4.2. Pengujian
Pada sub bab ini akan dilakukan pengujian pada sistem yang dibangun. Pengujian dilakukan dengan melakukan deteksi pada beberapa wajah pada citra
digital. Pengujian dilakukan dengan tujuan untuk memperoleh validitas dari operasi sistem. Pengujian dilakukan menggunakan citra uji yang dapat dilihat pada gambar
4.4 berikut.
Gambar 4.4 Citra Uji
Pengujian dilakukan dengan menggunakan citra wajah yang telah diekstraksi fitur nya menggunakan K-Means clustering :
Gambar 4.5 Citra Wajah
Universitas Sumatera Utara
Gambar 4.6 Pengujian Fitur Wajah
Seperti yang terlihat pada gambar 4.6, sistem dapat melakukan ekstraksi fitur dari citra wajah menggunakan K-Means clustering. Cluster yang akan dibentuk dari
fitur wajah dari citra yang diberikan sebanyak lima buah cluster. Seperti yang dapat dilihat pada gambar terbentuk lima buah cluster dengan masing – masing centroid dan
populasinya. Setelah proses ekstraksi fitur wajah selesai, selanjutnya akan dilakukan proses
deteksi wajah pada citra uji. Citra uji yang digunakan merupakan citra uji yang terdapat wajah dari citra wajah yang digunakan dan wajah – wajah tambahan lainnya
sehingga dapat diperoleh akurasi dan kelemahan dari kombinasi metode yang digunakan. Proses ekstraksi fitur wajah seperti yang terlihat pada gambar 4.6 dapat
dijabarkan sebagai berikut : Pembentukan Cluster Awal :
Centroid Awal Cluster Ke - 1 = 196,103,42 Centroid Awal Cluster Ke - 2 = 251,27,78
Centroid Awal Cluster Ke - 3 = 204,113,57
Universitas Sumatera Utara
Centroid Awal Cluster Ke - 4 = 2,195,7 Centroid Awal Cluster Ke - 5 = 1,130,97
Perhitungan Jarak Piksel 13,15,12 Jarak Ke Cluster Ke - 1
Jarak = Sqrt13-196 + 15-103 + 12-42 Jarak = 205.263245614016
Jarak Ke Cluster Ke - 2 Jarak = Sqrt13-251 + 15-27 + 12-78
Jarak = 247.273128341921
Jarak Ke Cluster Ke - 3 Jarak = Sqrt13-204 + 15-113 + 12-57
Jarak = 219.339918847436
Jarak Ke Cluster Ke - 4 Jarak = Sqrt13-2 + 15-195 + 12-7
Jarak = 180.405099706189
Jarak Ke Cluster Ke - 5 Jarak = Sqrt13-1 + 15-130 + 12-97
Jarak = 143.506097431433
Universitas Sumatera Utara
Cluster Terpilih : Cluster Ke - 5
Proses perhitungan jarak tiap piksel dengan tiap centroid dari cluster terus dilakukan untuk piksel – piksel selanjutnya, yang mana untuk putaran pertama ini diperoleh
centroid baru sebagai berikut :
Centroid Baru : Centroid Baru Cluster Ke - 1 : 106,90,78
Centroid Baru Cluster Ke - 2 : -1,-1,-1 Centroid Baru Cluster Ke - 3 : 203,186,170
Centroid Baru Cluster Ke - 4 : -1,-1,-1 Centroid Baru Cluster Ke - 5 : 56,46,32
Centroid Ke - 1 memiliki perubahan centroid, melakukan pengelompokan ulang.. Proses pengelompokkan terus dilakukan berulang sampai Centroid tidak lagi
mengalami perubahan sehingga menghasilkan centroid hasil sebagai berikut : Centroid Akhir :
Centroid Cluster Ke - 1 : 92,76,64 Centroid Cluster Ke - 2 : 26,20,7
Centroid Cluster Ke - 3 : 203,186,170 Centroid Cluster Ke - 4 : 21,16,18
Centroid Cluster Ke - 5 : 32,27,20
Universitas Sumatera Utara
Pengujian kemudian dilanjutkan dengan melakukan deteksi wajah pada citra uji. Proses deteksi wajah pada citra uji seperti yang terlihat pada gambar 4.7 dilakukan
dengan tahapan sebagai berikut : 1.
Mencari area warna kulit pada citra digital dan membentuk area – area tersebut menjadi blok – blok calon wajah. pada proses pengujian diperoleh enam blok
warna kulit yang diperoleh. 2.
Membaca cluster dari tabel wajah yang akan dideteksi, pada pengujian ini akan menggunakan informasi cluster wajah raisa dengan informasi cluster sebagai
berikut : Cluster Ke - 1 : 92,76,64, Populasi = 254 Piksel
Cluster Ke - 2 : 26,20,7, Populasi = 127 Piksel Cluster Ke - 3 : 203,186,170, Populasi = 519 Piksel
Cluster Ke - 4 : 21,16,18, Populasi = 162 Piksel Cluster Ke - 5 : 32,27,20, Populasi = 116 Piksel
3. Proses selanjutnya adalah melakukan pengelompokkan piksel dari enam area
wajah menggunakan centroid cluster yang diperoleh dari wajah raisa yang kemudian menghitung tingkat kemiripan masing – masing area wajah dengan
wajah raisa :
Cluster Area Wajah Ke - 1
Populasi Cluster Ke - 1 : 445 Populasi Cluster Ke - 2 : 7
Populasi Cluster Ke - 3 : 65 Populasi Cluster Ke - 4 : 0
Populasi Cluster Ke - 5 : 59
Kesamaan Cluster Ke - 1 : 1 Kesamaan Cluster Ke - 2 : 0.0551181102362205
Kesamaan Cluster Ke - 3 : 0.1252408477842
Universitas Sumatera Utara
Kesamaan Cluster Ke - 4 : 0 Kesamaan Cluster Ke - 5 : 0.508620689655172
Persentase Kemiripan : 1.68897964767559 5 x 100 = 34
Cluster Area Wajah Ke - 2
Populasi Cluster Ke - 1 : 515 Populasi Cluster Ke - 2 : 93
Populasi Cluster Ke - 3 : 326 Populasi Cluster Ke - 4 : 90
Populasi Cluster Ke - 5 : 176
Kesamaan Cluster Ke - 1 : 1 Kesamaan Cluster Ke - 2 : 0.732283464566929
Kesamaan Cluster Ke - 3 : 0.628131021194605 Kesamaan Cluster Ke - 4 : 0.555555555555556
Kesamaan Cluster Ke - 5 : 1
Persentase Kemiripan : 3.91597004131709 5 x 100 = 78
Cluster Area Wajah Ke - 3
Populasi Cluster Ke - 1 : 549 Populasi Cluster Ke - 2 : 149
Populasi Cluster Ke - 3 : 3146 Populasi Cluster Ke - 4 : 344
Populasi Cluster Ke - 5 : 267
Kesamaan Cluster Ke - 1 : 1 Kesamaan Cluster Ke - 2 : 1
Kesamaan Cluster Ke - 3 : 1 Kesamaan Cluster Ke - 4 : 1
Kesamaan Cluster Ke - 5 : 1
Universitas Sumatera Utara
Persentase Kemiripan : 5 5 x 100 = 100
Cluster Area Wajah Ke - 4
Populasi Cluster Ke - 1 : 1908 Populasi Cluster Ke - 2 : 82
Populasi Cluster Ke - 3 : 437 Populasi Cluster Ke - 4 : 179
Populasi Cluster Ke - 5 : 94
Kesamaan Cluster Ke - 1 : 1 Kesamaan Cluster Ke - 2 : 0.645669291338583
Kesamaan Cluster Ke - 3 : 0.842003853564547 Kesamaan Cluster Ke - 4 : 1
Kesamaan Cluster Ke - 5 : 0.810344827586207
Persentase Kemiripan : 4.29801797248934 5 x 100 = 86
Cluster Area Wajah Ke - 5
Populasi Cluster Ke - 1 : 543 Populasi Cluster Ke - 2 : 14
Populasi Cluster Ke - 3 : 60 Populasi Cluster Ke - 4 : 3
Populasi Cluster Ke - 5 : 28
Kesamaan Cluster Ke - 1 : 1 Kesamaan Cluster Ke - 2 : 0.110236220472441
Kesamaan Cluster Ke - 3 : 0.115606936416185 Kesamaan Cluster Ke - 4 : 0.0185185185185185
Kesamaan Cluster Ke - 5 : 0.241379310344828
Persentase Kemiripan : 1.48574098575197 5 x 100 = 30
Cluster Area Wajah Ke - 6
Universitas Sumatera Utara
Populasi Cluster Ke - 1 : 54 Populasi Cluster Ke - 2 : 20
Populasi Cluster Ke - 3 : 42 Populasi Cluster Ke - 4 : 576
Populasi Cluster Ke - 5 : 11
Kesamaan Cluster Ke - 1 : 0.21259842519685 Kesamaan Cluster Ke - 2 : 0.15748031496063
Kesamaan Cluster Ke - 3 : 0.0809248554913295 Kesamaan Cluster Ke - 4 : 1
Kesamaan Cluster Ke - 5 : 0.0948275862068965
Persentase Kemiripan : 1.54583118185571 5 x 100 = 31
Tingkat kesamaan cluster diperoleh dari jumlah selisih populasi antara cluster area wajah dengan cluster wajah raisa, dimana jika jumlah populasi cluster area wajah
lebih besar atau sama dengan cluster wajah raisa maka tingkat kesamaan akan diberikan nilai 1, jika kurang maka tingkat kesamaan diperoleh dari jumlah populasi
cluster area wajah dibagi dengan jumlah populasi cluster wajah raisa. Untuk presentase kemiripan diperoleh dari penjumlah tingkat kemiripan dibagi dengan
jumlah cluster yang digunakan dikali dengan 100 .
Universitas Sumatera Utara
Gambar 4.7 Pengujian Deteksi
Area wajah yang di-identifikasi sebagai wajah pada penelitian ini di-ambil dengan memilih tingkat kemiripan diatas 80, sehingga berdasarkan pengujian dan
perhitungan diatas diperoleh dua area wajah yang memiliki tingkat kemiripan cukup baik dengan wajah raisa.
Seperti yang terlihat pada gambar 4.7, sistem dapat melakukan deteksi wajah citra yang digunakan dengan baik. Namun terdapat kesalahan dimana wajah – wajah
yang lain juga di-identifikasi dengan nama yang sama yang disebabkan memiliki fitur cluster yang sama.
Pengujian dilanjutkan pada citra wajah yang lain yang mana menggunakan citra wajah jenderal seperti yang terlihat pada gambar 4.8 berikut :
Gambar 4.8 Citra Wajah Jenderal
Universitas Sumatera Utara
Proses identifikasi menggunakan citra uji yang mana terdapat dua wajah yang dapat di-identifikasi dengan baik oleh sistem seperti yang terlihat pada gambar 4.9 berikut :
Gambar 4.9 Pengujian Lanjutan
Pengujian diatas menunjukkan terdeteksinya wajah jenderal pada dua area wajah yang mana salah satu area wajah menunjukkan tingkat akurasi atau kemiripan yang cukup
baik yaitu 84, sedangkan area wajah yang lainnya memiliki tingkat kemiripan 79. Hal ini menunjukkan bahwa k-means clustering dapat mengidentifikasi dengan baik
wajah jenderal yang terdapat pada citra namun, area wajah lain yang memiliki informasi cluster yang cukup mirip juga memiliki tingkat kemiripan yang tinggi yaitu
79 sehingga menimbulkan kerancuan dan menjadi kelemahan tersendiri dari k- means clustering.
4.3. Pembahasan Pengujian