BAB IV IMPLEMENTASI DAN EVALUASI 4.1 Aplikasi Pengujian Untuk menguji kecepatan dan keakuratan metode pendeteksian wajah Viola Jones, kami membuat sebuah aplikasi sederhana, dengan spesifikasi perangkat lunak sebagai berikut: Microsoft Windows 7 Ultimate Microsoft Visual C++ 2008 Express Edition Pustaka OpenCV 1.0 Pustaka FLTK Sedangkan spesifikasi perangkat keras yang digunakan dalam pengujian adalah sebagai berikut: Processor Intel(R) Core(TM)2 Duo CPU 2.13GHz RAM 4 GB Kamera web USB dengan resolusi 640x480 76
77 Gambar 4.1 Aplikasi pengujian metode pendeteksian wajah Viola Jones Pada aplikasi pengujian, dapat dilakukan pendeteksian wajah dari citra, ataupun dari kamera web. Untuk pendeteksian wajah pada citra, citra diinput menggunakan tombol load image. Citra yang dapat diinput adalah citra JPEG dan citra PNG. Untuk melakukan pendeteksian, digunakan tombol Detect Face(s). Sedangkan untuk memulai pendeteksian wajah dengan kamera web, digunakan tombol Start Camera. Setelah tombol tersebut ditekan, program akan terus menerus melakukan pendeteksian wajah terhadap setiap frame yang ditangkap oleh kamera web, hingga tombol Stop Camera ditekan. Program akan menampilkan waktu pendeteksian serta jumlah wajah yang terdeteksi, dan untuk setiap wajah yang terdeteksi akan diberi gambar persegi berwarna merah sebesar wajah yang terdeteksi. Besar citra sub window awal yang digunakan adalah 24x24, dengan faktor skala sebesar 1,1.
78 Gambar 4.2 Hasil pendeteksian wajah Viola Jones Gambar 4.3 Hasil pengujian terhadap citra
Gambar 4.4 Hasil pengujian dengan kamera web 79
80 4.2 Pengujian Parameter pengujian yang digunakan meliputi: 1. Waktu pendeteksian, disajikan dalam satuan mili seconds (ms). 2. Keakuratan pendeteksian, disajikan dalam bentuk persentase. Berikut adalah pengujian yang dilakukan: 1. Pengujian terhadap 100 citra berisi wajah Citra pengujian diambil secara acak dari internet dan koleksi pribadi. Citra yang diuji memiliki resolusi rata-rata 640x480 piksel. Ada dua jenis pengujian yang dilakukan terhadap citra, yaitu sebagai berikut: a. Pengujian terhadap waktu pendeteksian Untuk menghitung waktu pendeteksian, digunakan fungsi cvgettickcount() dan cvgettickfrequency(), dengan aturan sebagai berikut: Waktu pendeteksian ms T2 T1 F 1000 Di mana: T1 = cvgettickcount() sebelum pendeteksian T2 = cvgettickcount() setelah pendeteksian F = cvgettickfrequency() b. Pengujian terhadap keakuratan pendeteksian Untuk menghitung keakuratan pendeteksian, digunakan rumus sebagai berikut: Keakuratan pendeteksian % A B 2
81 Dengan: A true_positive face_on_image B true_positive face_detected Di mana: true_positive = jumlah objek terdeteksi yang benar merupakan wajah manusia face_on_image = jumlah wajah manusia yang ada di dalam citra (jumlah wajah manusia yang seharusnya terdeteksi) face_detected = jumlah seluruh objek yang terdeteksi, baik yang merupakan wajah, maupun bukan (true_positive + false_positive) 2. Pengujian dengan kamera web Pengujian yang dilakukan dengan kamera web adalah untuk mengukur waktu pendeteksian. Metode yang digunakan untuk mengukur waktu pendeteksian ini sama dengan metode yang digunakan pada pengukuran waktu pendeteksian pada citra, seperti yang telah dijelaskan di atas. 4.3 Hasil Pengujian Berikut adalah tabel hasil pengujian terhadap 20 citra untuk mengukur waktu pendeteksian dengan metode Viola jones.
82 Tabel 4.1 Tabel hasil pengujian terhadap citra untuk mengukur waktu pendeteksian dengan metode Viola Jones (20 dari 100 pengujian) No. Nama Citra Dimensi Citra Waktu Pendeteksian (ms) 1. 005.jpg 427x640 259,687 2. 016.jpg 640x427 282,703 3. 024.jpg 452x640 305.022 4. 036.jpg 640x480 241.669 5. 042.jpg 480x640 227.074 6. 052.jpg 480x636 348,482 7. 058.jpg 640x426 266,248 8. 065.jpg 640x364 255,777 9. 071.jpg 480x601 344,606 10. 079.jpg 640x480 348,930 11. 084.JPG 640x427 297,877 12. 090.jpg 640x426 311,165 13. 095.jpg 640x480 338,569 14. 100.jpg 640x480 378,551 15. 105.jpg 480x523 348,946 16. 111.jpg 640x474 366,851 17. 116.jpg 640x429 319,197 18. 122.jpg 640x480 461,142 19. 132.jpg 637x480 456,076 20. 142.jpg 480x480 245,141
Dari pengujian yang dilakukan terhadap 100 file citra yang berbeda, didapatkan data-data sebagai berikut: Rata rata waktu pendeteksian Total waktu pendeteksian Jumlah data pengujian 32.436,250 100 324,362 ms Waktu pendeteksian tercepat adalah 178,232 ms, pada citra berdimensi 427x640. Waktu pendeteksian terlama adalah 461,142 ms, pada citra berdimensi 640x480. 83 Berikut adalah tabel hasil pengujian terhadap 20 citra untuk mendapatkan persentase keakuratan pendeteksian dengan metode Viola Jones. Tabel 4.2 Tabel hasil pengujian terhadap citra untuk mengukur akurasi pendeteksian dengan metode Viola Jones (20 dari 100 pengujian) No. Nama Face_on True_ False_ Total_ A B File _image positive positive detected (%) (%) 1. 005.jpg 1 1 0 1 100 100 2. 016.jpg 1 1 0 1 100 100 3. 024.jpg 2 2 0 2 100 100 4. 036.jpg 2 2 0 2 100 100 5. 042.jpg 2 2 0 2 100 100 6. 052.jpg 4 3 0 3 75 100 7. 058.jpg 5 5 0 5 100 100
84 8. 065.jpg 6 5 0 5 83,333 100 9. 071.jpg 4 4 0 4 100 100 10. 079.jpg 9 8 0 8 88,889 100 11. 084.JPG 12 12 0 12 100 100 12. 090.jpg 16 16 1 17 100 94,118 13. 095.jpg 23 23 1 24 100 95,833 14. 100.jpg 21 20 0 20 95,238 100 15. 105.jpg 4 4 0 4 100 100 16. 111.jpg 6 6 0 6 100 100 17. 116.jpg 10 7 0 7 70 100 18. 122.jpg 11 9 0 9 81,818 100 19. 132.jpg 6 6 0 6 100 100 20. 142,jpg 9 9 1 10 100 90 Dari pengujian yang dilakukan terhadap 100 file citra yang berbeda, didapatkan rata-rata akurasi pendeteksian sebagai berikut: A A Jumlah data pengujian 9476,039 100 94,760 %
85 B B Jumlah data pengujian 9590,318 100 95,903 % Rata rata akurasi pendeteksian A B 2 94,760 95,903 2 190,664 2 95,332 % Besar false_positive yang didapatkan false_positive 100% total_detected 35 100% 768 0,04557 100% 4,557 % Berikut adalah tabel hasil pengujian dengan kamera web untuk mengukur waktu pendeteksian dengan metode Viola Jones.
86 Tabel 4.3 Tabel hasil pengujian dengan kamera web untuk mengukur waktu pendeteksian dengan metode Viola Jones (20 dari 100 pengujian) No. Nama Frame Waktu Pendeteksian (ms) 1. Frame001 427,648 2. Frame002 418,851 3. Frame003 648,510 4. Frame004 606,856 5. Frame005 508,654 6. Frame006 426,883 7. Frame007 447,102 8. Frame008 421,279 9. Frame009 232,300 10. Frame010 216,486 11. Frame011 435,021 12. Frame012 262,606 13. Frame013 413,098 14. Frame014 405,413 15. Frame015 441,236 16. Frame016 625,275 17. Frame017 453,861 18. Frame018 607,237 19. Frame019 620,528 20. Frame020 408,404
Dari pengujian yang dilakukan terhadap 100 frame yang berbeda, didapatkan data-data sebagai berikut: Rata rata waktu pendeteksian Total waktu pendeteksian Jumlah data pengujian 44.570,584 100 445,705 ms Waktu pendeteksian tecepat adalah 166,960 ms. Waktu pendeteksian terlama adalah 888,807 ms. Sebagai perbandingan, kami menggunakan sebuah software demo pendeteksian wajah secara real-time yang bernama Realtime Face Detection Demo V 2.0 dan dibuat oleh sebuah perusahaan IT bernama Control Chaos Technology (CCT). Software ini didasarkan pada kernel ChaosFace SDK 1.5. User dapat menginput citra (tunggal ataupun banyak), atau menggunakan kamera web USB untuk memulai pendeteksian wajah. Wajah yang dapat dideteksi oleh software ini adalah wajah dengan posisi frontal, miring, atau profil. Selain itu, user juga dapat menentukan nilai threshold pendeteksian yang akan digunakan, yaitu dari 0% sampai 100%, dan besar jarak minimal antara kedua mata yang dapat dideteksi, yaitu 8, 16, atau 32. 87
88 Gambar 4.5 About Realtime Face Detection Demo V 2.0 Gambar 4.6 Hasil pendeteksian wajah pada citra input dengan Realtime Face Detection Demo V 2.0
89 Gambar 4.7 Hasil pendeteksian wajah pada kamera web dengan Realtime Face Detection Demo V 2.0
Berikut adalah tabel hasil pengujian terhadap 20 citra untuk mengukur waktu pendeteksian menggunakan Realtime Face Detection Demo V 2.0. 90 Tabel 4.4 Tabel hasil pengujian terhadap citra untuk mengukur waktu pendeteksian dengan Realtime Face Detection Demo V 2.0 (20 dari 100 pengujian) No. Nama Citra Dimensi Citra Waktu Pendeteksian (ms) 1. 005.jpg 427x640 609 2. 016.jpg 640x427 624 3. 024.jpg 452x640 531 4. 036.jpg 640x480 328 5. 042.jpg 480x640 624 6. 052.jpg 480x636 733 7. 058.jpg 640x426 827 8. 065.jpg 640x364 561 9. 071.jpg 480x601 733 10. 079.jpg 640x480 1.077 11. 084.JPG 640x427 1.435 12. 090.jpg 640x426 1.014 13. 095.jpg 640x480 1.357 14. 100.jpg 640x480 1.420 15. 105.jpg 480x523 811 16. 111.jpg 640x474 1.748 17. 116.jpg 640x429 671
91 18. 122.jpg 640x480 904 19. 132.jpg 637x480 889 20. 142.jpg 480x480 905 Dari pengujian yang dilakukan terhadap 100 file citra yang berbeda, didapatkan data-data sebagai berikut: Rata rata waktu pendeteksian Total waktu pendeteksian Jumlah data pengujian 91.417 100 914,17 ms Waktu pendeteksian tercepat adalah 312 ms, pada citra berdimensi 640x480. Waktu pendeteksian terlama adalah 1.748 ms, pada citra berdimensi 640x474. Berikut adalah tabel hasil pengujian terhadap 20 citra untuk mendapatkan persentase keakuratan pendeteksian dengan Realtime Face Detection Demo V 2.0. Tabel 4.5 Tabel hasil pengujian terhadap citra untuk mengukur akurasi pendeteksian dengan Realtime Face Detection Demo V 2.0 (20 dari 100 pengujian) No. Nama Face_on True_ False_ Total_ A B File _image positive posivet detected (%) (%) 1. 005.jpg 1 1 0 1 100 100 2. 016.jpg 1 0 0 0 0 100 3. 024.jpg 2 2 0 2 100 100
92 4. 036.jpg 2 1 0 1 50 100 5. 042.jpg 2 2 0 2 100 100 6. 052.jpg 4 4 0 4 100 100 7. 058.jpg 5 4 0 4 80 100 8. 065.jpg 6 4 0 4 66,667 100 9. 071.jpg 4 3 1 4 75 75 10. 079.jpg 9 7 0 7 77,778 100 11. 084.JPG 12 11 0 11 91,667 100 12. 090.jpg 16 10 0 10 62,5 100 13. 095.jpg 23 20 0 20 86,956 100 14. 100.jpg 21 19 1 20 90,476 90 15. 105.jpg 4 4 0 4 100 100 16. 111.jpg 6 6 0 6 100 100 17. 116.jpg 10 7 0 7 70 100 18. 122.jpg 11 8 1 9 72,727 88,889 19. 132.jpg 6 5 0 5 83,333 100 20. 142,jpg 9 9 0 9 100 100 Dari pengujian yang dilakukan terhadap 100 file citra yang berbeda, didapatkan rata-rata akurasi pendeteksian sebagai berikut:
93 A A Jumlah data pengujian 8.126,200 100 81,262 % B B Jumlah data pengujian 9857,624 100 98,576 % Rata rata akurasi pendeteksian A B 2 81,262 98,576 2 179,838 2 89,919 % Besar false_positive yang didapatkan false_positive 100% total_detected 11 100% 650 0,01692 100% 1,692 %
Berikut adalah tabel hasil pengujian dengan kamera web untuk mengukur waktu pendeteksian dengan Realtime Face Detection Demo V 2.0. 94 Tabel 4.6 Tabel hasil pengujian dengan kamera web untuk mengukur waktu pendeteksian dengan Realtime Face Detection Demo V 2.0 (20 dari 100 pengujian) No. Nama Frame Waktu Pendeteksian (ms) 1. Frame001 219 2. Frame002 243 3. Frame003 218 4. Frame004 156 5. Frame005 187 6. Frame006 156 7. Frame007 171 8. Frame008 187 9. Frame009 141 10. Frame010 187 11. Frame011 154 12. Frame012 234 13. Frame013 203 14. Frame014 176 15. Frame015 203 16. Frame016 202 17. Frame017 219
95 18. Frame018 219 19. Frame019 234 20. Frame020 327 Dari pengujian yang dilakukan terhadap 100 frame yang berbeda, didapatkan data-data sebagai berikut: Rata rata waktu pendeteksian Total waktu pendeteksian Jumlah data pengujian 225.020 100 225,02 ms Waktu pendeteksian tecepat adalah 141 ms. Waktu pendeteksian terlama adalah 343 ms. 4.4 Evaluasi Dari pengujian yang dilakukan, didapatkan beberapa kesimpulan sebagai berikut: Pendeteksian wajah frontal pada citra dengan metode Viola Jones memiliki kecepatan yang jauh lebih tinggi dibandingkan dengan software Realtime Face Detection Demo V 2.0. Pendeteksian wajah frontal menggunakan kamera web dengan metode Viola Jones memiliki kecepatan yang lebih rendah dibandingkan dengan software Realtime Face Detection Demo V 2.0.
96 Keakuratan pendeteksian wajah frontal dengan metode Viola Jones lebih tinggi dibandingkan dengan software Realtime Face Detection Demo V 2.0, walaupun persentase false positive yang didapatkan metode Viola jones lebih tinggi. Dimensi citra input mempengaruhi lamanya waktu pendeteksian dengan metode Viola Jones, tetapi kurang berpengaruh pada software Realtime Face Detection Demo V 2.0. Pada metode Viola jones, semakin besar dimensi citra input, semakin lama waktu yang dibutuhkan untuk melakukan pendeteksian. Pendeteksian Viola Jones bergantung pada besar sub-window awal dan faktor skala yang digunakan untuk melakukan pendeteksian. Sedangkan pada software Realtime Face Detection Demo V 2.0, pendeteksiannya bergantung pada jarak minimal antara kedua mata. Wajah yang dapat dideteksi oleh metode Viola Jones dengan penggunaan template file haarcascade_frontalface_alt.xml adalah wajah dengan posisi frontal. Semakin miring posisi suatu wajah, semakin kecil kemungkinan wajah tersebut dapat dideteksi.