87
BAB 4
HASIL DAN PEMBAHASAN
4.1 Implementasi 4.1.1 Spesifikasi Sistem
Spesifikasi komputer yang digunakan dalam melakukan simulasi pada aplikasi perancangan pencarian daftar hitam dengan deteksi wajah berdasarkan database SQL ini ditunjukkan pada Tabel 4.1 :
Tabel 4.1 Spesifikasi perangkat keras
Processor
Intel® Core™ 2 Duo Processor T6500 (2.1 Ghz, 800Mhz FSB)
Chipset Intel® GM45
Memory 4GB DDR3 RAM 1066 MHz
Graphic NVIDIA GeForce G105M
Monitor 14” HD Acer CineCrystal™ LED LCD
Kamera
Integrated Acer Crystal Eye 1.3MP Webcam
Tabel 4.2 Spesifikasi perangkat lunak
Sistem Operasi Microsoft® Windows 7 Professional
Framework Microsoft .NET Framework 2.0
IDE Microsoft Visual Studio 2012
Library EmguCV
4.1.2 Penggunaan Aplikasi
Saat aplikasi dijalankan, maka form utama akan ditampilkan seperti pada Gambar. Jika data training citra wajah belum ada di database, maka pesan akan ditampilkan seperti yang ditunjukkan di dalam Gambar 0.2 .
Gambar 4.1 Form utama (main form)
Gambar 4.2 Pesan jika belum ada data di database
Langkah pertama yang perlu dilakukan adalah memasukkan training data ke dalam database dengan memilih menu “Training Data”.
Gambar 4.3 Mengakses form input training data
Proses penambahan data training citra wajah dapat dilakukan dengan menangkap secara langsung citra wajah yang tertangkap oleh webcam yang sedang aktif. Pengguna dapat menekan tombol “Capture” pada saat ada citra wajah yang sedang tertangkap oleh proses deteksi yang ditunjukakan dengan adanya kotak merah, hijau, atau biru sesuai posisi arah wajah. Citra wajah yang berhasil ditangkap akan ditambahkan ke dalam listbox “Face Image”.
Gambar 4.4 Form input data training melalui kamera webcam (realtime capture)
Gambar 4.5 Tampilan form input data training dengan wajah yang berhasil ditangkap Citra wajah yang berhasil ditangkap diberi nama berdasarkan penggunaan pose saat deteksi dilakukan. Untuk pose dari depan ditandai dengan “Frontal Face Image i”, pose dari kanan ditandai dengan “Right Face Image i”, dan pose dari kiri ditandai dengan “Left Face Image i” (variabel i sebagai penomoran) seperti ditunjukkan pada Gambar )
Citra wajah yang ditangkap akan ditampilkan ke dalam listbox “Face Image”.
Bila citra wajah yang ditangkap tidak muncul di listbox “Face Image” maka pilih
“Refresh List Face Image” untuk menampilkannya. Citra wajah yang belum muncul tadi, akan segera ter-refresh dan ditampilkan di listbox “Face Image”. Untuk menghapus citra wajah yang telah ditangkap, dipilih “Delete Selected Image”. Citra wajah yang dipilih akan terhapus dari listbox “Face Image”.
Gambar 4.6 Me-refresh data citra wajah dalam listbox “Face Image”
Gambar 4.7 Menghapus data citra wajah dalam listbox “Face Image”
Pengisian data training seperti nama, jenis kelamin, alamat, tanggal lahir, kasus kriminalitas, tanggal, masuk dan keluar penjara dilakukan pada form “Training Data” di panel bagian kanan. Gambar pengisian data profil ditunjukkan seperti gambar di bawah ini.
Gambar 4.8 Tampilan pengisian data training database
Setelah citra wajah telah ditambahkan dan semua data-data training telah diisi, maka pilih tombol “Save” untuk menyimpan data training ke dalam database. Pilih tombol “Cancel” untuk membatalkan operasi input data ke dalam database.
Gambar 4.9 Proses menyimpan data training ke dalam database
Gambar 4.10 Proses membatalkan penyimpanan data training ke dalam database
Setelah data training disimpan, proses pengenalan wajah dapat dilakukan dengan memilih sumber masukan. Sumber masukan dapat berupa tangkapan secara realtime, citra digital statis, atau video. Untuk sumber masukan berupa realtime capture, dapat dipilih tombol “Turn On Camera”.
Gambar 4.11 Proses deteksi dan pengenalan citra wajah realtime capture
Citra wajah yang berhasil dideteksi akan ditandai dengan kotak berwarna merah(depan), biru(kiri), atau hijau(kanan) sesuai dengan pose yang terdeteksi.
Sedangkan citra wajah yang berhasil dikenali akan dicatat dan ditambahkan ke dalam
“List View” di bagian bawah form Main View.
Gambar 4.12 Proses deteksi dan pengenalan citra wajah realtime capture dikenali dan dicatat dalam List View
Untuk sumber masukan berupa citra digital statis, dapat dipilih tombol “Input Image”. Tombol “Input Image” ditunjukkan pada gambar di bawah ini.
Gambar 4.13 Mengakses form input image
Gambar 4.14 Form citra dengan masukan gambar digital
Pada tampilan rancangan layar form Input Image, pengguna dapat memasukan citra wajah digital dengan memilih tombol “Browse”. Citra wajah digital yang telah dipilih akan ditampilkan di panel bagian kiri .
Untuk mencocokkan citra wajah digital yang dipilih dengan citra wajah dari database, maka dipilih “Predict”. Bila citra wajah digital yang dipilih cocok dengan
citra wajah pada database, maka data-data orang tersebut akan dimunculkan di panel bagian kanan.
Untuk sumber masukan berupa video, dapat dipilih tombol “Input Video”. Lalu pilih video yang ingin dicocokan citra wajahnya dengan citra wajah di database.
Gambar 4.15 Mengakses form input video
Gambar 4.16 Form citra dengan masukan video
Semua citra wajah yang cocok dengan citra wajah yang terdapat di database akan disimpan dan dapat dilihat di “View All History”. Isi dari form View All History adalah detil dari citra wajah yang telah dikenali tersebut.
Gambar 4.17 Mengakses form view all history
Gambar 4.18 Form view all history
Untuk melihat semua data yang tersimpan di
Data”. Pada form ini akan ditampilkan citra wajah dan data diri secara detil dari setiap orang yang telah disimpan datanya di dalam
Pengaturan deteksi dan pengenalan dapat dilakukan dengan membuka form
“Settings” dengan memilih tombol mengatur nilai threshold
1000-5000.
Untuk melihat semua data yang tersimpan di database. Maka dipilih “
”. Pada form ini akan ditampilkan citra wajah dan data diri secara detil dari setiap orang yang telah disimpan datanya di dalam database.
Gambar 4.19 Mengakses form view all data
Gambar 4.20 Form view all data
Pengaturan deteksi dan pengenalan dapat dilakukan dengan membuka form dengan memilih tombol “Settings”. Di dalam form ini
threshold yang ingin dipakai. Rentang nilai threshold yang di
. Maka dipilih “View All
”. Pada form ini akan ditampilkan citra wajah dan data diri secara detil dari setiap
Pengaturan deteksi dan pengenalan dapat dilakukan dengan membuka form
“Settings”. Di dalam form ini pengguna dapat Rentang nilai threshold yang dipilih adalah
Gambar
Gambar
4.2 Ilustrasi Blacklisting 4.2.1 Blacklist Administration
Blacklist Administration
masuk ke dalam daftar hitam kepolisian
wajah, nama, alamat, tanggal lahir, kasus kriminalitas penjara. Satu data terdiri dari banya
banyak citra wajahnya, maka hasil
Gambar 4.21 Mengakses form Settings
Gambar 4.22 Tampilan form Settings
merupakan proses memasukan data-data orang yang kepolisian ke dalam database. Data input berupa , tanggal lahir, kasus kriminalitas, dan tanggal masuk serta keluar tu data terdiri dari banyak citra wajah(depan, kiri, dan kanan). S
hasilnya akan semakin valid. Dengan dilakukannya proses data orang yang Data input berupa citra , dan tanggal masuk serta keluar . Semakin Dengan dilakukannya proses
Blacklist Administration, maka setiap orang yang tertangkap oleh kamera, dapat dikenali dan dicatat di histori. Dengan begitu sistem ini dapat membantu pihak kepolisian untuk mengetahui keberadaan dari orang-orang yang masuk ke dalam daftar hitam kepolisian.
Gambar 4.23 Ilustrasi training data pada Blacklisting
4.2.2 Multiple Face Identification
Multiple Face Identification merupakan proses identifikasi citra wajah yang
tertangkap kamera dengan citra wajah yang berada pada data training di database.
Proses yang dilakukan adalah kamera mengambil dan menyimpan foto setiap 1 detik dari offline video atau realtime video. Citra wajah yang tertangkap akan di-capture dan citra wajah tersebut akan dicocokkan dengan citra wajah pada data training di database.
Untuk mengetahui orang yang masuk ke dalam daftar blacklist, dapat dilihat pada kolom Wanted.Dari contoh ilustrasi Gambar 4.24, orang yang masuk ke dalam daftar blacklist berjumlah empat orang (Lea, Keren, Iren, Albert).
Gambar 4.24 Ilustrasi data-data pada database
Citra wajah masukan yang terdeteksi akan diberikan tanda berupa kotak berwarna merah, hijau, atau biru sesuai dengan posisi wajah yang tertangkap. Citra wajah masukan yang cocok dengan citra wajah pada data training di database dan
masuk ke dalam daftar blacklist akan dicatat dan ditampilkan dalam kolom List View seperti yang ditunjukkan pada Gambar 4.25. Detail yang ditampilkan berupa nama, tanggal capture, dan waktu capture. Gambar yang cocok disimpan & dilakukan pencatatan histori. Dengan adanya proses Multiple Face Identification ini, para pelaku tindak kriminalitas yang masuk dalam daftar blacklist dapat diketahui nama, tanggal dan waktu keberadaannya, dan diharapkan dengan adanya sistem ini dapat membantu pihak kepolisian untuk menangkap para pelaku tindak kriminalitas.
Gambar 4.25 Ilustrasi multiple face identification
4.3 Hasil Analisis Data dan Pembahasan 4.3.1 Analisis Data
Tujuan dari perancangan ini adalah menemukan citra wajah orang yang berada pada data training yang masuk ke dalam daftar blacklist dengan posisi citra wajah dari kiri, tengah, atau kanan. Analisis data dalam perancangan ini didapat dengan melakukan simulasi penggunaan sistem yang telah dibuat untuk mengetahui beberapa hal berikut:
a. Posisi pengambilan citra wajah manakah yang digunakan agar sistem dapat melakukan pengenalan citra wajah dengan optimal.
b. Berapa nilai threshold yang paling cocok digunakan bergantung pada jumlah data training yang digunakan.
c. Berapa jumlah orang yang dapat dikenali sistem untuk dicocokkan citra wajahnya dengan citra wajah yang di database.
d. Apakah metode Linear Discriminant Analysis dapat menemukan citra wajah orang yang di blacklist pada database.
Dalam perancangan ini, data training citra wajah diambil dari beberapa orang dengan posisi kamera dari kiri, tengah, dan kanan. Variasi sudut pengambilannya adalah -67.5o, -45o, -22,5o, 0o, 22,5o, 45o, 67,5o terhadap axis tegak lurus bidang rata. Hal ini dilakukan agar variasi data training citra wajah banyak dan nilai threshold yang optimal dapat diprediksi.
Gambar 4.26 Axis tegak lurus bidang rata
Citra wajah yang menjadi data training dalam percobaan simulasi ini diantaranya :
Tabel 4.3 Citra wajah yang menjadi data training
No. Wajah Depan Wajah Kanan Wajah Kiri Nama
1.
Lea
2.
Dennis
3.
Keren
4.
Ivan
5.
Darmawan
6.
Ritchie
7.
Albert
8.
Mega
9.
Iren
10.
Robert
4.3.2 Pembahasan
Citra wajah yang terdeteksi ditandai oleh kotak berwarna merah, biru, dan hijau.
Kotak berwarna merah menandakan citra wajah yang terdeteksi sebagai citra wajah dari bagian depan (frontal face), kotak berwarna biru menandakan citra wajah yang terdeteksi sebagai citra wajah dari sebelah kiri (left profile face), dan kotak berwarna hijau menandakan citra wajah yang terdeteksi sebagai citra wajah dari sebelah kanan (right profile face). Jika dari citra wajah yang terdeteksi tersebut berhasil dikenali sebagai salah satu dari data training, maka akan ditampilkan data hasil pengenalan ke dalam listbox yang ada di bagian bawah. Melakukan double-click pada tombol “View All History” di bagian kanan bawah akan menampilkan jendela baru dengan detil pengenalan yang berhasil dilakukan, yaitu citra wajah yang ditangkap.
Proses simulasi pertama dilakukan dengan menggunakan nilai threshold sebesar 3000, menggunakan 10 sampel, dan dalam waktu 60 detik. Hasil
simulasi ditunjukkan pada Tabel 4.5. Keakuratan pengenalan dilihat dari variasi jumlah sudut yang tersedia sebagai data training ditunjukkan pada
Tabel 4. dengan perhitungan berikut:
% keakuratankeakuratankeakuratan keakuratan ∑ berhasilberhasilberhasilberhasil
∑ terdeteksiterdeteksiterdeteksiterdeteksi %
Tabel 4.4 Variasi data training
Variasi
Variasi Sudut Pengambilan
Sisi Kiri Sisi Depan Sisi Kanan
I 22.5o 0o 22.5o
II 45o 0o 45o
III 22.5o, 45o 0o 22.5o, 45o
IV 45o, 67.5o 0o 45o, 67.5o
V 22.5o, 45o, 67.5o 0o 22.5o, 45o, 67.5o
Tabel 4.5 Hasil simulasi berdasarkan variasi data training
Variasi
Jumlah Terdeteksi
Jumlah Berhasil
% keakuratan
I 278 172 61.87%
II 318 198 62.22%
III 365 256 70.13%
IV 412 299 72.57%
V 489 397 81.18%
Proses simulasi kedua dilakukan dengan menggunakan nilai threshold sebesar 3000, menggunakan 10 sampel, sudut citra wajah data training-nya menggunakan variasi V dan dalam waktu 60 detik. Hasil simulasi ditunjukkan pada Tabel 4.6.
Tabel 4.6 Hasil simulasi untuk setiap sampel
No. Nama
Jumlah Terdeteksi
Jumlah Berhasil
1. Lea 40 31
2. Dennis 45 39
3. Keren 52 37
4. Ivan 46 38
5. Darmawan 48 39
6. Ritchie 55 42
7. Albert 47 41
8. Mega 57 50
9. Iren 45 37
10. Robert 54 43
Total 489 397
Berdasarkan hasil simulasi di atas, maka dapat dihitung keakuratan sistem dalam mengenali setiap wajah yang terdeteksi adalah:
% keakuratan keakuratan keakuratan keakuratan ∑ berhasilberhasilberhasilberhasil
∑ terdeteksiterdeteksiterdeteksiterdeteksi %
%
. %
Proses simulasi ketiga dilakukan dengan menggunakan 10 sampel, sudut citra wajah data training-nya menggunakan variasi V, dalam waktu 60 detik, dan beberapa variasi nilai threshold. Variasi nilai threshold yang digunakan dalam pengujian adalah 1000, 2000, 3000, 4000, 5000. Hasil simulasi dan keakuratan pengenalan dilihat dari variasi jumlah sudut yang tersedia sebagai data training ditunjukkan pada Tabel 4.7.
Keakuratan pengenalan dilihat dari keberhasilan pengenalan berdasarkan nilai threshold dihitung dengan rumus berikut:
% keakuratankeakuratankeakuratan keakuratan ∑ berhasilberhasilberhasilberhasil
∑ dikenali dalam batas dikenali dalam batas dikenali dalam batas dikenali dalam batas thresholdthresholdthresholdthreshold %
Hasil perhitungan keakuratan berdasarkan nilai threshold ditunjukkan pada Tabel 4.3 : Tabel 4.3 Hasil simulasi berdasarkan variasi nilai threshold
No.
Nilai Threshold Maksimum
Jumlah Dikenali dalam Batas
Threshold
Jumlah Berhasil
% keakuratan
1. 5000 512 331 64.64%
2. 4000 493 348 70.58%
3. 3000 489 397 81.18%
4. 2000 426 412 96.71%
5. 1000 424 424 100%
Maka dapat diambil kesimpulan secara umum terhadap hubungan jumlah data training citra wajah dan nilai threshold adalah sebagai berikut:
1. Semakin banyak citra wajah yang digunakan dalam melakukan training(dari berbagai sudut), maka pengenalan akan semakin baik. Dapat dilihat pada hasil penelitian melakukan variasi perubahan data training set yang digunakan.
2. Semakin rendah nilai threshold, kemiripan citra wajah masukan dengan citra wajah training pada database semakin tinggi, tetapi dapat mengurangi keberhasilan pengenalan (semakin sulit untuk dikenali atau sulit terdeteksi) . 3. Semakin tinggi nilai threshold, semakin tinggi kemungkinan mengenali citra
wajah masukan dengan citra wajah di dalam data training, tetapi semakin tinggi kemungkinan kesalahan pencocokkan dengan data training pada database.
Kegagalan dalam pengenalan dapat disebabkan oleh beberapa hal berikut:
1. Citra digital yang kurang jelas atau mengalami gangguan (noise) yang berlebihan.
2. Adanya kemiripan antara citra wajah yang satu dengan citra wajah yang lainnya.
3. Sudut putaran kepala yang tidak tersedia di dalam data training.
4.4 Perbandingan Aplikasi Pengenalan Wajah Perbandingan aplikasi pengenalan wajah :
1. Pemecahan Masalah Pengenalan Citra Wajah Secara Realtime dengan Variasi Pose Menggunakan Metode Eigenfaces(Prasetyo, 2012)
2. Perancangan Program Aplikasi Pengenalan Wajah dengan Metode Orthogonal Laplacianfaces(Adiran, 2011)
3. Pengembangan Aplikasi Sistem Pengenalan Wajah Menggunakan Local Binary Pattern dengan Variasi Posisi Wajah(Jeffrey Joson, Ade Mahendra Lubis, Muhammad Zullidar, 2013)
Tabel 4.8 Perbandingan Aplikasi Pengenalan Wajah
No. Metode Platform
Jumlah Variasi Posisi Wajah
% Keakuratan
Maksimum Compiler
1. Fiherfaces Desktop 5 100% Microsoft Visual Studio 2012 Ultimate,
EmguCV
2. Eigenfaces Desktop 11 100% Microsoft Visual Studio 2010 Ultimate,
EmguCV 3. Orthogonal
Laplacianfaces
Desktop 1 98.268% Ms Visual C# 2008 Express Edition &
Matlab R2010a 4. Local Binary
Pattern
Desktop 11 100% Microsoft Visual Studio 2010 Ultimate,
OpenCV
