3 BAB III
METODOLOGI
Berdasarkan pada landasan teori yang telah disampaikan pada bab kedua di atas, pada bab ini dibahas metodologi yang akan digunakan pada penelitian ini.
Bab ini berisi tentang blok diagram, data, tatap muka pengguna dan contoh perhitungan.
3.1 Metode Pengumpulan Data
Mengambil 200 citra wajah mahasiswa Universitas Sanata Dharma Program Studi Teknik Informatika angkatan 2011 dikarenakan data sangat mudah
untuk didapat dan data yang dihasilkan adalah data yang nyata.
3.2 Teknik Analisis Data
Hasil yang diperoleh dari pengumpulan data selanjutnya dianalisa dengan tahap- tahap sebagai berikut :
Proses Data
Preprocessing Output
Akurasi
Eigenface Greyscale
Naivebayesian Data Model
Confusionmatrix Cropping dan
Resize
Gambar 3.1 Diagram Block
1. Data
Data yang diambil adalah citra wajah dari mahasiswa Universitas Sanata Dharma Fakultas Teknik Program Studi Teknik Informatika. Dengan jumlah
mahasiswa 20 dan setiap mahasiswa mempunyai 10 citra wajah sehingga total data keseluruhan adalah 200 citra wajah. citra asli berukuran 3456 x 5184 pixel
yang di ambil menggunakan kamera Digital Single Lens Reflex DSLR. 2.
Preprocessing Data citra asli pada awal preprocessing dipotong fokus pada bagian wajah
menjadi 150 x 150 pixel karena data yang diperkecil terlebih dahulu untuk mempermudah proses perhitungan di dalam sistem. Proses memperkecil citra
wajah menggunakan program Adobe Photoshop CS 5 Version 12.0 64x bits. Data yang sudah didapat lalu diproses melalui grayscale, sehingga citra
menjadi putih keabu-abuan. Matriks akan berbentuk seperti ini contoh perhitungan menggunakan matriks berukuran 2x2 yang seharusnya 150x150.
= [ ] = [
] = [ ] = [
] = [ ] = [
] = [
] ℎ = [ ] = [
] = [ ]
Langkah berikutnya adalah tahap eigenface, merupakan langkah awal yang diterapkanpada setiap citra. Data dirubah ukurannya reshape menjadi
bentuk N1 N2 1, kemudian disimpan ke matriks S.
Langkah selanjutnya mengurangi matriks S dengan rata-ratanya untuk setiap kolom menggunakan zero mean. Dan hasil disimpan pada matriks A.
Setelah didapatkan matriks A, penghitungan kovarian dilakukan. Perhitungan dilakukan dengan cara
C=AA’. Berikut adalah hasil dari perhitungan tersebut
Hasil C selanjutnya akan dinormalisasi menggunakan zscore. Berdasarkan nilai kovarian, matriks C menghasilkan eigenvalue dan eigenvektor.
Eigenvalue diurutkan sorting berdasarkan nilai yang paling tinggi ke paling rendah. Tahap ini adalah tahap akhir dari proses eigenface. Selanjutnya
eigenvektor diurutkan berdasarkan indeks eigenvalue yang telah diurutkan sebelumnya. Langkah terakhir dari proses eigenface adalah pembentukan dataset
yang baru dengan nama matriks u.
Agar bentuk akhir sama dengan matriks asli yang digunakan pada sistem maka matriks u ini di transpose terlebih dahulu maka hasil matriks u adalah
seperti matriks
Proses yang telah disebutkan di atas adalah perhitungan setiap orang, dimana masing-masing orang mempunyai 10 citra wajah maka ukuran matriks
yang akan
terbentuk adalah
berukuran 22500x100
seperti matriks
u= [
⋱ ] dimana setiap baris merupakan atribut feature.
Matriks u selanjutnya di normalisasi menggunakan zscore data matriks u agar dapat dipotong sesuai keinginan, data yang digunakan mempunyai panjang
feature 22500 jika feature ini dipotong maksimal yang dapat dipotong adalah 22499 dan minimal adalah satu. Proses pemotongan adalah memotong baris dari
matriks u diatas. 3.
Proses Hasil eigenface dari 10 citra wajah per orang dibagi menjadi fivefold.
Fungsi fivefold adalah membuat lima buah bagian dari 10 citra wajah untuk diambil satu bagian dua citra wajah untuk testing dan empat bagian untuk
training, sehingga data training terdapat delapan buah citra wajah dan data testing terdapat dua buah citra wajah. Langkah ini dilakukan berulang sebanyak iterasi
jumlah orang. Hasil dari fivefold disimpan dan digabungkan. Langkah selanjutnya, data training diproses menggunakan NaiveBayes.fit dan data testing menggunakan
predict. Proses NaiveBayes.fit menggunakan fungsi matlab, data training diolah menggunakan fungsi ini. Hasil proses ini menghasilkan data model yang disebut
mean dan varian. Data testing diolah menggunakan fungsi matlab juga yaitu
predict, hasil model dari pengolahan data training lalu di predict menggunakan data testing.
4. Output
Proses output akan menghasilkan keluaran data model. Data model ini berisi mean dan varian yang dihasilkan dari proses NaiveBayes.fit. Proses predict
menghasilkan prediksi klasifikasi dari data testing. 5.
Akurasi Proses akurasi bertujuan untuk menguji keakuratan dan keberhasilan suatu
sistem. Setiap proses menghasilkan confusion matrix, lalu proses ini diulang samapai semua bagian pernah menjadi data testing. Pembagian data dibagi seperti
berikut : Tabel 3.1 Pembagian Data
Sehingga didapat hasil akhir yang berupa confusion matrix. Pembagian data ini terjadi ketika proses setelah eigenface.
I II
III IV V
1 1
1 1
1 2
2 2
2 2
3 3
3 3
3 4
4 4
4 4
5 5
5 5
5 6
6 6
6 6
7 7
7 7
7 8
8 8
8 8
9 9
9 9
9 10 10 10 10 10
Tabel 3.2 Contoh Hasil Confusion Matrix akurasi 88
1 2
3 4
5 6
7 8
9 10
11 12
13 14
15 16
17 18
19 20
1
9 1
2
10
3
9 1
4
8 1
1
5
7 1
1 1
6
10
7
9 1
8
9 1
9
9 1
10
1 9
11
1 9
12
2 7
1
13
8 2
14
1 9
15
10
16
1 8
1
17
9 1
18
1 8
1
19
1 9
20
10
Confusion matrix mempresentasikan hasil dari pencocokan data training dan data testing. Setiap data yang memiliki nilai sama antara data training dan
data testing dapat dikatakan bernilai benar. Setiap hasil pencocokan yang bernilai benar akan dihitung dengan dijumlahkan kemudian dibagi dengan jumlah data dan
dikalikan dengan 100, sehingga menghasilkan akurasi. Pencocokan data yang bernilai benar membentuk diagonal pada matriks, dengan kata lain penjumlahan
dari diagonal confusion matrix merupakan akurasi dari sistem.
3.3 Desain User Interface
