, Aforge.NET
4.1.2 Penggunaan Aplikasi
Saat aplikasi dijalankan, akan tampil form utama seperti ditunjukan pada Gambar 4.1. Jika belum tersimpan data training citra wajah sama sekali maka akan ditampilkan pesan seperti yang di tunjukkan Gambar 4.2 sebelum layar utama.
Gambar 4.1 Form utama
Gambar 4.2 Pesan jika belum ada Neural Network yang dilatih
Langkah pertama yang perlu dilakukan adalah melakukan training. Pelatihan dapat dilakukan baik dengan hasil tangkapan kamera maupun melalui citra wajah dari file komputer lokal. Untuk memulai training dari hasil tangkapan kamera, dapat ditampilkan melalui menu “File” ”Training on Camera Capture”. Namun perlu diingat, ini harus di akses setelah kamera diaktifkan. Jika tidak akan ditampilkan pesan seperti pada Gambar 4.3
Gambar 4.3 Pesan jika kamera belum diaktifkan
Untuk memulai training on camera input, pertama – tama aktifkan kamera. Pilih kamera yang digunakan melalui comboBox. Setelah itu click button start atau juga bisa melalui menu “File” “Start.” Jika belum ada kamera yang dipilih, maka button start tidak bisa di-click begitu juga sub-menu start pada menu file. Status Label akan menampilkan teks yang menjelaskan mengapa button start dan toolstripMenu Start tidak bisa di-click.
Setelah berhasil mengaktifkan kamera, Status Label akan terus mengingatkan bahwa aplikasi sedang dalam metode menangkap citra, dan teks Training on Camera Capture berubah menjadi view training set. Jika masuk ke menu “view training set”, maka form baru akan muncul seperti pada Gambar 4.4.
Citra wajah yang di pilih dari list box kiri adalah hasil tangkapan kamera. Jika item dalam list box dipilih, citra akan di tampilkan pada picturebox. Untuk membuat citra yang dipilih sebagai data training, pilih expression yang sesuai dengan citra pada comboBox dengan FACS sebagai acuan. Setelah itu click “Copy ->”, kemudian akan didapatkan salinan citra dan nama citra di listbox Dataset.
Apabile kita memilih item pada listBox Dataset, akan didapatkan tampilan citra wajah dan juga ekspresi yang di tentukan pada comboBox, namun nilainya tidak dapat di ubah. Hal ini dapat terlihat pada Gambar 4.5.
Gambar 4.5 Tampilan Training Form setelah citra ditambahkan
Setelah memasukkan citra dan ekspresi wajah, maka selanjutnya adalah melakukan training pada jaringan syaraf tiruan. Jika ingin menghapus citra, cukup pilih citra yang ingin dihapus, kemudian klik tombol “Delete”. Setelah memeriksa semua file untuk training, click tombol “Start Training” kemudian program akan menampilkan MessageBox seperti pada Gambar 4.6. lalu setelah training selesai, training form akan tertutup dengan sendirinya.
Gambar 4.6 Pesan saat training akan dilakukan
Cara lain untuk melalukan training adalah dengan melakukan training melalui citra yang telah disiapkan dalam komputer lokal. Citra digital ini akan mengalami grayscaling dan equalize histogram Sebelum akhirnya akan di ekstraksi fiturnya untuk dimasukkan dalam jaringan syaraf tiruan. Proses ini dapat dilakukan dengan memilih menu “File” “Training on images”.
Ketika button browse di-click, maka dapat dipilih citra wajah untuk menjadi bakal data training. Bakal data training ini akan ditampilkan pada listBox di kiri. Jika item dalam listBox dipilih, citra akan di tampilkan pada pictureBox. Untuk membuat citra yang dipilih sebagai data training, pilih expression yang sesuai dengan citra pada comboBox dengan FACS sebagai acuan. Setelah itu click “Copy ->”. Maka akan didapatkan salinan citra dan nama citra di listbox Data set.
Namun perlu diingat, langkah preprocessing harus dilalui sebelum data tersebut masuk ke dalam ListBox Dataset. Ketika dari proses preprocessing ternyata dalam citra tidak dideteksi adanya wajah atau fitur wajah, akan ditampilkan pesan seperti pada Gambar 4.7 dan Gambar 4.8 dan citra akan dihapus dari listBox di kiri.
Gambar 4.7 Pesan saat wajah tidak terdeteksi
Gambar 4.8 Pesan saat mulut tidak terdeteksi
Apabile kita memilih item pada listBox DataSet, akan didapatkan tampilan citra wajah dan juga ekspresi yang di tentukan pada comboBox, namun nilainya tidak dapat di ubah. Hal ini dapat terlihat pada Gambar 4.9.
Setelah memasukkan gambar yang cukup, maka training dapat dilakukan dengan men-click button Start Training. Setelah training dilakukan baik melalui gambar maupun melalui hasil tangkapan kamera, barulah pengenal ekspresi wajah dapat berjalan.
Pendeteksian wajah tidak selalu diiringi dengan pengenalan ekspresi wajah karena masih ada kemungkinan walau wajah berhasil dikenali, fitur wajah tidak dikenali oleh program. Pendeteksian fitur sangat penting karena akan menjadi input untuk pengenalan ekspresi wajah.
Proses pengenalan ekspresi wajah dilakukan secara real time dengan menganalisa urutan citra yang ditangkap kamera. Ketika dideteksi wajah dalam frame, kotak berwarna hijau akan membingkai wajah yang dideteksi tersebut dan tracking pun dilakukan agar program aplikasi tidak harus selalu mendeteksi wajah tiap frame baru ditangkap kamera. Jika dari citra wajah tersebut gagal di deteksi fitur wajah, maka label status akan memberitahukan hal itu di layar. Bila deteksi berhasil, porgram aplikasi akan memasuki tahap pengenalan ekspresi wajah. Jika dari citra wajah yang terdeteksi itu didapat output berupa ekspresi wajah, maka label akan menampilkan nama dari ekspresi wajah yang dikenal tersebut.
Program aplikasi ini akan membantu dengan memberikan keterangan pada Status Label sehingga tidak membingungkan user. Ekspresi wajah yang ditangkap dapat dilihat di Status Label. Jika masih ditemukan kesulitan dalam menjalankan aplikasi, form help dapat digunakan untuk memberi informasi yang membantu. Untuk mengaksesnya cukup dengan men-click menu help.
4.1.3 Aplikasi Sejenis
Pada sub-bab ini, akan dilakukan analisis terhadap aplikasi pengenal ekspresi sejenis. Analisi yang dilakukan ditujukan terhadap beberapa aplikasi berdasarkan fitur-fitur dan jumlah ekspresi yang dapat dikenali oleh program aplikasi.
a. Pengenalan Ekspresi Wajah dengan Jaringan Syaraf Tiruan
Gambar 4.10 Tampilan dari aplikasi
Aplikasi Pengenalan Ekspresi Wajah dengan Jaringan Syaraf Tiruan dibuat oleh Murni pada tahun 2004. Aplikasi ini dikembangkan sebagai syarat untuk gelar kesarjanaan pada Jurusan Teknologi Informatika dan Matematika jenjang pendidikan Strata-1.
Aplikasi ini menerima input citra wajah bukan melalui hasil tangkapan kamera melainkan melalui gambar yang sudah disiapkan di komputer lokal. Aplikasi ini masih mengharuskan user menentukan titik-titik tertentu pada citra wajah sesuai FACS. Aplikasi ini memiliki kemampuan untuk mengenali tiga ekspresi wajah; senang, terkejut, dan marah.
Facial Expression recognizer lebih unggul di fitur real time dan otomatisasi, namun jumlah ekspresi wajah yang dikenal lebih sedikit. Berdasarkan analisis, Facial
Expression Recognizer lebih baik dari Aplikasi Pengenalan Ekspresi Wajah dengan Jaringan Syaraf Tiruan.
4.2 Hasil Analisis Data dan Pembahasan
4.2.1 Analisis Data
Tujuan dari penelitian ini adalah mengembangkan aplikasi yang dapat menyelesaikan masalah pengenalan ekspresi wajah. Analisis data dalam penelitian ini didapat dengan melakukan simulasi penggunaan sistem yang telah dibuat untuk mengetahui beberapa hal berikut:
a. Apakah metode Viola-Jones dapat menyelesaikan masalah pendeteksian fitur wajah.
b. Apakah metode back propagation dan Wavelet Haar dapat menyelesaikan masalah pengenalan ekspresi wajah.
Dalam simulasi ini, akan dibentuk dua jaringan syaraf tiruan dengan set citra training yang berbeda satu sama lain. Data training akan diambil dari beberapa orang dengan variasi ekspresi wajah yang telah disesuaikan dengan FACS. Data training untuk jaringan syaraf tiruan lannya adalah kumpulan citra hasil dari training on camera capture dan juga dari JAFFE..
Sebelum simulasi dilakukan, adalah penting untuk memperoleh Jaringan Syaraf tiruan dengan tingkat kesalahan seminim mungkin. Untuk itu perancangan jaringan syaraf tiruan menjadi bagian penting dalam menentukan keberhasilan aplikasi ini mencapai tingkat keakuratan yang tinggi.
Dalam perancangan jaringan syaraf tiruan, aplikasi ini dirancang dengan strategi “Overproduce and choose”. Pemilihan metode ini didasari beberapa penelitian sebelumnya yang menyatakan bahwa perancangan dengan strategi ”direct” akan menjadi kasus yang sulit dipecahkan.
4.2.2 Pembahasan
Dalam pengambilan data ada beberapa batasan sebagai berikut:
a. Simulasi dilakukan di dalam ruangan dengan tingkat pencahayaan dan posisi kamera yang konsisten.
b. Tidak terdapat rambut wajah, luka, tato, atau tanda lahir dari partisipan percobaan pendeteksian ekspresi wajah.
Pada saat persiapan simulasi, ditemukan permasalahan terhadap citra yang dideteksi oleh program aplikasi. Permasalahan yang dihadapi adalah bahwa dalam mengekstraksi fitur wajah, citra fitur tidak selamanya di ekstraksi dalam posisi citra yang sama seperti yang ditunjukkan paga Gambar 4.10
Gambar 4.4.11 Citra setelah fitur wajah di ekstraksi
Karena keterbatasan dalam ekstraksi fitur wajah, dua citra mulut yang sebenarnya sama, akan dianggap sebagai dua citra yang berbeda. Ini tentu semakin menyulitkan bila mengandalkan metode ekstraksi fitur wajah untuk menjadi input bagi jaringan syaraf tiruan. Selain itu, metode ini juga mengalami kesulitan karena diharuskan membuat tiga jaringan syaraf tiruan dengan tingkat kesalahan yang kecil. Hal ini sangat sulit untuk dicapai mengingat waktu yang dibutuhkan untuk merancang sebuah jaringan syaraf tiruan pun memakan waktu dan tenaga yang tidak
sedikit. Maka penyesuaian dalam perancangan aplikasi pun perlu dilakukan. Aplikasi akan mengekstraksi fitur wajah dalam citra utuh. Fitur wajah yang dieliminasi adalah telinga dan dahi. Ini dilakukan berdasarkan fakta bahwa dalam landasan teori, pergerakan dahi dan telinga tidak bermakna penting dalam pengenalan ekspresi wajah.
Sebelum melakukan pengujian kemampuan program aplikasi dalam mengenali ekspresi wajah, penguian terhadapat kemampuan pogram aplikasi mengekstraksi fitur wajah dilakukan. Dalam pengujian ini, program aplikasi berhasil mendeteksi 62 citra wajah .Ditemukan dari 62 citra wajah tersebut terdapat 8 citra tidak berhasil dideteksi baik wajah maupun fitur wajah lainnya.
Tabel 4.3 Hasil simulasi pendeteksian fitur wajah
Sumber Citra Jumlah citra input Jumlah Gagal
Tangkapan kamera 62 8
Berdasarkan hasil simulasi diatas, maka dapat diukur berapa besar Failure to Acquire (FTA). FTA adalah peluang sistem gagal mendeteksi input.
Dengan tingkat kegagalan yang kecil, maka bisa disimpulkan bahwa program aplikasi mampu mendeteksi fitur wajah dengan baik dan simulasi dapat dilanjutkan dengan tahap pelatihan jaringan syaraf tiruan.
Apabila telah diperoleh jaringansyaraf tiruan dengan tingkat kesalahan yang kecil, maka pengujian bisa dilakukan. Aplikasi ini memiliki fitur untuk menampilkan
hasil pengenalan wajah kepada pengguna. Tampilan hasil pengenalan akan menampilkan citra wajah yang dikenali, nilai output dari jaringan syaraf tiruan, dan juga hasil pelabelan kondisi emosional oleh sistem setelah mengolah hasil output jaringan syaraf tiruan.
Gambar 4.12 Tampilan layar data hasil simulasi
Setelah melakukan training, dan pemilihan jaringan syaraf tiruan, akhirnya diambil jaringan syaraf tiruan dengan desain 16 input node, 13 hidden node, dan 3 output node. Jaringan syaraf tiruan dengan tingkat kesalahan 0,00008 tersebut dilatih dengan 30 citra dari database JAFFE sebanyak 1.000.000 kali dan memakan waktu selama 7 menit 41 detik.
Harapan dari tingkat kesalahan yang rendah ini adalah agar dihasilkan learning machine yang mengklasifikasikan citra yang tertangkap dengan akurat berdasarkan FACS dimana klasifikasian ini akan dipakai untuk mengklasifikasikan ekspresi wajah. Namun hasil simulasi menunjukkan bahwa tingkat keakuratan pengenalan ekspresi pada responden tidak memuaskan. Ini menunjukkan bahwa pengklasifikasian oleh machine learning, tidak hanya mendasari pengklasifikasian berdasarkan FACS, namun juga berdasarkan pengenalan wajah. Untuk menguji kesimpulan diatas, diperlukan untuk melakukan simulasi lainnya.
Dari simulasi ini juga ditemukan permasalahan karena kesulitan untuk menghasilkan citra input yang mirip dengan citra training dalam hal pencahayaan dan pengaturan sudut wajah. Hal ini menjadi penting karena nilai input dalam rancangan sistem ini berdasarkan nilai piksel citra, dan bukan berdasarkan pergerakan titik – titik tertentu pada wajah. Dari kesimpulan ini, untuk memastikan program ini dapat berjalan dengan baik, citra untuk pelatihan learning machine haruslah diambil di situasi yang sama dengan situasi dan pencahayaan citra input dalam proses testing/ recall.
Tingkat akurasi yang kecil dalam mengenali ekspresi wajah dari jaringan syaraf tiruan yang dilatih dengan citra yang berasal dari JAFFE diduga karena tidak adanya kemiripan wajah citra dari JAFFE dengan wajah pengguna. Untuk mengetahui pengaruh jumlah wajah yang menjadi data training terhadap kemampuan mengenali ekspresi wajah, perlu dilakukan penelitian lain.
Gambar 4.13 menunjukkan bahwa semakin banyak wajah yang dimasukkan dalam training, maka tingkat keakuratan untuk pengenalan wajah bagi orang yang tidak digunakan citra wajahnya dalam training akan semakin besar.
Simulasi kedua dicoba dilakukan dengan situasi terkontrol seperti yang diharapkan dalam pembuatan database ekspresi wajah. Dengan data training diambil dari 8 sukarelawan. Tiap sukarelawan akan diambil tiga gambar untuk tiap ekspresi . dengan total 72 citra akan digunakan untuk sebagai input perancangan jaringan syaraf tiruan. Penentuan jumlah node pada hidden layer dilakukan dengan cara over produce and choose. Setelah dihasilkan banyak jaringan syaraf tiruan, akhirnya diambil satu jaringan syaraf tiruan yang memiliki nilai error yang sesuai yang dibutuhkan. Tingkat error ditentukan haruslah dibawah 0,00001 karena dengan nilai fungsi aktivasi sigmoid, nilai yang keluar antara 1 hingga 0. Sehingga nilai error tersebut masih bisa ditolerir dan tidak mempengaruhi akurasi pengenalan. Detail jaringan syaraf tiruan seperti yang dijelaskan pada Tabel 4.4.
Tabel 4.4 Detail Jaringan Syaraf Tiruan yang Diuji
Jumlah Hidden Layer 1
Jumlah Node pada Input Layer 16
Jumlah Node pada Hidden Layer 13
Jumlah Node pada Output Layer 4
Metode Pelatihan Back propagation
Besar Nilai Learning Rate (α) 0,1
Fungsi Aktivasi Fungsi Sigmoid
Besar Error 0,00001
Besar Epoch (perulangan pelatihan) 1.160.000
Lama Pelatihan Jaringan Syaraf Tiruan 00:25:57.54
Simulasi dilakukan dengan cara meminta tiap sukarelawan berpose dengan eskpresi sesuai FACS selama 5 detik tiap ekspresi wajah. Selama merekam 5 detik, citra akan menampilkan wajah yang bisa dideteksi dan memberikan hasil pengenalan
dalam label, juga diberikan nilai output asli dari jaringan syaraf tiruan. Selama lima detik tersebut, jumlah citra yang berhasil di deteksi tidaklah sama untuk tiap orang dan tiap ekspresi karena tergantung dengan kemampuan metode Viola Jones mendeteksi mata dan mulut dengan setiap variasi pergerakan otot.
Tabel 4.5 Hasil Simulasi Program
GRAND TOTAL hasil deteksi total %akurat
senang netral terkejut unidentified ekspresi
senang 72 2 0 3 77 93,50649
netral 4 81 0 9 94 86,17021
terkejut 3 0 74 2 79 93,67089
total 79 83 74 14 250 91,11586
Tabel diatas menjelaskan jumlah total dari ekspresi pada citra yang tertangkap dan juga pengklasifikasian yang diberikan secara otomatis oleh sistem pengenal ekspresi wajah. Jika kita melihat data pada baris pertama, disana dijelaskan bahwa terdapat 72 citra dengan ekspresi wajah senang yang diklasifikasikan oleh sistem sebagai senang, dan 2 citra dengan ekspresi senang di klasifikasikan sebagai ekspresi netral, 0 citra dengan ekspresi wajah senang yang diklasifikasikan sebagai wajah terkejut, 3 citra dengan ekspresi senang tidak dikenali oleh sistem dan total terdapat 77 citra dengan ekspresi wajah senang/bahagia. Tabel ini juga bila dibaca dari data pada kolom pertama/paling kiri, 72 citra dengan ekspresi wajah senang diklasifikasikan sebagai ekspresi bahagia oleh sistem, 4citra dengan ekspresi wajah netral/tanpa ekspresi diklasifikasikan sebagai ekspresi senang oleh sistem, 3 citra dengan ekspresi wajah terkejut diklasifikasikan oleh program aplikasi sebagai senang, dan total sistem mengklasifikasikan 72 citra ekspresi wajah sebagai senang.
Dari tabel 4.4 , data tersebut dapat kita pisah untuk menguji tingkat kesalahan untuk pengklasifikasian tiap ekspresi wajah berikut disajikan tabel hasil analisis data
untuk klasifikasi tiap ekspresi wajahDalam menentukan kualitas dari program maka akan digunakan beberapa perhitungan. False Rejection Rate (FRR), False Acceptance Rate (FAR). Total Error Rate (TER), Half Total Error Rate (H-TER), True Accept Rate (TAR), dan terakhir, True Reject Rate (TRR). False Rejection Rate adalah peluang citra yang sesuai dengan klasifikasi tertentu, dinyatakan berbeda oleh sistem. False Acceptance Rate adalah besar peluang sistem salah mengklasifikasikan suatu input sesuai dengan pola dalam jaringan syaraf tiruan. Total Error Rate adalah hasil penjumlahan dari FAR dan FRR. Half total Error Rate dapat dinyatakan sebagai rata-rata dari FAR dan FRR. True Accept Rate adalah besar peluang sistem dengan benar mengklasifikasikan suatu input sesuai dengan pola dalam jaringan syaraf tiruan. True Reject Rate (TRR) adalah peluang citra yang tidak sesuai dengan klasifikasi tertentu, dinyatakan berbeda oleh sistem. Setelah mendapatkan semua perhitungan yang dijelaskan diatas, barulah dapat diketahui tingkatan performa dari program aplikasi yang telah dbangun.
Tabel 4.6 Analisis untuk pengklasifikasian ekspresi senang Analisis ekspresi Senang hasil deteksi total TAR 91% senang lainnya TRR 97% ekspresi senang 72 5 77 FAR 9% lainnya 7 166 173 FRR 3% total 79 171 250 TER 12% H-TER 6%
Tabel 4.7 Analisis untuk pengklasifikasian ekspresi netral Analisis ekspresi Netral hasil deteksi total TAR 98% netral lainnya TRR 92% ekspresi netral 81 13 94 FAR 2% lainnya 2 154 156 FRR 8% total 83 167 250 TER 10% H-TER 5%
Tabel 4.8 Analisis untuk pengklasifikasian ekspresi terkejut Analisis ekspresi Terkejut hasil deteksi total TAR 100% terkejut lainnya TRR 97% ekspresi terkejut 74 5 79 FAR 0% lainnya 0 171 171 FRR 3% total 74 176 250 TER 3% H-TER 1%
Dari hasil pencatatan, dilihat bahwa secara umum, program aplikasi mampu mengenali tiap ekspresi wajah dengan sangat baik. Tingkat kesalahan yang mencapai dibawah 10% menandakan bahwa metode dan algoritma yang dapat memecahkan masalah pengenalan ekspresi wajah secara real time.
Dari hasil pengamatan terhadap urutan ekspresi wajah yang dikenali yang tercatat, ditemukan bahwa ternyata sangat sedikit ditemukan kesalahan yang pengenalan yang terjadi untuk dua gambar berturut- turut seperti yang terlihat pada gambar Dari analisis terhadap data, maka disimpulkan bahwa program salah mengklasifikasi ekspresi wajah paling sering dua ekspresi salah berturut-turut. Untuk meningkatkan keakuratan, program baru akan menampilkan label bila didapati dua citra berturut-turut. Ini dapat mengurangi resiko kesalahan dengan ganti sistem akan lebih lama dalam mengenal ekspresi wajah
Gambar 4.14 Hasil pencatatan pengenalan ekspresi wajah
Selama simulasi berjalan, ditemukan delay dalam menampilkan gambar tangkapan citra setiap pendeteksian dimulai. Namun delay tersebut tidaklah terlalu besar dan tidak mengganggu berlangsungnya simulasi.
Dari pembahasan diatas, dapat ditarik kesimpulan;
a. Metode pendeteksi dengan metode haar-like feature menghasilkan program aplikasi dengan FTA yang kecil. FTA yang kecil menandakan bahwa algoritma dan metode yang dipakai sudah cukup efektif.
b. Program aplikasi mampu mengenali ekspresi wajah dari seseorang yang citra wajahnya tidak dijadikan input sebagai data training. Hasil pengenalan yang baik pada sukarelawan yang citra wajahnya tidak dimasukkan dalam data training dapat dicapai.
c.
Algoritma yang dijalankan program aplikasi berjalan cukup cepat dalam lingkungan simulasi sehingga tidak ditemukan delay yang menganggu dalam pengenalan ekspresi secara real time.d. Persentase pengenalan ekspresi wajah dapat ditingkatkan dengan cara mengambil kesimpulan bila terdapat dua citra berurutan mengeluarkan hasil pengenalan yang sama.
