T1 612010016 BAB III

11

BAB III

PERANCANGAN

Pada bab ini akan diuraikan mengenai perancangan perangkat lunak dan perangkat keras sistem perekaman video secara otomatis. Dalam skripsi ini akan dirancang sebuah sistem pengenalan wajah manusia oleh handycam yang terhubung dengan laptop atau komputer.

3.1. Cara Kerja Alat

Berikut cara kerja alat pada sistem :

1. Handycam diletakkan pada dudukan rotator dengan posisi handycam berjarak 2.7 meter dari objek dengan ketinggian 1.68 meter menggunakan tripod.

2. Menghubungkan handycam dengan USB Easy Video Capture 1-channel yang selanjutnya dihubungkan ke USB Port komputer.

3. Menghubungkan rotator ke USB Port komputer.

Handycam dan USB Easy Video Capture 1-channel dapat dilihat pada Gambar 3.1. Gambaran sistem perekaman video otomatis di Gereja GPDI Mento dapat dilihat pada Gambar 3.2. Rancangan Graphical User Interface (GUI) untuk skripsi ini dapat dilihat pada Gambar 3.3.

Gambar 3.1. Gambaran alat pada sistem Kabel USB ke laptop/komputer Alat Perekam

(Handycam)

Rotator

Kabel AV ke USB Video Capture

USB Video Capture

Kabel Catu Daya untuk

Rotator

Dudukan

12

Gambar 3.2. Sistem perekaman video otomatis di Gereja GPDI Mento.

Gambar 3.3. Tampilan GUI pada sistem.

Pada Gambar 3.3 menunjukkan tampilan Graphical User Interface pada sistem.

“Pilih Subyek” digunakan untuk memilih dan men-set template dari subyek yang bersangkutan (yang akan dilakukan perekaman). Tombol “Start” digunakan untuk memulai perekaman video otomatis. Tombol kontrol manual rotator : “Kiri” digunakan untuk memberikan perintah secara manual pada rotator untuk bergerak ke arah kiri,

“Stop” digunakan untuk memberikan perintah secara manual pada rotator untuk berhenti

0.48 m

�. �� m Panggung

13

(tidak bergerak) dan “Kanan” digunakan untuk memberikan perintah secara manual pada rotator untuk bergerak ke arah kanan. Tombol “set serial” digunakan untuk menghubungkan komunikasi serial rotator dengan komputer. Tombol “clear” digunakan untuk memutus hubungan komunikasi serial rotator dengan komputer. Tombol “exit” digunakan untuk keluar dari GUI pada sistem.

3.2. Pengambilan Data Template

Data template (acuan) yang digunakan dalam skripsi ini berupa cropping wajah manusia tampak depan (template 1), tampak samping kanan (template 2), dan tampak samping kiri (template 3). Data wajah subyekdiperoleh dari sebuah framehandycam JVC Gz E-100 Bag dengan jarak pengambilan gambar terhadap wajah subyek sebesar 1.5 meter.

Contoh citra template 1 dapat dilihat pada Gambar 3.4. Contoh citra template 2 dapat dilihat pada Gambar 3.5. Contoh citra template 3 dapat dilihat pada Gambar 3.6.

(a) (b) (c)

Gambar 3.4. Citra template 1 berukuran 220×249 piksel, (a) Citra template 1 Abed, (b) Citra template 1 Oka, (c) Citra template 1 Erna

(a) (b) (c)

Gambar 3.5. Citra template 2 berukuran 231×90 piksel, (a) Citra template 2 Abed, (b) Citra template 2 Oka, (c) Citra template 2 Erna

14 (a) (b) (c)

Gambar 3.6. Citra template 3 berukuran 231×90 piksel, (a) Citra template 3 Abed, (b) Citra template 3 Oka, (c) Citra template 3 Erna

3.3. Diagram Alir

Diagram alir proses template matching dibagi menjadi 2 yaitu proses template matching tanpa melakukan pengurangan rata-rata citra template (�̅) dengan rata-rata citra masukan yang tertimpa oleh template �̅_� dan proses template matching dengan melakukan pengurangan rata-rata citra template (�̅) dengan rata-rata citra masukan yang tertimpa oleh template �̅_� . Hasil pengurangan rata-rata citra template (�̅) dengan rata-rata citra masukan yang tertimpa oleh template �̅_� ini disebut dengan ΔR.

Diagram alir proses template matching pada sistem tanpa ΔR dapat dilihat pada Gambar 3.7. Diagram alir proses template matching pada sistem tanpa ΔR dapat dilihat pada Gambar 3.8. Diagram alir proses pendeteksian wajah tampak depan dengan template

1 (template wajah tampak depan) tanpa ΔR dapat dilihat pada Gambar 3.9. Diagram alir proses pendeteksian wajah hadap kanan dengan template 2 (template wajah hadap kanan)

tanpa ΔR dapat dilihat pada Gambar 3.10. Diagram alir proses pendeteksian wajah hadap kiri dengan template 3 (template wajah hadap kiri) tanpa ΔR dapat dilihat pada Gambar 3.11. Diagram alir proses pendeteksian wajah tampak depan dengan template 1 (template

wajah tampak depan) dengan ΔR dapat dilihat pada Gambar 3.12. Diagram alir proses pendeteksian wajah hadap kanan dengan template 2 (template wajah hadap kanan)

dengan ΔR dapat dilihat pada Gambar 3.13. Diagram alir proses pendeteksian wajah hadap kiri dengan template 3 (template wajah hadap kiri) dengan ΔR dapat dilihat pada Gambar 3.14. Diagram alir kerja rotator pada sistem dapat dilihat pada Gambar 3.15.

15

Gambar 3.7. Diagram alir proses template matchingpada sistem tanpa ΔR. Mendeteksi Wajah dengan

Template Tampak depan

Mendeteksi Wajah dengan Template Hadap Kanan

Tidak

Ya

Citra

Nilai korelasi maksimum ≥ α 1

Simpan posisi koordinat nilai korelasi maksimum ke dalam variabel PW

End

Nilai korelasi maksimum ≥ α 2

Nilai korelasi maksimum ≥ α 3

Tidak Start

Tidak

Ya

Ya Mendeteksi Wajah dengan

Template Hadap Kiri O

M

16

Gambar 3.8. Diagram alir proses template matchingpada sistem dengan ΔR. Mendeteksi Wajah dengan

Template Tampak depan

Mendeteksi Wajah dengan Template Hadap Kanan

Tidak

Ya

Citra

Nilai korelasi maksimum ≥ α 1

Simpan posisi koordinat nilai korelasi maksimum ke dalam variabel PW

End

Nilai korelasi maksimum ≥ α 2

Nilai korelasi maksimum ≥ α 3

Tidak Start

Tidak

Ya

Ya Mendeteksi Wajah dengan

Template Hadap Kiri F

G

17

Gambar 3.9. Diagram alir proses pendeteksian wajah tampak depan dengan

template 1 pada sistem tanpa ΔR. t

Mencari nilai korelasi citra masukan dengan template 1

Cari nilai korelasi maksimum Preprocessing(RGBto

grayscale, Resizing) Template 1

O

Simpan nilai korelasi ke dalam variabel K_or

18

Gambar 3.10. Diagram alir proses pendeteksian wajah hadap kanan dengan

template 2 pada sistem tanpa ΔR. q

Mencari nilai korelasi citra masukan dengan template 2

Cari nilai korelasi maksimum Preprocessing(RGBto

grayscale, Resizing) Template 2

M

Simpan nilai korelasi ke dalam variabel K_or

19

Gambar 3.11. Diagram alir proses pendeteksian wajah hadap kiri dengan

template 3 pada sistem tanpa ΔR. w

Mencari nilai korelasi citra masukan dengan template 3

Cari nilai korelasi maksimum Preprocessing(RGBto

grayscale, Resizing) Template 3

N

Simpan nilai korelasi ke dalam variabel K_or

20

Keterangan :

�� = nilai threshold ΔR

Gambar 3.12. Diagram alir proses pendeteksian wajah tampak depan dengan template 1 pada sistem dengan ΔR.

p

Preprocessing(RGBto grayscale, Resizing)

Template 1

Mencari nilai korelasi citra masukan dengan template 1

Cari nilai korelasi maksimum

F

ΔR≥ �_� ΔR =|�̅ - �̅_�|

Simpan nilai korelasi ke dalam variabel Kor

Nilai korelasi=0 Ya

21

Keterangan :

�� = nilai threshold ΔR

Gambar 3.13. Diagram alir proses pendeteksian wajah hadap kanan dengan template 2 pada sistem dengan ΔR.

e

Preprocessing(RGBto grayscale, Resizing)

Template 2

Mencari nilai korelasi citra masukan dengan template 2

Cari nilai korelasi maksimum

G

ΔR≥ �_�

Simpan nilai korelasi ke dalam variabel Kor

Nilai korelasi=0 Ya

Tidak

22 Keterangan :

�� = nilai threshold ΔR

Gambar 3.14. Diagram alir proses pendeteksian wajah hadap kiri dengan template 3 pada sistem dengan ΔR.

r

Preprocessing(RGBto grayscale, Resizing)

Template 3

Mencari nilai korelasi citra masukan dengan template 3

Cari nilai korelasi maksimum

H

ΔR≥ �_�

Simpan nilai korelasi ke dalam variabel Kor

Nilai korelasi=0 Ya

Tidak

23

Gambar 3.15. Diagram alir kerja rotator pada sistem.

Start

PA=264

Proses template matching

∆=|PW-PA|

PA=PW

1≤ PW ≤ 214 Ya Ya Tidak S=36 0≤∆≤50 S=30 51≤∆≤101 S=33 102≤∆≤152 306≤∆≤356 153≤∆≤203 204≤∆≤254 255≤∆≤305 S=39 S=42 S=45 S=48 S=51 Ya Ya Ya Tidak Tidak Tidak Ya Ya Ya Tidak Tidak Tidak Bergerak ke kiri Tidak End Bergerak ke kanan 314≤ PW ≤ 526

Ya

24

Titik C Titik D kenyataan

Titik C Titik D citra masukan

Pada Gambar 3.15 menunjukkan diagram alir kerja rotator pada sistem. PA adalah posisi horisontal awal koordinat wajah dengan nilai sebesar 264. Nilai ini didapat dari titik tengah posisi horisontal ukuran citra masukan. Dimana ukuran posisi horisontal citra masukan sebesar 527 piksel. ∆ adalah hasil pengurangan antara posisi horisontal koordinat wajah yang diperoleh dari proses template matching dikurangi dengan posisi horisontal awal koordinat wajah. Posisi horisontal koordinat wajah yang diperoleh dari proses template matching ini selanjutnya diberi nama PW. Kecepatan perpindahan posisi subyek dari titik C ke titik D diatur oleh variabel S. S adalah variabel yang mengatur kecepatan putar pada rotator. Nilai S ini didapat dari pengukuran jarak perpindahan posisi subyek dari titik C ke titik D dikenyataan terhadap pengukuran jarak perpindahan posisi subyek dari titik C ke titik D dalam citra masukan. Ilustrasi untuk perpindahan posisi subyek dapat di lihat pada Gambar 3.16.

Gambar 3.16. Perpindahan posisi subyek

Setiap nilai perubahan posisi subyek pada citra masukan diberikan rentang nilai dengan nilai S yang bervariasi. Hal ini dimaksudkan agar kecepatan putar rotator

nantinya mampu mengikuti kecepatan perpindahan subyek dari titik C ke titik D. Nilai minimum kecepatan yang dapat diberikan pada rotator yaitu sebesar 30 dan nilai maksimum kecepatan yang dapat diberikan pada rotator yaitu sebesar 51. Nilai S akan diset sebesar 30 saat nilai perubahan posisi subyek diantara rentang 0 sampai 50 piksel, nilai S diset sebesar 33 saat nilai perubahan posisi subyek diantara rentang 51 sampai 101 piksel, nilai S diset sebesar 36 saat nilai perubahan posisi subyek diantara rentang 102 sampai 152 piksel, nilai S diset sebesar 39 saat nilai perubahan posisi subyek diantara rentang 153 sampai 203 piksel, nilai S diset sebesar 42 saat nilai perubahan posisi subyek diantara rentang 204 sampai 254 piksel, nilai S diset sebesar 45 saat nilai perubahan posisi subyek diantara rentang 255 sampai 305 piksel, nilai S diset sebesar 49 saat nilai perubahan posisi subyek diantara rentang 306 sampai 356 piksel dan nilai S akan diset sebesar 51 saat nilai perubahan posisi subyek lebih dari 357 piksel.

Untuk mengetahui arah pergerakan putar rotator yaitu dengan memberikan interval pada citra masukan. Dimana untuk PW dengan interval antara 1 sampai 214 piksel

rotator akan bergerak ke kiri, PW dengan interval antara 314 sampai 526 piksel rotator akan bergerak ke kanan, dan untuk PW dengan interval diluar batas yang ditentukan

23 cm 50 piksel

25

rotator akan berhenti (tidak bergerak). Batas interval pada citra masukan dapat dilihat pada Gambar 2.7.

3.4. Penentuan Parameter

Pada bab ini akan membahas tentang penentuan parameter-parameter yang akan digunakan untuk proses pengujian sistem. Pencarian parameter yang dilakukan diantaranya menentukan ukuran citra masukan, ukuran citra template, variasi cropping template, nilai αR, nilai α1, nilai α2, dan nilai α3.Dalam menentukan ukuran citra masukan dan ukuran citra template menggunakan dataset A berupa 100 citra wajah tampak depan tanpa pengganggu (orang), 100 citra hadap kanan tanpa pengganggu (orang), dan 100 citra hadap kiri tanpa pengganggu (orang). Dataset A ini didapat dari handycam yang men-capture subyek (satu subyek) sebanyak 100 kali dengan jarak pengambilan 2.7 meter. Untuk menentukan variasi cropping template, nilai α1, nilai α2, dan nilai α3 menggunakan dataset B berupa 600 citra wajah tampak depan tanpa pengganggu (orang), 600 citra wajah hadap kanan tanpa pengganggu (orang), dan 600 citra wajah hadap kiri tanpa pengganggu (orang). Dataset B ini didapat dari handycam yang men-capture

subyek (12 subyek) sebanyak 50kali dengan jarak pengambilan 2.7 meter.

3.4.1.Pencarian Ukuran Citra masukan dan Template

Pada sub bab ini akan membahas tentang pencarian ukuran citra masukan dan citra

template. Tujuan dilakukan pencarian ukuran citra masukan dan citra template ini untuk menentukan ukuran citra masukan yang bersesuaian dengan citra template yang akan menghasilkan persentase Hit yang tinggi. Selanjutnya ukuran citra masukan dan citra

template ini digunakan untuk pengujian yang akan dilakukan pada Bab IV. Dalam menentukan ukuran citra masukan dan template ini menggunakan dataset A. Template 1 subyek Abed yang digunakan berupa cropping dibagian wajah tampak depan dengan

bakcground (Gambar 3.4.a), Template 2 subyek Abed yang digunakan berupa cropping

dibagian wajah hadap kanan dengan menyertakan dagu(Gambar 3.5.a), dan Template 3 subyek Abed yang digunakan berupa cropping dibagian wajah hadap kiri dengan menyertakan dagu(Gambar 3.6.a).

Persentase Hit dan FA subyek Abed dengan wajah tampak depan dapat dilihat pada Tabel 3.1. Persentase Hit dan FA subyek Abed dengan wajah subyek hadap kanan dapat dilihat pada Tabel 3.2. Persentase Hit dan FA subyek Abed dengan wajah subyek hadap kiri dapat dilihat pada Tabel 3.3. Rata-rata Hit subyek Abed dengan wajah subyek hadap kanan dan hadap kiri dapat dilihat pada Tabel 3.4.

26

Tabel 3.1 Persentase Hit dan FA subyek Abed dengan wajah tampak depan

Ukuran Citra Masukan

Ukuran Template 1

45×51 55×62 65×74 75×85 85×96 95×108 105×119

Hit FA �̅ �̅̅̅� Hit FA �̅ ̅̅̅�� Hit FA �̅ �̅̅̅� Hit FA �̅ �̅̅̅� Hit FA �̅ �̅̅̅� Hit FA �̅ �̅̅̅� Hit FA �̅ �̅̅̅� 275×292 55% 45% 3.1273 0.5122 76% 24% 3.7317 0.5413 80% 20% 3.8923 0.5177 62% 38% 3.9149 0.4164 5% 95% 4.4109 0.4011 4% 96% 4.9231 0.4024 7% 93% 5.1220 0.3982 300×450 40% 60% 3.9122 0.4268 70% 30% 4.5133 0.5121 82% 18% 4.6911 0.4751 85% 15% 4.7788 0.5199 30% 70% 5.2175 0.4128 5% 95% 6.3521 0.4112 4% 96% 6.5735 0.4231 325×487 35% 65% 4.5096 0.4312 78% 22% 5.1157 0.4077 80% 20% 5.2477 0.4112 87% 13% 5.8800 0.5127 50% 50% 6.3722 0.4654 8% 92% 6.9738 0.4277 3% 97% 6.9822 0.4233 351×527 25% 75% 5.4523 0.4157 65% 35% 6.0126 0.4062 82% 18% 6.3499 0.4085 88% 12% 7.6428 0.5722 73% 27% 7.6274 0.4643 10% 90% 8.3526 0.4731 8% 92% 8.5625 0.4832 375×563 18% 82% 6.3234 0.4723 14% 86% 7.2018 0.4218 88% 12% 7.0966 0.4133 85% 15% 8.4730 0.5549 78% 22% 9.6123 0.5136 9% 91% 10.0892 0.5368 7% 93% 10.6589 0.5212 400×600 10% 90% 7.3112 0.4515 16% 84% 8.9011 0.4527 81% 19% 9.2364 0.4212 19% 81% 10.6586 0.5922 70% 30% 10.8453 0.5144 20% 80% 11.9811 0.5512 16% 84% 12.1912 0.5662 480×720 0% 100% 7.5274 0.4322 0% 100% 9.1144 0.4518 20% 80% 9.5029 0.4303 38% 62% 10.8523 0.5770 87% 13% 10.9968 0.5264 75% 25% 12.4933 0.5583 60% 40% 12.6826 0.5618

Keterangan :

�̅ = rata-rata waktu komputasi proses template matching (dalam detik) ��

27

Berdasarkan Tabel 3.1 di atas, diambil nilai Hit empat tertinggi dari keseluruhan. Berikut data nilai Hit empat tertinggi tersebut :

1. Citra masukan berukuran 375×563 dengan template 65×74 a. Hit = 88%

b. Rata-rata waktu komputasi = 7.0966 detik c. Rata-rata nilai korelasi = 0.4133

2. Citra masukan berukuran 351×527 dengan template 75×85 a. Hit = 88%

b. Rata-rata waktu komputasi = 7.6428 detik c. Rata-rata nilai korelasi = 0.5722

3. Citra masukan berukuran 325×487 dengan template 75×85 a. Hit = 87%

b. Rata-rata waktu komputasi = 5.8800 detik c. Rata-rata nilai korelasi = 0.5127

4. Citra masukan berukuran 480×720 dengan template 85×96 a. Hit = 87%

b. Rata-rata waktu komputasi = 10.9968 detik c. Rata-rata nilai korelasi = 0.5264

Dari keempat data di atas terdapat nilai Hit yang sama yaitu 88%. Pada citra masukan 375×563 dan template 65×74 menghasilkan rata-rata nilai korelasi yang lebih kecil dibandingkan dengan citra masukan berukuran 351×527 dan template 75×85. Dengan demikian template berukuran 75×85 memiliki kemiripan yang lebih baik saat citra masukan berukuran 351×527. Jika dibandingkan dengan citra masukan berukuran 480×720 dan template berukuran 85×96 yang mampu menghasilkan nilai persentase Hit

yang tidak terlalu berbeda jauh yaitu sebesar 87%, tetapi dari sisi rata-rata waktu komputasi yang dihasilkan lebih lama yaitu sebesar 11 detik dan rata-rata nilai korelasi yang dihasilkan lebih kecil yaitu sebesar 0.53. Jadi, ukuran citra masukan yang akan digunakan sebesar 351×527 dan citra template sebesar 75×85.

Hasil penentuan ukuran citra masukan berukuran 351×527 dan template 1 berukuran 75×85 dapat dilihat pada Gambar 3.17.

28

(a) (b)

Gambar 3.17. (a) Subyek Abed dengan wajah subyek tampak depan tanpa pengganggu yang dikenali benar (Hit), (b) Subyek Abed dengan wajah subyek tampak depan tanpa pengganggu yang dikenali benar dimana wajah tidak berada dalam kotak deteksi (FA).

Tabel 3.2. Persentase Hit dan FA subyek Abed dengan wajah hadap kanan pada

template 2 terhadap citra masukan berukuran 351×527 Ukuran

template 2

Nilai Rata-rata waktu komputasi

Rata-rata nilai korelasi

Hit FA

45×18 30% 70% 4.5358 (s) 0.7485

55×21 65% 35% 4.7065 (s) 0.7468

65×25 64% 36% 5.0785 (s) 0.7287

75×29 82% 18% 5.7742 (s) 0.7058

85×33 70% 30% 6.8036 (s) 0.6931

95×37 80% 20% 7.8613 (s) 0.6874

105×41 72% 28% 8.4528 (s) 0.6372

Tabel 3.3. Persentase Hit dan FA subyek Abed dengan wajah hadap kiri pada template

3 terhadap citra masukan berukuran 351×527 Ukuran

template 3

Nilai Rata-rata waktu komputasi

Rata-rata nilai korelasi

Hit FA

45×18 28% 72% 4.4892 (s) 0.7479

55×21 64% 36% 4.7289 (s) 0.7425

65×25 60% 40% 5.2182 (s) 0.7211

75×29 72% 28% 5.6721 (s) 0.7177

85×33 78% 22% 6.9210(s) 0.7052

95×37 76% 24% 7.9012 (s) 0.7033

29

Tabel 3.4. Rata-rata persentase Hit subyek Abed dengan wajah hadap kanan dan hadap kiri

Ukuran template 3 Nilai Hit Rata-rata

Hit

Hadap kanan Hadap kiri

45×18 30% 28% 29%

55×21 65% 64% 65%

65×25 64% 60% 62%

75×29 82% 72% 77%

85×33 70% 78% 74%

95×37 80% 76% 78%

105×41 72% 70% 71%

Tabel 3.2 memaparkan hasil dari penentuan ukuran template 2, Tabel 3.3 memaparkan hasil dari penentuan ukuran template 3. Berdasarkan Tabel 3.2 ukuran

template 75×29 mampu menghasilkan nilai Hit tertinggi yaitu 82% dan nilai Hit

tertinggi kedua pada ukuran template 95×37 dengan nilai Hit sebesar 80%. Sedangkan pada Tabel 3.3, persentase Hit tertinggi yaitu 78%, dihasilkan oleh template berukuran 85×33. Sedangkan persentase Hit tertinggi kedua yaitu 76% dihasilkan oleh template

berukuran 95×37. Jika dilihat rata-rata Hit dari masing-masing ukuran yang dipaparkan pada Tabel 3.4, template berukuran 95×37 menghasilkan persentase Hit tertinggi dengan nilai sebesar 78%.

Hasil penentuan ukuran citra masukan berukuran 351×527 dan template 2 berukuran 95×37 dapat dilihat pada Gambar 3.18.

(a) (b)

Gambar 3.18. (a) Subyek Abed dengan wajah subyek hadap kanan tanpa pengganggu yang dikenali benar (Hit), (b) Subyek Abed dengan wajah subyek hadap kanan tanpa pengganggu yang dikenali benar dimana wajah tidak berada dalam kotak deteksi (FA).

30

Hasil penentuan ukuran citra masukan berukuran 351×527 dan template 3 berukuran 95×37 dapat dilihat pada Gambar 3.19.

(a) (b)

Gambar 3.19. (a) Subyek Abed dengan wajah subyek hadap kiri tanpa pengganggu yang dikenali benar (Hit), (b) Subyek Abed dengan wajah subyek hadap kiri tanpa pengganggu yang dikenali benar dimana wajah tidak berada dalam kotak deteksi (FA).

3.4.2.Penentuan Variasi Cropping Template, α1, α2, dan α3

Pada sub bab ini akan membahas tentang penentuan variasi cropping dari citra

template, penentuan nilai α1, α2, dan α3. α1 merupakan nilai ambang batas yang digunakan untuk batas kemiripan antara dataset B dengan template 1. α2 merupakan nilai ambang batas yang digunakan untuk batas kemiripan antara dataset B dengan

template 2. α3 merupakan nilai ambang batas yang digunakan untuk batas kemiripan antara dataset B dengan template 3.

Pengambilan data wajah untuk variasi cropping template pada sub bab ini berjarak 2.7 meter. Masing-masing wajah dari setiap subyek (tampak depan, tampak samping kanan, dan tampak samping kiri) akan dilakukan cropping sebanyak tiga variasi. Tujuan dilakukan penentuan variasi cropping template ini yaitu untuk mengetahui pengaruh

cropping template terhadap dataset B dan selanjutnya akan memilih satu template dari masing-masing template yang mampu menghasilkan nilai korelasi yang tinggi untuk subyek yang sama dan nilai korelasi yang rendah untuk subyek yang berbeda.

Contoh variasi cropping template 1 dapat dilihat pada Gambar 3.20, Contoh variasi cropping template 2 dapat dilihat pada Gambar 3.21, dan Contoh variasi

croppingtemplate 3 dapat dilihat pada Gambar 3.22.

Untuk menentukan nilai threshold (α) dilakukan dengan memilih nilai #Hit dan #CR yang tinggi, juga #FA dan #MD yang rendah. Dalam menentukan nilai #Hit, #CR, #FA,dan #MD dilakukan dengan memberikan batas interval nilai korelasi pada masing-masing variasi cropping template. Batas interval nilai korelasi untuk variasi cropping template 1 diberi nama D dan batas interval nilai korelasi untuk variasi cropping

31

template 2 dan template 3 diberi nama E. Nilai batas interval D dan E ini didapat dari nilai korelasi minimal pada subyek yang sama dan nilai korelasi maksimal pada subyek yang berbeda. Selanjutnya akan dipilih satu nilai D dari batas interval yang akan digunakan sebagai nilai α1 dan satu nilai E dari batas interval yang akan digunakan sebagai nilai α2 dan α3.

(a) (b) (c)

Gambar 3.20. (a) Croppingtemplate 1 subyek Oka berukuran 59×53 piksel, (b)

Croppingtemplate 1 subyek Oka berukuran 75×85 piksel, dan (c) Croppingtemplate

1 subyek Oka berukuran 115×91 piksel.

(a) (b) (c)

Gambar 3.21. (a) Croppingtemplate 2 subyek Oka berukuran 95×37 piksel, (b)

Croppingtemplate 2 subyek Oka berukuran 75×37 piksel, dan (c) Croppingtemplate

2 subyek Oka berukuran 105×91 piksel.

(a) (b) (c)

Gambar 3.22. (a) Croppingtemplate 3 subyek Oka berukuran 95×37 piksel, (b)

Croppingtemplate 3 subyek Oka berukuran 75×37 piksel, dan (c) Croppingtemplate

32

Pada Gambar 3.20.a memaparkan gambar template 1 dengan melakukan variasi

cropping pada bagian wajah saja (tanpa background). Gambar 3.20.b memaparkan gambar template 1 dengan melakukan variasi cropping dibagian wajah dengan

backgroundnya. Sedangkan pada Gambar 3.20.c memaparkan gambar template 1 dengan melakukan variasi cropping pada seluruh bagian wajah (bagian kepala) dengan

backgroundnya. Nilai korelasi variasi cropping template 1 terhadap wajah subyek tampak depan dapat dilihat pada Tabel 3.5. Nilai #Hit, #CR, #FA, dan #MD variasi

cropping template 1 terhadap wajah subyek tampak depan dapat dilihat pada Tabel 3.6. Pada Gambar 3.21.a mempresentasikan template 2 dengan melakukan cropping

pada bagian wajah hadap kanan dengan menambahkan dagu dari wajah subyek. Gambar 3.21.b mempresentasikan template 2 dengan melakukan cropping dibagian wajah tanpa dagu. Sedangkan pada Gambar 3.21.c mempresentasikan template 2 dengan melakukan

cropping pada seluruh bagian wajah hadap kanan (bagian kepala). Nilai korelasi variasi

cropping template 2 terhadap wajah subyek hadap kanan dapat dilihat pada Tabel 3.7. Pada Gambar 3.22.a mempresentasikan template 3 dengan melakukan cropping

pada bagian wajah hadap kiri dengan menambahkan dagu dari wajah subyek. Gambar 3.22.b mempresentasikan template 3 dengan melakukan cropping dibagian wajah tanpa dagu. Sedangkan pada Gambar 3.22.c mempresentasikan template 3 dengan melakukan

cropping pada seluruh bagian wajah hadap kiri (bagian kepala). Nilai korelasi variasi

cropping template 3 terhadap wajah subyek hadap kiri dapat dilihat pada Tabel 3.8. Nilai #Hit, #CR, #FA, dan #MD pada variasi cropping template 2 dan variasi cropping template 3 dapat dilihat pada Tabel 3.9.

33

Tabel 3.5. Nilai korelasi variasi cropping template 1 terhadap wajah subyek tampak depan

Nama Subyek

Variasi cropping template 1

a b c

Nilai nilai korelasi minimal

nilai korelasi maksimal

Nilai nilai korelasi minimal

nilai korelasi maksimal

Nilai nilai korelasi minimal

nilai korelasi maksimal

Hit FA Hit FA Hit FA

Abed vs Abed 96% 4% 0.4223 0.6033 88% 12% 0.4426 0.6631 68% 32% 0.4011 0.6182 Danang vs Danang 94% 6% 0.4012 0.6388 96% 4% 0.4368 0.7085 96% 4% 0.4123 0.6935 Ester vs Ester 96% 4% 0.3428 0.4422 98% 2% 0.3578 0.4691 98% 2% 0.3394 0.4013 Nanang vs Nanang 98% 2% 0.5029 0.7055 96% 4% 0.5197 0.7681 96% 4% 0.5091 0.7239 Tri vs Tri 88% 12% 0.4021 0.5082 90% 10% 0.4094 0.5186 92% 8% 0.3729 0.5022 Erna vs Erna 98% 2% 0.3011 0.5723 100% 0% 0.3035 0.5993 100% 0% 0.2981 0.5482 Luki vs Luki 20% 80% 0.3944 0.5082 92% 8% 0.4205 0.5307 88% 12% 0.4103 0.5016 Yanti vs Yanti 90% 10% 0.4892 0.6248 92% 8% 0.5175 0.6708 88% 12% 0.4891 0.6588 Oka vs Oka 90% 10% 0.5081 0.7022 98% 2% 0.5598 0.7146 58% 42% 0.5359 0.7041 Joko vs Joko 98% 2% 0.4519 0.7151 98% 2% 0.5087 0.7433 0% 100% 0.4739 0.6974 Rika vs Rika 72% 28% 0.3129 0.6922 80% 20% 0.3121 0.7361 76% 24% 0.3144 0.7243 Vina vs Vina 80% 20% 0.3511 0.7037 96% 4% 0.4071 0.7498 96% 4% 0.3899 0.7052

Nama Subyek

nilai korelasi nilai korelasi nilai korelasi minimal maksimal minimal maksimal minimal maksimal

Abed vs lainnya 0.2571 0.4129 0.2426 0.4013 0.2488 0.4192

Danang vs lainnya 0.2891 0.4283 0.2968 0.3891 0.2991 0.4121 Ester vs lainnya 0.3041 0.4371 0.2988 0.4123 0.3011 0.4234 Nanang vs lainnya 0.3372 0.4621 0.3122 0.4382 0.3237 0.47321

Tri vs lainnya 0.2381 0.4638 0.2018 0.4288 0.2381 0.4428

Erna vs lainnya 0.2776 0.4011 0.1731 0.3892 0.2378 0.3922

Luki vs lainnya 0.2801 0.4172 0.2252 0.3722 0.2289 0.3942

Yanti vs lainnya 0.3182 0.4186 0.3039 0.4192 0.3382 0.4471

Oka vs lainnya 0.2628 0.3892 0.2581 0.3785 0.2891 0.4389

Joko vs lainnya 0.3018 0.4422 0.2801 0.4233 0.3088 0.4429

Rika vs lainnya 0.2891 0.4139 0.2298 0.3931 0.2791 0.4291

Vina vs lainnya 0.2712 0.4621 0.2032 0.4341 0.2427 0.4572

Berdasarkan Tabel 3.5, pada subyek yang sama, variasi cropping template pada Gambar 3.20.b mampu menghasilkan rata-rata nilai korelasi yang lebih tinggi dibandingkan dengan rata-rata nilai korelasi yang dihasilkan oleh variasi cropping template pada Gambar 3.20.a dan variasi cropping template pada Gambar 3. 20.c. Pada subyek yang berbeda, variasi cropping template pada Gambar 3.20.b mampu menghasilkan nilai korelasi yang rendah dibandingkan dengan rata-rata nilai korelasi yang dihasilkan oleh variasi cropping template pada Gambar 3.20.a dan variasi cropping

34

template pada Gambar 3.20.c. Sehingga dalam kasus ini, variasi cropping template pada Gambar 3.20.b lebih mampu membedakan wajah subyek satu dengan wajah subyek lainnya. Jadi, untuk mendeteksi keberadaan wajah hadap depan dibutuhkan fitur-fitur dari wajah seperti mata, mulut, hidung, telinga selain itu juga dibutuhkan fitur dari

background itu sendiri.

Tabel 3.6. Nilai #Hit, #CR, #FA,dan #MD variasi cropping template 1 terhadap wajah subyek tampak depan

Rentang nilai korelasi

variasi template 1

a b c

#Hit #CR #MD #FA Ap(%) #Hit #CR #MD #FA Ap (%) #Hit #CR #MD #FA Ap (%) D1 = 0.29 600 61 0 539 55.08 600 102 0 498 58.50 600 59 0 541 54.92 D2 = 0.30 600 79 0 521 56.58 600 153 0 447 62.75 595 113 5 487 59.00 D3 = 0.33 595 126 5 474 60.08 589 220 11 380 67.42 583 186 17 414 64.08 D4 = 0.36 583 206 17 394 65.75 570 303 30 297 72.75 555 285 45 315 70.00 D5 = 0.39 563 286 37 314 70.75 542 500 58 100 86.83 516 442 84 158 79.83 D6 = 0.42 518 560 82 40 89.83 506 581 94 19 90.58 444 543 156 57 82.25 D7 = 0.45 423 589 177 11 84.33 451 600 149 0 87.58 401 594 199 6 82.92 D8 = 0.47 363 600 237 0 80.25 373 600 227 0 81.08 342 598 258 2 78.33 D9 = 0.50 278 600 322 0 73.17 321 600 279 0 76.75 280 598 320 2 73.17

Tabel 3.6 memaparkan nilai #Hit, #CR, #FA,dan #MD dengan rentang nilai D

dari 0.29 sampai 0.50. Berdasarkan Tabel 3.6, nilai D sebesar 0.42 memberikan performa terbaiknya dengan menghasilkan nilai #Hit dan #CR yang lebih tinggi, juga #FA dan #MD yang lebih rendah dengan kata lain akan dihasilkan nilai akurasi yang tinggi. Perhitungan nilai akurasi dapat dilihat pada Persamaan 3. Dimana variasi

cropping template a menghasilkan akurasi sebesar 89.83%, variasi cropping template b menghasilkan akurasi sebesar 90.58%, dan variasi cropping template c menghasilkan akurasi sebesar 82.25%. Jadi nilai D sebesar 0.42 ini akan digunakan sebagai nilai α1 karena mampu menghasilkan nilai akurasi yang lebih baik.

35

Tabel 3.7. Nilai korelasi variasi cropping template 2 terhadap wajah subyek hadap kanan

Nama Subyek

Variasi cropping template 2

a b c

Nilai nilai korelasi minimal

nilai korelasi maksimal

Nilai nilai korelasi minimal

nilai korelasi maksimal

Nilai nilai korelasi minimal

nilai korelasi maksimal

Hit FA Hit FA Hit FA

Abed vs Abed 64% 36% 0.5829 0.7822 70% 30% 0.6484 0.7904 76% 24% 0.4829 0.6488 Danang vs Danang 82% 18% 0.6327 0.7941 90% 10% 0.6331 0.8032 56% 44% 0.5289 0.6828 Ester vs Ester 70% 30% 0.5191 0.7329 66% 34% 0.5259 0.7288 30% 70% 0.4492 0.6812 Nanang vs Nanang 66% 34% 0.5812 0.7638 62% 38% 0.6326 0.8064 60% 40% 0.3293 0.5992 Tri vs Tri 90% 10% 0.6121 0.8029 94% 6% 0.6148 0.7935 96% 4% 0.4129 0.6339 Erna vs Erna 92% 8% 0.5612 0.7733 94% 6% 0.5853 0.7558 92% 8% 0.4328 0.5532 Luki vs Luki 90% 10% 0.6028 0.8033 90% 10% 0.6497 0.8114 42% 58% 0.5728 0.6748 Yanti vs Yanti 70% 30% 0.6529 0.7729 74% 26% 0.6413 0.7724 76% 24% 0.5539 0.7012 Oka vs Oka 98% 2% 0.6715 0.7834 100% 0% 0.6614 0.8013 30% 70% 0.5623 0.7239 Joko vs Joko 90% 10% 0.6033 0.8078 92% 8% 0.6215 0.8105 82% 18% 0.5289 0.6381 Rika vs Rika 82% 18% 0.6492 0.7482 86% 14% 0.6484 0.7303 60% 40% 0.4819 0.6172 Vina vs Vina 84% 16% 0.5512 0.7994 84% 16% 0.5273 0.8077 80% 20% 0.4493 0.6022

Nama Subyek nilai korelasi nilai korelasi nilai korelasi

minimal maksimal minimal maksimal minimal maksimal

Abed vs lainnya 0.4892 0.6121 0.4823 0.6012 0.4992 0.6311

Danang vs lainnya 0.4422 0.5894 0.4361 0.5692 0.4813 0.6012 Ester vs lainnya 0.3829 0.6211 0.1611 0.5799 0.4422 0.6139 Nanang vs lainnya 0.4529 0.6052 0.4532 0.5423 0.4629 0.6044

Tri vs lainnya 0.4533 0.5922 0.4014 0.5721 0.5011 0.6333

Erna vs lainnya 0.4042 0.5562 0.3933 0.5458 0.4233 0.5905

Luki vs lainnya 0.4412 0.6319 0.4357 0.6289 0.4822 0.6441

Yanti vs lainnya 0.4301 0.6023 0.4463 0.5622 0.4399 0.6112

Oka vs lainnya 0.4688 0.6421 0.4619 0.6328 0.4688 0.6789

Joko vs lainnya 0.3829 0.6398 0.4398 0.6219 0.4012 0.6358

Rika vs lainnya 0.4512 0.6133 0.4429 0.5893 0.4425 0.6123

36

Tabel 3.8. Nilai korelasi variasi cropping template 3 terhadap wajah subyek hadap kiri

Nama Subyek

Variasi cropping template 3

a b c

Nilai nilai korelasi minimal

nilai korelasi maksimal

Nilai nilai korelasi minimal

nilai korelasi maksimal

Nilai nilai korelasi minimal

nilai korelasi maksimal

Hit FA Hit FA Hit FA

Abed vs Abed 72% 28% 0.6219 0.7453 72% 28% 0.6658 0.7593 68% 32% 0.4592 0.6392 Danang vs Danang 74% 26% 0.6132 0.7042 76% 24% 0.6046 0.6875 70% 30% 0.5023 0.6833 Ester vs Ester 20% 80% 0.5411 0.7023 28% 72% 0.5544 0.7325 50% 50% 0.4439 0.6738 Nanang vs Nanang 74% 26% 0.6293 0.8042 78% 22% 0.6302 0.8228 60% 40% 0.3382 0.5853 Tri vs Tri 100% 0% 0.6188 0.7244 100% 0% 0.6115 0.7377 78% 22% 0.4023 0.6346 Erna vs Erna 78% 0% 0.5592 0.7682 80% 20% 0.5787 0.8039 78% 22% 0.4233 0.5492 Luki vs Luki 94% 6% 0.6044 0.7592 96% 4% 0.6518 0.7751 80% 20% 0.5382 0.6638 Yanti vs Yanti 90% 10% 0.6532 0.8045 88% 12% 0.6542 0.7955 82% 18% 0.5564 0.7077 Oka vs Oka 100% 0% 0.6638 0.8102 100% 0% 0.6741 0.8171 78% 22% 0.5232 0.7238 Joko vs Joko 80% 20% 0.6672 0.8228 72% 28% 0.6849 0.8231 68% 32% 0.5233 0.6239 Rika vs Rika 94% 6% 0.6789 0.8299 94% 6% 0.6881 0.8393 68% 32% 0.4732 0.6192 Vina vs Vina 80% 20% 0.6248 0.7989 84% 16% 0.6241 0.8011 64% 36% 0.4329 0.5921

Nama Subyek nilai korelasi nilai korelasi nilai korelasi

minimal maksimal minimal maksimal minimal maksimal

Abed vs lainnya 0.4611 0.6032 0.4565 0.5912 0.4589 0.6122

Danang vs lainnya 0.4266 0.5792 0.4087 0.5588 0.4288 0.5921

Ester vs lainnya 0.4023 0.5844 0.2411 0.5388 0.4344 0.6218

Nanang vs lainnya 0.4892 0.6024 0.4631 0.5829 0.5233 0.6254

Tri vs lainnya 0.4952 0.6122 0.4611 0.5892 0.5022 0.6366

Erna vs lainnya 0.4739 0.6077 0.4726 0.6011 0.4582 0.6088

Luki vs lainnya 0.4492 0.5933 0.4552 0.5729 0.4782 0.5989

Yanti vs lainnya 0.4283 0.6023 0.4517 0.5592 0.4482 0.6219

Oka vs lainnya 0.4022 0.6037 0.4374 0.5721 0.4824 0.6328

Joko vs lainnya 0.4799 0.6289 0.4784 0.6011 0.4533 0.6322

Rika vs lainnya 0.4282 0.5738 0.4288 0.5533 0.4329 0.6011

Vina vs lainnya 0.4488 0.5802 0.4524 0.5582 0.4392 0.5831

Tabel 3.6 menunjukkan nilai korelasi yang dihasilkan pada masing-masing variasi

cropping template 2 dan Tabel 3.7 menunjukkan nilai korelasi yang dihasilkan pada masing-masing variasi cropping template 3. Berdasarkan Tabel 3.6 dan Tabel 3.7 terlihat pada variasi cropping template 2 pada pada Gambar 3.21.b dan variasi cropping template

3 pada Gambar 3.22.b mampu menghasilkan rata-rata korelasi pada subyek yang sama yang lebih tinggi dan menghasilkan rata-rata korelasi pada subyek yang berbeda yang lebih rendah. Sehingga pada kasus ini, untuk mendeteksi keberadaan wajah hadap kanan

37

dan hadap kiri hanya dibutuhkan fitur dari bentuk wajah hadap kanan dan hadap kiri saja tanpa harus menyertakan dagu dan bagian kepala.

Tabel 3.9. Nilai #Hit, #CR, #FA,dan #MD pada variasi cropping template 2 dan variasi

cropping template 3 Rentang

nilai korelasi

variasi template 2 dan variasi template 3

a b c

#Hit #CR #MD #FA Ap (%) #Hit #CR #MD #FA Ap (%) #Hit #CR #MD #FA Ap (%) E1 = 0.32 1200 0 0 1200 50.00 1200 10 0 1190 50.42 1200 0 0 1200 50.00 E2 = 0.37 1200 0 0 1200 50.00 1200 18 0 1182 50.75 1188 0 12 1200 49.50 E3 = 0.42 1200 46 0 1154 51.92 1200 45 0 1155 51.88 1167 0 33 1200 48.63 E4 = 0.47 1200 182 0 1018 57.58 1200 195 0 1005 58.13 1072 147 128 1053 50.79 E5 = 0.52 1193 310 7 890 62.63 1200 364 0 836 65.17 979 422 221 778 58.38 E6 = 0.57 1168 683 32 517 77.13 1179 939 21 261 88.25 749 740 451 460 62.04 E7 = 0.62 1069 1145 131 55 92.25 1117 1159 83 41 94.83 355 1103 845 97 60.75 E8 = 0.67 949 1200 251 0 89.54 919 1200 281 0 88.29 129 1192 1071 8 55.04 E9 = 0.70 749 1200 451 0 81.21 752 1200 448 0 81.33 33 1200 1167 0 51.38

Berdasarkan Tabel 3.9, nilai akurasi terbaik dihasilkan pada nilai E sebesar 0.62. Terlihat bahwa nilai #Hit dan #CR yang dihasilkan lebih tinggi, juga #FA dan #MD yang dihasilkan lebih rendah jika dibandingkan dengan nilai E lainnya. Variasi cropping template a menghasilkan akurasi sebesar 92.25%, variasi cropping template b menghasilkan akurasi sebesar 94.83%, dan variasi cropping template c menghasilkan akurasi sebesar 60.75%. Dengan demikian nilai E sebesar 0.62 ini akan digunakan sebagai nilai α2 dan α3.

3.4.3.Penentuan αR

Pada sub bab ini akan membahas tentang penentuan nilai αR. αR adalah nilai

threshold pada ΔR. Dimana ΔR merupakan hasil pengurangan rata-rata citra template (�̅) dengan rata-rata citra masukan yang tertimpa oleh template �̅_� . Pada sistem ini nilai �_� diset sebesar 40. Nilai ini didapat dari rata-rata ΔR yang dihasilkan dari operasi pengurangan rata-rata template terhadap 10 citra masukan yang terdeteksi dibagian dinding. Jika nilai ΔR terpaut jauh maka sistem akan menset nilai korelasi sebesar 0. Hal ini dikarenakan tidak adanya kemiripan antara template dengan citra masukan yang tertimpa oleh template itu sendiri. Sehingga diharapkan sistem dengan ΔR ini mampu meminimalisasi pendeteksian yang terletak dibagian tembok (dinding) pada citra masukan.

38

3.5. Performa sistem tanpa ΔR dan dengan ΔR

Sub bab ini akan membahas mengenai performa sistem tanpa ΔR dan sistem dengan

ΔR. Untuk mengetahui performa sistem tanpa ΔR dan dengan ΔR ini menggunakan Dataset B. Tujuan dilakukannya pada sub bab ini yaitu untuk mengetahui perbedaan saat sistem

dijalakan tanpa ΔR dan saat sistem dijalankan dengan ΔR. Selanjutnya akan dipilih satu sistem yang akan digunakan untuk melakukan pengujian selanjutnya pada Bab IV.

Contoh hasil penerapan sistem tanpa ΔR dan sistem dengan ΔR pada template 1 dapat dilihat pada Gambar 3.23.

(a) Penerapan sistem tanpa ΔR

(b) Penerapan sistem dengan ΔR

Gambar 3.23. Hasil penerapan template matching dengan template 1 sistem tanpa ΔR dan sistem dengan ΔR

Contoh hasil penerapan sistem tanpa ΔR dan sistem dengan ΔR pada template 2 dapat dilihat pada Gambar 3.24.

39

(b) Penerapan sistem dengan ΔR

Gambar 3.24. Hasil penerapan template matching dengan template 2 sistem tanpa ΔR dan sistem dengan ΔR

Contoh hasil penerapan sistem tanpa ΔR dan sistem dengan ΔR pada template 3 dapat dilihat pada Gambar 3.25.

(a) Penerapan sistem tanpa ΔR

(b) Penerapan sistem dengan ΔR

Gambar 3.25. Hasil penerapan template matching dengan template 3 sistem tanpa ΔR dan sistem dengan ΔR

Dari hasil proses template matching pada masing-masing template terlihat bahwa sistem tanpa ΔR ini memiliki kekurangan dalam hal mendeteksi. Pada beberapa citra dari

dataset B menghasilkan nilai korelasi tertinggi yang terletak dibagian dinding (tembok), sehingga hal ini memungkinkan kesalahan pergerakan rotator yang semakin besar. Jadi,

untuk mengatasi masalah yang ada dibuat sistem dengan ΔR dengan harapan tidak terdeteksi lagi pada bagian dinding (tembok).

34

template pada Gambar 3.20.c. Sehingga dalam kasus ini, variasi cropping template pada

Gambar 3.20.b lebih mampu membedakan wajah subyek satu dengan wajah subyek lainnya. Jadi, untuk mendeteksi keberadaan wajah hadap depan dibutuhkan fitur-fitur dari wajah seperti mata, mulut, hidung, telinga selain itu juga dibutuhkan fitur dari

background itu sendiri.

Tabel 3.6. Nilai #Hit, #CR, #FA,dan #MD variasi cropping template 1 terhadap wajah subyek tampak depan

Rentang nilai korelasi

variasi template 1

a b c

#Hit #CR #MD #FA Ap (%) #Hit #CR #MD #FA Ap (%) #Hit #CR #MD #FA Ap (%)

D1 = 0.29 600 61 0 539 55.08 600 102 0 498 58.50 600 59 0 541 54.92

D2 = 0.30 600 79 0 521 56.58 600 153 0 447 62.75 595 113 5 487 59.00

D3 = 0.33 595 126 5 474 60.08 589 220 11 380 67.42 583 186 17 414 64.08

D4 = 0.36 583 206 17 394 65.75 570 303 30 297 72.75 555 285 45 315 70.00

D5 = 0.39 563 286 37 314 70.75 542 500 58 100 86.83 516 442 84 158 79.83

D6 = 0.42 518 560 82 40 89.83 506 581 94 19 90.58 444 543 156 57 82.25

D7 = 0.45 423 589 177 11 84.33 451 600 149 0 87.58 401 594 199 6 82.92

D8 = 0.47 363 600 237 0 80.25 373 600 227 0 81.08 342 598 258 2 78.33

D9 = 0.50 278 600 322 0 73.17 321 600 279 0 76.75 280 598 320 2 73.17

Tabel 3.6 memaparkan nilai #Hit, #CR, #FA,dan #MD dengan rentang nilai D

dari 0.29 sampai 0.50. Berdasarkan Tabel 3.6, nilai D sebesar 0.42 memberikan performa terbaiknya dengan menghasilkan nilai #Hit dan #CR yang lebih tinggi, juga #FA dan #MD yang lebih rendah dengan kata lain akan dihasilkan nilai akurasi yang tinggi. Perhitungan nilai akurasi dapat dilihat pada Persamaan 3. Dimana variasi

cropping template a menghasilkan akurasi sebesar 89.83%, variasi cropping template b

menghasilkan akurasi sebesar 90.58%, dan variasi cropping template c menghasilkan akurasi sebesar 82.25%. Jadi nilai D sebesar 0.42 ini akan digunakan sebagai nilai α1

35

Tabel 3.7. Nilai korelasi variasi cropping template 2 terhadap wajah subyek hadap kanan

Nama Subyek

Variasi croppingtemplate 2

a b c

Nilai nilai korelasi minimal

nilai korelasi maksimal

Nilai nilai korelasi minimal

nilai korelasi maksimal

Nilai nilai korelasi minimal

nilai korelasi maksimal

Hit FA Hit FA Hit FA

Abed vs Abed 64% 36% 0.5829 0.7822 70% 30% 0.6484 0.7904 76% 24% 0.4829 0.6488

Danang vs Danang 82% 18% 0.6327 0.7941 90% 10% 0.6331 0.8032 56% 44% 0.5289 0.6828

Ester vs Ester 70% 30% 0.5191 0.7329 66% 34% 0.5259 0.7288 30% 70% 0.4492 0.6812

Nanang vs Nanang 66% 34% 0.5812 0.7638 62% 38% 0.6326 0.8064 60% 40% 0.3293 0.5992

Tri vs Tri 90% 10% 0.6121 0.8029 94% 6% 0.6148 0.7935 96% 4% 0.4129 0.6339

Erna vs Erna 92% 8% 0.5612 0.7733 94% 6% 0.5853 0.7558 92% 8% 0.4328 0.5532

Luki vs Luki 90% 10% 0.6028 0.8033 90% 10% 0.6497 0.8114 42% 58% 0.5728 0.6748

Yanti vs Yanti 70% 30% 0.6529 0.7729 74% 26% 0.6413 0.7724 76% 24% 0.5539 0.7012

Oka vs Oka 98% 2% 0.6715 0.7834 100% 0% 0.6614 0.8013 30% 70% 0.5623 0.7239

Joko vs Joko 90% 10% 0.6033 0.8078 92% 8% 0.6215 0.8105 82% 18% 0.5289 0.6381

Rika vs Rika 82% 18% 0.6492 0.7482 86% 14% 0.6484 0.7303 60% 40% 0.4819 0.6172

Vina vs Vina 84% 16% 0.5512 0.7994 84% 16% 0.5273 0.8077 80% 20% 0.4493 0.6022

Nama Subyek nilai korelasi nilai korelasi nilai korelasi minimal maksimal minimal maksimal minimal maksimal Abed vs lainnya 0.4892 0.6121 0.4823 0.6012 0.4992 0.6311

Danang vs lainnya 0.4422 0.5894 0.4361 0.5692 0.4813 0.6012

Ester vs lainnya 0.3829 0.6211 0.1611 0.5799 0.4422 0.6139

Nanang vs lainnya 0.4529 0.6052 0.4532 0.5423 0.4629 0.6044

Tri vs lainnya 0.4533 0.5922 0.4014 0.5721 0.5011 0.6333

Erna vs lainnya 0.4042 0.5562 0.3933 0.5458 0.4233 0.5905

Luki vs lainnya 0.4412 0.6319 0.4357 0.6289 0.4822 0.6441

Yanti vs lainnya 0.4301 0.6023 0.4463 0.5622 0.4399 0.6112

Oka vs lainnya 0.4688 0.6421 0.4619 0.6328 0.4688 0.6789

Joko vs lainnya 0.3829 0.6398 0.4398 0.6219 0.4012 0.6358

Rika vs lainnya 0.4512 0.6133 0.4429 0.5893 0.4425 0.6123

36

Tabel 3.8. Nilai korelasi variasi cropping template 3 terhadap wajah subyek hadap kiri

Nama Subyek

Variasi cropping template 3

a b c

Nilai nilai korelasi minimal

nilai korelasi maksimal

Nilai nilai korelasi minimal

nilai korelasi maksimal

Nilai nilai korelasi minimal

nilai korelasi maksimal

Hit FA Hit FA Hit FA

Abed vs Abed 72% 28% 0.6219 0.7453 72% 28% 0.6658 0.7593 68% 32% 0.4592 0.6392

Danang vs Danang 74% 26% 0.6132 0.7042 76% 24% 0.6046 0.6875 70% 30% 0.5023 0.6833

Ester vs Ester 20% 80% 0.5411 0.7023 28% 72% 0.5544 0.7325 50% 50% 0.4439 0.6738

Nanang vs Nanang 74% 26% 0.6293 0.8042 78% 22% 0.6302 0.8228 60% 40% 0.3382 0.5853

Tri vs Tri 100% 0% 0.6188 0.7244 100% 0% 0.6115 0.7377 78% 22% 0.4023 0.6346

Erna vs Erna 78% 0% 0.5592 0.7682 80% 20% 0.5787 0.8039 78% 22% 0.4233 0.5492

Luki vs Luki 94% 6% 0.6044 0.7592 96% 4% 0.6518 0.7751 80% 20% 0.5382 0.6638

Yanti vs Yanti 90% 10% 0.6532 0.8045 88% 12% 0.6542 0.7955 82% 18% 0.5564 0.7077

Oka vs Oka 100% 0% 0.6638 0.8102 100% 0% 0.6741 0.8171 78% 22% 0.5232 0.7238

Joko vs Joko 80% 20% 0.6672 0.8228 72% 28% 0.6849 0.8231 68% 32% 0.5233 0.6239

Rika vs Rika 94% 6% 0.6789 0.8299 94% 6% 0.6881 0.8393 68% 32% 0.4732 0.6192

Vina vs Vina 80% 20% 0.6248 0.7989 84% 16% 0.6241 0.8011 64% 36% 0.4329 0.5921

Nama Subyek nilai korelasi nilai korelasi nilai korelasi

minimal maksimal minimal maksimal minimal maksimal Abed vs lainnya 0.4611 0.6032 0.4565 0.5912 0.4589 0.6122

Danang vs lainnya 0.4266 0.5792 0.4087 0.5588 0.4288 0.5921

Ester vs lainnya 0.4023 0.5844 0.2411 0.5388 0.4344 0.6218

Nanang vs lainnya 0.4892 0.6024 0.4631 0.5829 0.5233 0.6254

Tri vs lainnya 0.4952 0.6122 0.4611 0.5892 0.5022 0.6366

Erna vs lainnya 0.4739 0.6077 0.4726 0.6011 0.4582 0.6088

Luki vs lainnya 0.4492 0.5933 0.4552 0.5729 0.4782 0.5989

Yanti vs lainnya 0.4283 0.6023 0.4517 0.5592 0.4482 0.6219

Oka vs lainnya 0.4022 0.6037 0.4374 0.5721 0.4824 0.6328

Joko vs lainnya 0.4799 0.6289 0.4784 0.6011 0.4533 0.6322

Rika vs lainnya 0.4282 0.5738 0.4288 0.5533 0.4329 0.6011

Vina vs lainnya 0.4488 0.5802 0.4524 0.5582 0.4392 0.5831

Tabel 3.6 menunjukkan nilai korelasi yang dihasilkan pada masing-masing variasi

cropping template 2 dan Tabel 3.7 menunjukkan nilai korelasi yang dihasilkan pada

masing-masing variasi cropping template 3. Berdasarkan Tabel 3.6 dan Tabel 3.7 terlihat pada variasi cropping template 2 pada pada Gambar 3.21.b dan variasi cropping template

3 pada Gambar 3.22.b mampu menghasilkan rata-rata korelasi pada subyek yang sama yang lebih tinggi dan menghasilkan rata-rata korelasi pada subyek yang berbeda yang lebih rendah. Sehingga pada kasus ini, untuk mendeteksi keberadaan wajah hadap kanan

37

dan hadap kiri hanya dibutuhkan fitur dari bentuk wajah hadap kanan dan hadap kiri saja tanpa harus menyertakan dagu dan bagian kepala.

Tabel 3.9. Nilai #Hit, #CR, #FA,dan #MD pada variasi cropping template 2 dan variasi

cropping template 3

Rentang nilai korelasi

variasi template 2 dan variasi template 3

a b c

#Hit #CR #MD #FA Ap (%) #Hit #CR #MD #FA Ap (%) #Hit #CR #MD #FA Ap (%)

E1 = 0.32 1200 0 0 1200 50.00 1200 10 0 1190 50.42 1200 0 0 1200 50.00

E2 = 0.37 1200 0 0 1200 50.00 1200 18 0 1182 50.75 1188 0 12 1200 49.50

E3 = 0.42 1200 46 0 1154 51.92 1200 45 0 1155 51.88 1167 0 33 1200 48.63

E4 = 0.47 1200 182 0 1018 57.58 1200 195 0 1005 58.13 1072 147 128 1053 50.79

E5 = 0.52 1193 310 7 890 62.63 1200 364 0 836 65.17 979 422 221 778 58.38

E6 = 0.57 1168 683 32 517 77.13 1179 939 21 261 88.25 749 740 451 460 62.04

E7 = 0.62 1069 1145 131 55 92.25 1117 1159 83 41 94.83 355 1103 845 97 60.75

E8 = 0.67 949 1200 251 0 89.54 919 1200 281 0 88.29 129 1192 1071 8 55.04

E9 = 0.70 749 1200 451 0 81.21 752 1200 448 0 81.33 33 1200 1167 0 51.38

Berdasarkan Tabel 3.9, nilai akurasi terbaik dihasilkan pada nilai E sebesar 0.62. Terlihat bahwa nilai #Hit dan #CR yang dihasilkan lebih tinggi, juga #FA dan #MD yang dihasilkan lebih rendah jika dibandingkan dengan nilai E lainnya. Variasi cropping

template a menghasilkan akurasi sebesar 92.25%, variasi cropping template b

menghasilkan akurasi sebesar 94.83%, dan variasi cropping template c menghasilkan akurasi sebesar 60.75%. Dengan demikian nilai E sebesar 0.62 ini akan digunakan sebagai nilai α2 dan α3.

3.4.3.Penentuan αR

Pada sub bab ini akan membahas tentang penentuan nilai αR. αR adalah nilai

threshold pada ΔR. Dimana ΔR merupakan hasil pengurangan rata-rata citra template (�̅)

dengan rata-rata citra masukan yang tertimpa oleh template �̅_� . Pada sistem ini nilai �_� diset sebesar 40. Nilai ini didapat dari rata-rata ΔR yang dihasilkan dari operasi pengurangan rata-rata template terhadap 10 citra masukan yang terdeteksi dibagian dinding. Jika nilai ΔR terpaut jauh maka sistem akan menset nilai korelasi sebesar 0. Hal ini dikarenakan tidak adanya kemiripan antara template dengan citra masukan yang tertimpa oleh template itu sendiri. Sehingga diharapkan sistem dengan ΔR ini mampu meminimalisasi pendeteksian yang terletak dibagian tembok (dinding) pada citra masukan.

38 3.5. Performa sistem tanpa ΔR dan dengan ΔR

Sub bab ini akan membahas mengenai performa sistem tanpa ΔR dan sistem dengan ΔR. Untuk mengetahui performa sistem tanpa ΔR dan dengan ΔR ini menggunakan Dataset

B. Tujuan dilakukannya pada sub bab ini yaitu untuk mengetahui perbedaan saat sistem dijalakan tanpa ΔR dan saat sistem dijalankan dengan ΔR. Selanjutnya akan dipilih satu sistem yang akan digunakan untuk melakukan pengujian selanjutnya pada Bab IV.

Contoh hasil penerapan sistem tanpa ΔR dan sistem dengan ΔR pada template 1 dapat dilihat pada Gambar 3.23.

(a) Penerapan sistem tanpa ΔR

(b) Penerapan sistem dengan ΔR

Gambar 3.23. Hasil penerapan template matching dengan template 1 sistem tanpa ΔR dan sistem dengan ΔR

Contoh hasil penerapan sistem tanpa ΔR dan sistem dengan ΔR pada template 2 dapat dilihat pada Gambar 3.24.

39

(b) Penerapan sistem dengan ΔR

Gambar 3.24. Hasil penerapan template matching dengan template 2 sistem tanpa ΔR

dan sistem dengan ΔR

Contoh hasil penerapan sistem tanpa ΔR dan sistem dengan ΔR pada template 3 dapat dilihat pada Gambar 3.25.

(a) Penerapan sistem tanpa ΔR

(b) Penerapan sistem dengan ΔR

Gambar 3.25. Hasil penerapan template matching dengan template 3 sistem tanpa ΔR dan sistem dengan ΔR

Dari hasil proses template matching pada masing-masing template terlihat bahwa sistem tanpa ΔR ini memiliki kekurangan dalam hal mendeteksi. Pada beberapa citra dari

dataset B menghasilkan nilai korelasi tertinggi yang terletak dibagian dinding (tembok),

sehingga hal ini memungkinkan kesalahan pergerakan rotator yang semakin besar. Jadi, untuk mengatasi masalah yang ada dibuat sistem dengan ΔR dengan harapan tidak terdeteksi lagi pada bagian dinding (tembok).