BAB IV IMPLEMENTASI DAN EVALUASI. Jones, kami membuat sebuah aplikasi sederhana, dengan spesifikasi perangkat lunak

IMPLEMENTASI DAN EVALUASI

4.1 Aplikasi Pengujian

Untuk menguji kecepatan dan keakuratan metode pendeteksian wajah Viola Jones, kami membuat sebuah aplikasi sederhana, dengan spesifikasi perangkat lunak sebagai berikut:

‐ Microsoft Windows 7 Ultimate

‐ Microsoft Visual C++ 2008 Express Edition

‐ Pustaka OpenCV 1.0

‐ Pustaka FLTK

Sedangkan spesifikasi perangkat keras yang digunakan dalam pengujian adalah sebagai berikut:

‐ Processor Intel(R) Core(TM)2 Duo CPU 2.13GHz

‐ RAM 4 GB

‐ Kamera web USB dengan resolusi 640x480

 

Gambar 4.1 Aplikasi pengujian metode pendeteksian wajah Viola Jones

Pada aplikasi pengujian, dapat dilakukan pendeteksian wajah dari citra, ataupun dari kamera web. Untuk pendeteksian wajah pada citra, citra diinput menggunakan tombol ‘load image’. Citra yang dapat diinput adalah citra JPEG dan citra PNG. Untuk melakukan pendeteksian, digunakan tombol ‘Detect Face(s)’. Sedangkan untuk memulai pendeteksian wajah dengan kamera web, digunakan tombol ‘Start Camera’. Setelah tombol tersebut ditekan, program akan terus menerus melakukan pendeteksian wajah terhadap setiap frame yang ditangkap oleh kamera web, hingga tombol ‘Stop Camera’

ditekan. Program akan menampilkan waktu pendeteksian serta jumlah wajah yang terdeteksi, dan untuk setiap wajah yang terdeteksi akan diberi gambar persegi berwarna merah sebesar wajah yang terdeteksi.

Besar citra sub window awal yang digunakan adalah 24x24, dengan faktor skala

sebesar 1,1.

 

Gambar 4.2 Hasil pendeteksian wajah Viola Jones

Gambar 4.3 Hasil pengujian terhadap citra

 

Gambar 4.4 Hasil pengujian dengan kamera web

 

4.2 Pengujian

Parameter pengujian yang digunakan meliputi:

1. Waktu pendeteksian, disajikan dalam satuan mili seconds (ms).

2. Keakuratan pendeteksian, disajikan dalam bentuk persentase.

Berikut adalah pengujian yang dilakukan:

1. Pengujian terhadap 100 citra berisi wajah

Citra pengujian diambil secara acak dari internet dan koleksi pribadi. Citra yang diuji memiliki resolusi rata-rata 640x480 piksel. Ada dua jenis pengujian yang dilakukan terhadap citra, yaitu sebagai berikut:

a. Pengujian terhadap waktu pendeteksian

Untuk menghitung waktu pendeteksian, digunakan fungsi cvGetTickCount() dan cvGetTickFrequency(), dengan aturan sebagai berikut:

Waktu pendeteksian ms T2 T1 F 1000 Di mana:

T1 = cvGetTickCount() sebelum pendeteksian T2 = cvGetTickCount() setelah pendeteksian F = cvGetTickFrequency()

b. Pengujian terhadap keakuratan pendeteksian

Untuk menghitung keakuratan pendeteksian, digunakan rumus sebagai berikut:

Keakuratan pendeteksian % A B

2

 

Dengan:

A true_positive face_on_image B true_positive

face_detected Di mana:

true_positive = jumlah objek terdeteksi yang benar merupakan wajah manusia

face_on_image = jumlah wajah manusia yang ada di dalam citra (jumlah wajah manusia yang seharusnya terdeteksi)

face_detected = jumlah seluruh objek yang terdeteksi, baik yang merupakan wajah, maupun bukan (true_positive + false_positive)

2. Pengujian dengan kamera web

Pengujian yang dilakukan dengan kamera web adalah untuk mengukur waktu pendeteksian. Metode yang digunakan untuk mengukur waktu pendeteksian ini sama dengan metode yang digunakan pada pengukuran waktu pendeteksian pada citra, seperti yang telah dijelaskan di atas.

4.3 Hasil Pengujian

Berikut adalah tabel hasil pengujian terhadap 20 citra untuk mengukur waktu

pendeteksian dengan metode Viola jones.

 

Tabel 4.1 Tabel hasil pengujian terhadap citra untuk mengukur waktu pendeteksian dengan metode Viola Jones (20 dari 100 pengujian)

No. Nama Citra Dimensi Citra Waktu Pendeteksian (ms)

1. 005.jpg 427x640 259,687

2. 016.jpg 640x427 282,703

3. 024.jpg 452x640 305.022

4. 036.jpg 640x480 241.669

5. 042.jpg 480x640 227.074

6. 052.jpg 480x636 348,482

7. 058.jpg 640x426 266,248

8. 065.jpg 640x364 255,777

9. 071.jpg 480x601 344,606

10. 079.jpg 640x480 348,930

11. 084.JPG 640x427 297,877

12. 090.jpg 640x426 311,165

13. 095.jpg 640x480 338,569

14. 100.jpg 640x480 378,551

15. 105.jpg 480x523 348,946

16. 111.jpg 640x474 366,851

17. 116.jpg 640x429 319,197

18. 122.jpg 640x480 461,142

19. 132.jpg 637x480 456,076

20. 142.jpg 480x480 245,141

 

Dari pengujian yang dilakukan terhadap 100 file citra yang berbeda, didapatkan data-data sebagai berikut:

Rata rata waktu pendeteksian Total waktu pendeteksian Jumlah data pengujian 32.436,250

100 324,362 ms

Waktu pendeteksian tercepat adalah 178,232 ms, pada citra berdimensi 427x640.

Waktu pendeteksian terlama adalah 461,142 ms, pada citra berdimensi 640x480.

Berikut adalah tabel hasil pengujian terhadap 20 citra untuk mendapatkan persentase keakuratan pendeteksian dengan metode Viola Jones.

Tabel 4.2 Tabel hasil pengujian terhadap citra untuk mengukur akurasi pendeteksian dengan metode Viola Jones (20 dari 100 pengujian)

No. Nama File

Face_on _image

True_

positive

False_

positive

Total_

detected

A (%)

B (%)

1. 005.jpg 1 1 0 1 100 100

2. 016.jpg 1 1 0 1 100 100

3. 024.jpg 2 2 0 2 100 100

4. 036.jpg 2 2 0 2 100 100

5. 042.jpg 2 2 0 2 100 100

6. 052.jpg 4 3 0 3 75 100

7. 058.jpg 5 5 0 5 100 100

 

8. 065.jpg 6 5 0 5 83,333 100

9. 071.jpg 4 4 0 4 100 100

10. 079.jpg 9 8 0 8 88,889 100

11. 084.JPG 12 12 0 12 100 100

12. 090.jpg 16 16 1 17 100 94,118

13. 095.jpg 23 23 1 24 100 95,833

14. 100.jpg 21 20 0 20 95,238 100

15. 105.jpg 4 4 0 4 100 100

16. 111.jpg 6 6 0 6 100 100

17. 116.jpg 10 7 0 7 70 100

18. 122.jpg 11 9 0 9 81,818 100

19. 132.jpg 6 6 0 6 100 100

20. 142,jpg 9 9 1 10 100 90

Dari pengujian yang dilakukan terhadap 100 file citra yang berbeda, didapatkan rata-rata akurasi pendeteksian sebagai berikut:

A ∑ A

Jumlah data pengujian 9476,039

100

94,760 %

 

B ∑ B

Jumlah data pengujian 9590,318

100 95,903 %

Rata rata akurasi pendeteksian A B 2

94,760 95,903 2

190,664 2 95,332 %

Besar false_positive yang didapatkan ∑ false_positive

∑ total_detected 100%

35

768 100%

0,04557 100%

4,557 %

Berikut adalah tabel hasil pengujian dengan kamera web untuk mengukur waktu

pendeteksian dengan metode Viola Jones.

 

Tabel 4.3 Tabel hasil pengujian dengan kamera web untuk mengukur waktu pendeteksian dengan metode Viola Jones (20 dari 100 pengujian)

No. Nama Frame Waktu Pendeteksian (ms)

1. Frame001 427,648

2. Frame002 418,851

3. Frame003 648,510

4. Frame004 606,856

5. Frame005 508,654

6. Frame006 426,883

7. Frame007 447,102

8. Frame008 421,279

9. Frame009 232,300

10. Frame010 216,486

11. Frame011 435,021

12. Frame012 262,606

13. Frame013 413,098

14. Frame014 405,413

15. Frame015 441,236

16. Frame016 625,275

17. Frame017 453,861

18. Frame018 607,237

19. Frame019 620,528

20. Frame020 408,404

 

Dari pengujian yang dilakukan terhadap 100 frame yang berbeda, didapatkan data-data sebagai berikut:

Rata rata waktu pendeteksian Total waktu pendeteksian Jumlah data pengujian 44.570,584

100 445,705 ms Waktu pendeteksian tecepat adalah 166,960 ms.

Waktu pendeteksian terlama adalah 888,807 ms.

Sebagai perbandingan, kami menggunakan sebuah software demo pendeteksian

wajah secara real-time yang bernama Realtime Face Detection Demo V 2.0 dan dibuat

oleh sebuah perusahaan IT bernama Control Chaos Technology (CCT). Software ini

didasarkan pada kernel ChaosFace SDK 1.5. User dapat menginput citra (tunggal

ataupun banyak), atau menggunakan kamera web USB untuk memulai pendeteksian

wajah. Wajah yang dapat dideteksi oleh software ini adalah wajah dengan posisi frontal,

miring, atau profil. Selain itu, user juga dapat menentukan nilai threshold pendeteksian

yang akan digunakan, yaitu dari 0% sampai 100%, dan besar jarak minimal antara kedua

mata yang dapat dideteksi, yaitu 8, 16, atau 32.

 

Gambar 4.5 About Realtime Face Detection Demo V 2.0

Gambar 4.6 Hasil pendeteksian wajah pada citra input dengan Realtime Face Detection

Demo V 2.0

 

Gambar 4.7 Hasil pendeteksian wajah pada kamera web dengan Realtime Face

Detection Demo V 2.0

 

Berikut adalah tabel hasil pengujian terhadap 20 citra untuk mengukur waktu pendeteksian menggunakan Realtime Face Detection Demo V 2.0.

Tabel 4.4 Tabel hasil pengujian terhadap citra untuk mengukur waktu pendeteksian dengan Realtime Face Detection Demo V 2.0 (20 dari 100 pengujian)

No. Nama Citra Dimensi Citra Waktu Pendeteksian (ms)

1. 005.jpg 427x640 609

2. 016.jpg 640x427 624

3. 024.jpg 452x640 531

4. 036.jpg 640x480 328

5. 042.jpg 480x640 624

6. 052.jpg 480x636 733

7. 058.jpg 640x426 827

8. 065.jpg 640x364 561

9. 071.jpg 480x601 733

10. 079.jpg 640x480 1.077

11. 084.JPG 640x427 1.435

12. 090.jpg 640x426 1.014

13. 095.jpg 640x480 1.357

14. 100.jpg 640x480 1.420

15. 105.jpg 480x523 811

16. 111.jpg 640x474 1.748

17. 116.jpg 640x429 671

 

18. 122.jpg 640x480 904

19. 132.jpg 637x480 889

20. 142.jpg 480x480 905

Dari pengujian yang dilakukan terhadap 100 file citra yang berbeda, didapatkan data-data sebagai berikut:

Rata rata waktu pendeteksian Total waktu pendeteksian Jumlah data pengujian 91.417

100 914,17 ms

Waktu pendeteksian tercepat adalah 312 ms, pada citra berdimensi 640x480.

Waktu pendeteksian terlama adalah 1.748 ms, pada citra berdimensi 640x474.

Berikut adalah tabel hasil pengujian terhadap 20 citra untuk mendapatkan persentase keakuratan pendeteksian dengan Realtime Face Detection Demo V 2.0.

Tabel 4.5 Tabel hasil pengujian terhadap citra untuk mengukur akurasi pendeteksian dengan Realtime Face Detection Demo V 2.0 (20 dari 100 pengujian)

No. Nama File

Face_on _image

True_

positive

False_

posivet

Total_

detected

A (%)

B (%)

1. 005.jpg 1 1 0 1 100 100

2. 016.jpg 1 0 0 0 0 100

3. 024.jpg 2 2 0 2 100 100

 

4. 036.jpg 2 1 0 1 50 100

5. 042.jpg 2 2 0 2 100 100

6. 052.jpg 4 4 0 4 100 100

7. 058.jpg 5 4 0 4 80 100

8. 065.jpg 6 4 0 4 66,667 100

9. 071.jpg 4 3 1 4 75 75

10. 079.jpg 9 7 0 7 77,778 100

11. 084.JPG 12 11 0 11 91,667 100

12. 090.jpg 16 10 0 10 62,5 100

13. 095.jpg 23 20 0 20 86,956 100

14. 100.jpg 21 19 1 20 90,476 90

15. 105.jpg 4 4 0 4 100 100

16. 111.jpg 6 6 0 6 100 100

17. 116.jpg 10 7 0 7 70 100

18. 122.jpg 11 8 1 9 72,727 88,889

19. 132.jpg 6 5 0 5 83,333 100

20. 142,jpg 9 9 0 9 100 100

Dari pengujian yang dilakukan terhadap 100 file citra yang berbeda, didapatkan

rata-rata akurasi pendeteksian sebagai berikut:

 

A ∑ A

Jumlah data pengujian 8.126,200

100 81,262 %

B ∑ B

Jumlah data pengujian 9857,624

100 98,576 %

Rata rata akurasi pendeteksian A B 2

81,262 98,576 2

179,838 2 89,919 %

Besar false_positive yang didapatkan ∑ false_positive

∑ total_detected 100%

11

650 100%

0,01692 100%

1,692 %

 

Berikut adalah tabel hasil pengujian dengan kamera web untuk mengukur waktu pendeteksian dengan Realtime Face Detection Demo V 2.0.

Tabel 4.6 Tabel hasil pengujian dengan kamera web untuk mengukur waktu pendeteksian dengan Realtime Face Detection Demo V 2.0 (20 dari 100 pengujian)

No. Nama Frame Waktu Pendeteksian (ms)

1. Frame001 219

2. Frame002 243

3. Frame003 218

4. Frame004 156

5. Frame005 187

6. Frame006 156

7. Frame007 171

8. Frame008 187

9. Frame009 141

10. Frame010 187

11. Frame011 154

12. Frame012 234

13. Frame013 203

14. Frame014 176

15. Frame015 203

16. Frame016 202

17. Frame017 219

 

18. Frame018 219

19. Frame019 234

20. Frame020 327

Dari pengujian yang dilakukan terhadap 100 frame yang berbeda, didapatkan data-data sebagai berikut:

Rata rata waktu pendeteksian Total waktu pendeteksian Jumlah data pengujian 225.020

100 225,02 ms Waktu pendeteksian tecepat adalah 141 ms.

Waktu pendeteksian terlama adalah 343 ms.

4.4 Evaluasi

Dari pengujian yang dilakukan, didapatkan beberapa kesimpulan sebagai berikut:

‐ Pendeteksian wajah frontal pada citra dengan metode Viola Jones memiliki kecepatan yang jauh lebih tinggi dibandingkan dengan software Realtime Face Detection Demo V 2.0.

‐ Pendeteksian wajah frontal menggunakan kamera web dengan metode Viola Jones

memiliki kecepatan yang lebih rendah dibandingkan dengan software Realtime Face

Detection Demo V 2.0.

 

‐ Keakuratan pendeteksian wajah frontal dengan metode Viola Jones lebih tinggi dibandingkan dengan software Realtime Face Detection Demo V 2.0, walaupun persentase false positive yang didapatkan metode Viola jones lebih tinggi.

‐ Dimensi citra input mempengaruhi lamanya waktu pendeteksian dengan metode Viola Jones, tetapi kurang berpengaruh pada software Realtime Face Detection Demo V 2.0. Pada metode Viola jones, semakin besar dimensi citra input, semakin lama waktu yang dibutuhkan untuk melakukan pendeteksian.

‐ Pendeteksian Viola Jones bergantung pada besar sub-window awal dan faktor skala yang digunakan untuk melakukan pendeteksian. Sedangkan pada software Realtime Face Detection Demo V 2.0, pendeteksiannya bergantung pada jarak minimal antara kedua mata.

‐ Wajah yang dapat dideteksi oleh metode Viola Jones dengan penggunaan template

file haarcascade_frontalface_alt.xml adalah wajah dengan posisi frontal. Semakin

miring posisi suatu wajah, semakin kecil kemungkinan wajah tersebut dapat

dideteksi.