3.2.3. Proses Pengujian
Setelah melakukan proses Feature Extraction pada data training suatu set, proses selanjutnya yaitu melakukan pengujian
data testing pada set tersebut. Sebelum melakukan pengujian, data testing juga harus melalui proses Preprocessing yaitu Cropping,
perubahan ukuran dimensi citra dan Grayscalling. Kemudian setelah melalui proses Preprocessing, set data
testing juga melalui proses Feature Extraction. Tetapi, untuk data testing pencarian ciri yang akan dibandingkan dengan data training
menggunakan proses yang berbeda dengan data training. Proses pencarian ciri data testing yaitu :
1. Mengambil set atau kumpulan gambar testing untuk pengenalan. Kemudian ubah matriks tiap gambar testing berukuran dua dimensi
menjadi satu dimensi N
2
x 1. Proses ini sama dengan proses pencarian ciri pada data training,
yaitu semua citra wajah data testing dua dimensi diubah menjadi satu dimensi. Sehingga dari matriks berdimensi 200x200 akan
menjadi matriks berdimensi 40000x1 untuk 1 citra.
2. Mengurangi nilai matriks gambar testing dengan nilai matriks rata- rata dari data training
Proses ini juga sama dengan pencarian ciri pada data training yaitu matriks citra wajah data testing tipe datanya diubah menjadi double.
Lalu mengurangi nilai tiap kolom pada matriks dengan matriks rata- rata dari perhitungan data training. Sehingga akan menghasilkan
matriks baru �
berdimensi 40000x1 untuk 1 citra.
3.
Memproyeksikan gambar testing dalam Eigenspace Pada proses inilah, pencarian ciri pada data training dan data testing
berbeda. Pencarian ciri atau komponen eigenface pada data testing melalui perkalian antara matriks U dari data training yang telah di-
transpose berdimensi 300x40000 dengan matriks �
. Kemudian hasilnya akan di-transpose kembali, sehingga menghasilkan matriks
berdimensi 1x300 untuk 1 citra. Perkalian tersebut bertujuan untuk memproyeksikan citra wajah data testing ke dalam
Eigenspace, sehingga dapat dibandingkan atau dicari jarak antara citra wajah data testing dengan citra wajah data training.
Untuk mengenali citra wajah data testing pada citra wajah data training, maka dilakukan pencarian jarak antara
dengan menggunakan Euclidean Distance. Pencarian jarak akan dilakukan
dari satu per satu setiap baris atau tiap citra wajah training pada matriks pada data training. Setiap hasil dari pengurangan
dengan matriks tiap baris akan dicatat dalam satu matriks. Lalu akan memberi nomor atau indeks pada tiap barisnya dari 1-300
banyaknya data training sehingga dapat menunjukkan pada citra wajah training ke berapa memiliki jarak paling dekat. Kemudian
akan diambil jarak yang paling minimum dari hasil pencarian jarak antara
dengan dengan mengurutkannya dari paling kecil ke besar. Hasil jarak paling kecil menunjukkan citra wajah testing
sesuai atau mirip dengan citra pada indeks matriks yang
mempunyai jarak paling minimum atau berada pada baris pertama.
Misalnya nilai adalah 25. Kemudian nilai tiap citra pada data
training 4 citra : Tabel 3.3. Contoh Matriks
Matriks 55
75 40
35 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Langkah selanjutnya adalah mencari jarak citra wajah testing terhadap tiap citra atau baris pada matriks dan memberi nomor
atau indeks tiap barisnya. Tabel 3.4. Contoh perhitungan jarak Matriks
Indeks Jarak
1 √
− =
2 √
− =
3 √
− =
4 √
− =
Kemudian mencari jarak paling minimum dengan mengurutkan tabel tersebut berdasarkan kolom jarak secara ascending.
Tabel 3.5. Contoh pencarian jarak paling minimum Matriks Indeks Jarak
4 10
3 15
1 30
2 50
Dari hasil perhitungan jarak tabel di-atas menunjukkan bahwa citra wajah testing mirip atau cocok dengan citra wajah training pada
indeks atau urutan ke-4 pada set data training. PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
4. Pengecekan hasil perhitungan jarak dengan nilai threshold � .
Setelah menemukan jarak paling dekat, langkah selanjutnya adalah melakukan pengecekan pada hasil perhitungan jarak paling
minimum tersebut apakah telah memenuhi batas threshold.
Jika hasil perhitungan jarak paling minimum melebihi nilai threshold maka citra data testing merupakan citra yang tidak
diketahui atau tidak ada dalam data training. Namun jika hasil perhitungan jarak paling minimum kurang dari nilai threshold, maka
citra data testing diketahui atau ada dalam data training.
Sehingga akan masuk ke dalam proses selanjutnya, yaitu klasifikasi, untuk menunjukkan citra wajah testing tersebut sesuai atau cocok
dengan citra wajah training yang mana. Lalu akan menampilkan informasi nama file citra, nama, dan nim mahasiswa yang sesuai
dengan citra testing. Tabel 3.6. Data mahasiswa TI USD angkatan 2013 yang digunakan beserta
label file No.
Nama Mahasiswa NIM
Label 1.
A Fendi Pratama 135314113
a 2.
Yeremia Yoga Pratama 135314007
b 3.
Kautsar Rusydi Rahmatullah 135314093
c 4.
Dwi Putra Prihandito 135314048
d 5.
Damian Arif Pradana 135314047
e 6.
Gabriel Indra Widi Tamtama 135314075
f 7.
Sonny Fernando K.Adji 135314084
g 8.
Widya Yoga Arkadia 135314059
h 9.
Angela Mediatrix Melly 135314074
i 10. Martin Nugraha
135314037 j
11. Yohanes Enggal Septianto 135314124
k PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
12. Ni Komang Asih Setiawati 135314104
l 13. Gerardo Adhitya Nugroho
135314068 m
14. Marcellina Fanny Kusuma Wardani 135314013
n 15. Ekky Alfian
135314086 o
16. Aloysius Tanto Wibowo 135314061
p 17. Elvino Prayogo
135314095 q
18. Yohanes Christian Brilliangga 135314058
r 19. Baptista Yorangga Varani
135314123 s
20. Yosep Kartika Dewandaru 135314076
t 21. Hironimus Hendra Setiawan
135314126 u
22. Yosia Adi Febrian 135314036
v 23. Tommy Nugraha Manoppo
135314027 w
24. Raymond Apriyogi Diki Putra 135314004
x 25. Andre Fransisco Bayuputra
135314015 y
Label tersebut menunjukkan penamaan file citra tiap mahasiswa. Jadi misalnya A Fendi Pratama memiliki label a, maka nama 18 file
citra dari A Fendi Pratama berawalan huruf a a1-a18.jpg begitu juga dengan mahasiswa lainnya.
Tabel 3.7. Contoh penentuan label pada suatu indeks Indeks
Jarak 1
2 ⋮
12 13
14 ⋮
24 25
26 ⋮
36 ⋮
300 Cara untuk menentukan suatu indeks merupakan label apa adalah
dengan melakukan pengecekan. Setiap mahasiswa atau label mempunyai citra data training sebanyak 12 nobyek, sehingga 12
indeks mempunyai label yang sama. Jadi setiap 12 indeks akan mempunyai label yang berbeda. Proses pengecekannya :
1. Jika jarak terkecil terdapat pada indeks ke ≤
maka citra wajah testing sesuai dengan citra wajah berlabel a, sehingga
akan menampilkan identitas mahasiswa berlabel a. 2. Jika jarak terkecil terdapat pada indeks ke
≤ ∗ maka citra wajah testing sesuai dengan citra wajah
berlabel b, sehingga akan menampilkan identitas mahasiswa berlabel b.
3. Jika jarak terkecil terdapat pada indeks ∗
≤ ∗ maka citra wajah testing sesuai dengan citra wajah
Citra label a
Citra label b
Citra label c PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
berlabel c, sehingga akan menampilkan identitas mahasiswa berlabel c.
4. Jika jarak terkecil terdapat pada indeks ∗
≤ ∗ maka citra wajah testing sesuai dengan citra wajah
berlabel d, sehingga akan menampilkan identitas mahasiswa berlabel d.
5. Jika jarak terkecil terdapat pada indeks ∗
≤ ∗ maka citra wajah testing sesuai dengan citra wajah
berlabel e, sehingga akan menampilkan identitas mahasiswa berlabel e.
6. Jika jarak terkecil terdapat pada indeks ∗
≤ ∗ maka citra wajah testing sesuai dengan citra wajah
berlabel f, sehingga akan menampilkan identitas mahasiswa berlabel f.
7. Jika jarak terkecil terdapat pada indeks ∗
≤ ∗ maka citra wajah testing sesuai dengan citra wajah
berlabel g, sehingga akan menampilkan identitas mahasiswa berlabel g.
8. Jika jarak terkecil terdapat pada indeks ∗
≤ ∗ maka citra wajah testing sesuai dengan citra wajah
berlabel h, sehingga akan menampilkan identitas mahasiswa berlabel h.
9. Jika jarak terkecil terdapat pada indeks ∗
≤ ∗ maka citra wajah testing sesuai dengan citra
wajah berlabel i, sehingga akan menampilkan identitas mahasiswa berlabel i.
10. Jika jarak terkecil terdapat pada indeks ∗
≤ ∗
maka citra wajah testing sesuai dengan citra wajah berlabel j, sehingga akan menampilkan identitas mahasiswa
berlabel j. PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
11. Jika jarak terkecil terdapat pada indeks ∗
≤ ∗
maka citra wajah testing sesuai dengan citra wajah berlabel k, sehingga akan menampilkan identitas mahasiswa
berlabel k. 12. Jika jarak terkecil terdapat pada indeks
∗ ≤
∗ maka citra wajah testing sesuai dengan citra
wajah berlabel l, sehingga akan menampilkan identitas mahasiswa berlabel l.
13. Jika jarak terkecil terdapat pada indeks ∗
≤ ∗
maka citra wajah testing sesuai dengan citra wajah berlabel m, sehingga akan menampilkan identitas mahasiswa
berlabel m. 14. Jika jarak terkecil terdapat pada indeks
∗ ≤
∗ maka citra wajah testing sesuai dengan citra
wajah berlabel n, sehingga akan menampilkan identitas mahasiswa berlabel n.
15. Jika jarak terkecil terdapat pada indeks ∗
≤ ∗
maka citra wajah testing sesuai dengan citra wajah berlabel o, sehingga akan menampilkan identitas mahasiswa
berlabel o. 16. Jika jarak terkecil terdapat pada indeks
∗ ≤
∗ maka citra wajah testing sesuai dengan citra
wajah berlabel p, sehingga akan menampilkan identitas mahasiswa berlabel p.
17. Jika jarak terkecil terdapat pada indeks ∗
≤ ∗
maka citra wajah testing sesuai dengan citra wajah berlabel q, sehingga akan menampilkan identitas mahasiswa
berlabel q. 18. Jika jarak terkecil terdapat pada indeks
∗ ≤
∗ maka citra wajah testing sesuai dengan citra
wajah berlabel r, sehingga akan menampilkan identitas mahasiswa berlabel r.
19. Jika jarak terkecil terdapat pada indeks ∗
≤ ∗
maka citra wajah testing sesuai dengan citra wajah berlabel s, sehingga akan menampilkan identitas mahasiswa
berlabel s. 20. Jika jarak terkecil terdapat pada indeks
∗ ≤
∗ maka citra wajah testing sesuai dengan citra
wajah berlabel t, sehingga akan menampilkan identitas mahasiswa berlabel t.
21. Jika jarak terkecil terdapat pada indeks ∗
≤ ∗
maka citra wajah testing sesuai dengan citra wajah berlabel u, sehingga akan menampilkan identitas mahasiswa
berlabel u. 22. Jika jarak terkecil terdapat pada indeks
∗ ≤
∗ maka citra wajah testing sesuai dengan citra
wajah berlabel v, sehingga akan menampilkan identitas mahasiswa berlabel v.
23. Jika jarak terkecil terdapat pada indeks ∗
≤ ∗
maka citra wajah testing sesuai dengan citra wajah berlabel w, sehingga akan menampilkan identitas mahasiswa
berlabel w. 24. Jika jarak terkecil terdapat pada indeks
∗ ≤
∗ maka citra wajah testing sesuai dengan citra
wajah berlabel x, sehingga akan menampilkan identitas mahasiswa berlabel x.
25. Jika jarak terkecil terdapat pada indeks ∗
≤ ∗
maka citra wajah testing sesuai dengan citra wajah berlabel y, sehingga akan menampilkan identitas mahasiswa
berlabel y. PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Jadi, jika hasil perhitungan jarak seperti : Tabel 3.8. Contoh perhitungan jarak 5 citra
Indeks Jarak
35 10
23 20
4 30
104 40
284 50
Jarak terkecil merupakan baris pertama pada tabel setelah di- urutkan. Sehingga, jarak terkecil citra testing dan citra training
berada pada indeks ke-35. Karena indeks ke 35 merupakan rentang dari
≤ 36 maka citra wajah testing sesuai dengan citra wajah berlabel c, sehingga akan menampilkan identitas mahasiswa
berlabel c. PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Pseudo-code Pengujian :
3.2.4. Output
Kategori