PERBANDINGAN HASIL EKSTRAKSI FITUR WAJAH YANG TERIDENTIFIKASI STRES DAN NORMAL MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS (STUDI KASUS MAHASISWA TEKNIK INFORMATIKA POLITEKNIK NEGERI BATAM)
TUGAS AKHIR
Oleh : Yogsal Ramadhan Putra
3311401080
Disusun untuk memenuhi syarat kelulusan Program Diploma III
PROGRAM STUDI TEKNIK INFORMATIKA POLITEKNIK NEGERI BATAM BATAM 2016
i
HALAMAN PENGESAHAN
PERBANDINGAN HASIL EKSTRAKSI FITUR WAJAH YANG TERIDENTIFIKASI STRES DAN NORMAL MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS (STUDI KASUS MAHASISWA TEKNIK INFORMATIKA POLITEKNIK NEGERI BATAM)
Oleh : Yogsal Ramadhan Putra (3311401080)
Tugas Akhir ini telah diterima dan disahkan sebagai persyaratan untuk memperoleh gelar Ahli Madya di PROGRAM STUDI DIPLOMA 3 TEKNIK INFORMATIKA POLITEKNIK NEGERI BATAM
Batam, 15 Desember 2016 Disetujui oleh; Pembimbing,
Mira Chandra Kirana, S.T., M.T. NIP. 197905302014042002
i
HALAMAN PERNYATAAN
Dengan ini, saya: NIM
: 3311401080
Nama : Yogsal Ramadhan Putra adalah mahasiswa Teknik Informatika Politeknik Batam yang menyatakan bahwa tugas akhir dengan judul: PERBANDINGAN HASIL EKSTRAKSI FITUR WAJAH YANG TERIDENTIFIKASI STRES DAN NORMAL MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS (STUDI KASUS MAHASISWA TEKNIK INFORMATIKA POLITEKNIK NEGERI BATAM)
disusun dengan: 1. tidak melakukan plagiat terhadap naskah karya orang lain 2. tidak melakukan pemalsuan data 3. tidak menggunakan karya orang lain tanpa menyebut sumber asli atau tanpa ijin pemilik Jika kemudian terbukti terjadi pelanggaran terhadap pernyataan di atas, maka saya bersedia menerima sanksi apapun termasuk pencabutan gelar akademik. Lembar pernyataan ini juga memberikan hak kepada Politeknik Batam untuk mempergunakan, mendistribusikan ataupun memproduksi ulang seluruh hasil Tugas Akhir ini. Batam, 15 Desember 2016
Yogsal Ramadhan Putra 3311401080
ii
KATA PENGANTAR
Alhamdulillah segala puji syukur penulis panjatkan kehadirat Allah SWT, karena atas limpahan rahmat dan hidayah-Nya penulis dapat menyelesaikan Tugas Akhir yang berjudul “Perbandingan Hasil Ekstraksi Fitur Wajah Yang Teridentifikasi Stres Dan Normal Menggunakan Metode Principal Component Analysis (Studi Kasus Mahasiswa Teknik Informatika Politeknik Negeri Batam)”. Tugas Akhir ini disusun untuk memenuhi syarat kelulusan Program Diploma III Program Studi Teknik Informatika Jurusan Teknik Informatika Politeknik Negeri Batam. Oleh karena itu dengan segala hormat dan kerendahan hati perkenankanlah penulis mengucapkan terima kasih kepada : 1. Mira Chandra Kirana, S.T., M.T. selaku pembimbing Tugas Akhir. 2. Anak anak Teknik Informatika D3 angkatan 2014 yang telah membantu penulis hingga penulis dapat menyelesaikan Tugas Akhir ini. 3. Dan semua pihak yang telah membantu yang tidak dapat penulis ungkapkan satu persatu. Dalam penyusunan tugas akhir ini, penulis menyadari masih terdapat banyak kekurangan yang dibuat baik sengaja maupun tidak sengaja, dikarenakan keterbatasan ilmu pengetahuan dan wawasan serta pengalaman yang penulis miliki. Untuk itu penulis mohon maaf atas segala kekurangan tersebut tidak menutup diri terhadap segala saran dan kritik serta masukan yang bersifat kontruktif bagi diri penulis. Batam, 15 Desember 2016
Penulis
iii
ABSTRAK
PERBANDINGAN HASIL EKSTRAKSI FITUR WAJAH YANG TERIDENTIFIKASI STRES DAN NORMAL MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS (STUDI KASUS MAHASISWA TEKNIK INFORMATIKA POLITEKNIK NEGERI BATAM)
Wajah termasuk dalam salah satu ciri biometrik seseorang yang bersifat unik. Dengan melihat wajah seseorang dapat diketahui apakah mengalami stres atau tidak. Untuk mengetahui nilai – nilai stres pada wajah maka dilakukanlah analisa perbandingan hasil ekstraksi fitur antara wajah stres dan normal dengan menggunakan teknologi image processing. Penelitian ini menggunakan metode Principal Component Analysis yang digunakan untuk ekstraksi fitur sehingga diketahuilah fitur dari setiap data citra wajah. Untuk mengidentifikasi citra wajah stres dan normal peneliti menggunakan kuesioner Depression Anxiety Stress Scale (DASS). Pada tahap akhir dilakukan perbandingan hasil ekstraksi wajah stres dan normal. Hasil yang didapat dari analisa grafik adalah data citra wajah stres memiliki presentase diatas rata-rata per citra sebesar 50.38% dan persentase dibawah ratarata per citra sebesar 49.63%, sedangkan data citra wajah yang teridenfikasi normal memiliki presentase diatas rata-rata per citra sebesar 43.81% dan presentase dibawah ratarata per citra sebesar 56.19%.
Kata Kunci: Ekstraksi Fitur, image processing, Principal Component Analysis, Depression Anxiety Stress Scale.
iv
ABSTRACT
PERBANDINGAN HASIL EKSTRAKSI FITUR WAJAH YANG TERIDENTIFIKASI STRES DAN NORMAL MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS (STUDI KASUS MAHASISWA TEKNIK INFORMATIKA POLITEKNIK NEGERI BATAM)
Face is included in one person's biometric characteristics that are unique. By looking at a person's face can be known whether stress or not. To determine the value of the stress on the face we conducted a comparative analysis of the extracted facial features between normal face and stress face using image processing technology. This study using Principal Component Analysis method used for extraction of features so we can know the features of each facial image data. To identify the facial image stres and image normal we researchers used questionnaires Depression Anxiety Stress Scale (DASS). At the final stage of the comparison of the extracted face normal and stress. The results of the analysis graph of the image data on the face that stress has a percentage above average image amounted to 50.38% and the percentage below the average image amounted to 49.63%, while the data of face images normal have a percentage above average image to 43.81% and the percentage image below the average to 56.19%. Keyword: Feature Extraction, image processing, Principal Component Analysis, Depression Anxiety Stress Scale.
v
DAFTAR ISI Halaman Judul........................................................................................................... Halaman Pengesahan ............................................................................................... i Halaman Pernyataan................................................................................................ ii Kata Pengantar ....................................................................................................... iv Abstrak .................................................................................................................... v Abstract ................................................................................................................. vi Daftar Isi ............................................................................................................... vii Daftar Gambar ..................................................................................................... viii Daftar Tabel .......................................................................................................... ix BAB I PENDAHULUAN ....................................................................................... 1 1.1
Latar Belakang........................................................................................... 1
1.2
Rumusan Masalah...................................................................................... 2
1.3
Batasan Masalah ........................................................................................ 2
1.4
Tujuan Penelitian ....................................................................................... 3
1.5
Manfaat Penelitian ..................................................................................... 3
1.6
Tinjauan Pustaka........................................................................................ 4
1.7
Sistematika Penulisan ................................................................................ 6
BAB II LANDASAN TEORI ................................................................................. 7 2.1
Skala Pengukuran DASS (Depression Anxiety Stress Scale) .................... 7
2.2
Citra Digital ............................................................................................... 7
2.3
Pengolahan Citra........................................................................................ 8
2.4
Ekstraksi Fitur............................................................................................ 9
2.5
Principal Component Analysis ................................................................ 10
2.6
Matlab ...................................................................................................... 11
BAB III METODOLOGI PENELITIAN.............................................................. 13 3.1
Desain Penelitian ..................................................................................... 13
3.2
Kebutuhan Hardware dan Software ......................................................... 15
3.3
Populasi dan Sampel ................................................................................ 15 3.3.1
Populasi ....................................................................................... 15
3.3.2
Sampel ......................................................................................... 16 vi
3.3
Bahan Penelitian ...................................................................................... 16
3.4
Teknik Pengumpulan Data ...................................................................... 16
3.5
Teknik Pengolahan Data .......................................................................... 17
3.6
Penyajian Data ......................................................................................... 22
3.7
Deskripsi Umum Sistem .......................................................................... 23
3.8
Kebutuhan Fungsional ............................................................................. 23
3.9
Use Case Diagram ................................................................................... 24
3.10 Skenario Use Case ................................................................................... 24 3.11 Sequence Diagram ................................................................................... 25 3.12 Class Diagram.......................................................................................... 27 BAB IV HASIL DAN PEMBAHASAN .............................................................. 28 4.1
Pengujian ................................................................................................. 28
4.2
Pre-Processing ........................................................................................ 28
4.3
Ekstraksi Fitur.......................................................................................... 30
4.4
Grafik Per Citra ....................................................................................... 34
4.5
Grafik Perbandingan Statistik .................................................................. 39
4.6
Analisa Hasil Kuesioner .......................................................................... 43
4.7
Analisa Rata-Rata .................................................................................... 45
4.8
Analisa Pola Grafik ................................................................................. 46
BAB V KESIMPULAN DAN SARAN ................................................................ 48 5.1
Kesimpulan .............................................................................................. 48
5.2
Saran ........................................................................................................ 49
Daftar Pustaka ....................................................................................................... 44 Lampiran .............................................................................................................. 46
vii
DAFTAR GAMBAR Gambar 2.1. Citra Digital ........................................................................................ 8 Gambar 2.2. Proses Pengolahan Citra ..................................................................... 9 Gambar 2.3. Contoh Citra Ekstraksi Fitur (Sumber : Tian, 2013) ........................ 10 Gambar 2.4. Algoritma Ekstrasksi Fitur PCA ...................................................... 11 Gambar 2.5. Tampilan Awal Matlab..................................................................... 12 Gambar 3.1. Alur Proses Penelitian ...................................................................... 13 Gambar 3.2. Alur Implementasi ............................................................................ 14 Gambar 3.3. Contoh Proses Pre-Processing ......................................................... 17 Gambar 3.4. Reduksi Dimensi Citra 2D Menjadi 1D ........................................... 18 Gambar 3.5. Contoh Grayscale Citra Wajah ........................................................ 18 Gambar 3.6. Grafik Nilai Rata-Rata PCA Wajah Stres ........................................ 22 Gambar 3.7. Grafik Nilai Rata-Rata PCA Wajah Normal .................................... 23 Gambar 3.8. Deskripsi Umum Sistem................................................................... 23 Gambar 3.9. Use Case Diagram ............................................................................ 24 Gambar 3.10. Sequence Diagram Pre-Processing................................................. 25 Gambar 3.11. Sequence Diagram Ekstraksi Fitur PCA ........................................ 26 Gambar 3.12. Sequence Diagram Menampilkan Hasil PCA ke Grafik ................ 26 Gambar 3.13. Class Diagram ................................................................................ 27 Gambar 4.1. Hasil Pre-Processing Citra Stres...................................................... 29 Gambar 4.2. Hasil Pre-Processing Citra Normal ................................................. 29 Gambar 4.3. Grafik Citra Stres 13 ........................................................................ 34 Gambar 4.4. Grafik Citra Stres 23 ........................................................................ 34 Gambar 4.5. Grafik Citra Stres 36 ........................................................................ 35 Gambar 4.6. Grafik Citra Stres 32 ........................................................................ 35 Gambar 4.7. Grafik Citra Stres 20 ........................................................................ 36 Gambar 4.8. Grafik Citra Normal 23 .................................................................... 36 Gambar 4.9. Grafik Citra Normal 27 .................................................................... 37 Gambar 4.10. Grafik Citra Normal 1 .................................................................... 37 Gambar 4.11. Grafik Citra Normal 34 .................................................................. 38 Gambar 4.12. Grafik Citra Normal 15 .................................................................. 38 viii
Gambar 4.13. Grafik Nilai Median PCA Citra ..................................................... 39 Gambar 4.14. Grafik Nilai Rata-Rata PCA Citra.................................................. 40 Gambar 4.15. Grafik Nilai Maksimal PCA Citra .................................................. 41 Gambar 4.16. Grafik Nilai Minimal PCA Citra .................................................... 42 Gambar 4.17. Grafik Hasil Kuesioner DASS ........................................................ 43 Gambar 4.18. Pola Nilai Kuesioner Stres ............................................................. 44 Gambar 4.19. Pola Nilai Kuesioner Normal ......................................................... 44
ix
DAFTAR TABEL Tabel 1.1. Perbandingan Penelitian ......................................................................... 4 Tabel 3.1. Matrik X ............................................................................................... 18 Tabel 3.2. Nilai Rata-Rata Baris Matrik X ........................................................... 19 Tabel 3.3. Nilai Citra Matrik A ............................................................................. 20 Tabel 3.4. Nilai Matrik Kovarian L ...................................................................... 20 Tabel 3.5. Nilai Eigen Vektor ............................................................................... 21 Tabel 3.6. Nilai Eigenfaces Citra Wajah ............................................................... 21 Tabel 3.7. Nilai PCA Data Citra Wajah ................................................................ 22 Tabel 3.8. Skenario Melakukan Pre-Processing................................................... 24 Tabel 3.9. Skenario Melakukan Ekstraksi Fitur PCA ........................................... 25 Tabel 3.10. Skenario Menampilkan Data ke Grafik ............................................. 25 Tabel 4.1. Pengujian Aplikasi Ekstraksi Fitur ...................................................... 28 Tabel 4.2. Hasil Ekstraksi Fitur PCA Data Citra Stres ......................................... 30 Tabel 4.3. Hasil Ekstraksi Fitur PCA Data Citra Normal ..................................... 32 Tabel 4.4. Range Penentuan Hasil Kuesioner ....................................................... 43 Tabel 4.5. Analisa Rata – Rata .............................................................................. 45 Tabel 4.6. Aturan Pola .......................................................................................... 46 Tabel 4.7. Analisa Pola Grafik .............................................................................. 46 Tabel 4.8. Nilai Statistik Stres dan Normal........................................................... 47
x
BAB I PENDAHULUAN 1.1 Latar Belakang Mahasiswa merupakan salah satu bagian sumber daya manusia sekaligus dituntut untuk berperan aktif dalam bidangnya masing masing sehingga dapat mendukung dalam memajukan pembangunan Indonesia. Mahasiswa pun dituntut untuk menyelesaikan studinya dalam waktu yang telah ditentukan di setiap perguruan tinggi. Hal itu juga berlaku pada mahasiswa jurusan Teknik Informatika yang belajar di Politeknik Negeri Batam. Faktanya untuk menyelesaikan studi di Politeknik Negeri Batam tidaklah mudah, sehingga mahasiswa diminta untuk terus belajar lebih giat lagi. Adapun salah satu syarat kelulusan program D3 dan D4 jurusan Teknik Informatika di Politeknik Negeri Batam adalah menyelesaikan mata kuliah Tugas Akhir. Mahasiswa disarankan untuk dapat menyelesaikannya dalam waktu 1 (satu) semester. Di tahap akhir, mahasiswa akan menghadapi sidang sebagai penentu berakhirnya mata kuliah ini. Apabila mahasiswa tidak lulus sidang maka harus mengulang. Itulah salah satu penyebab mengapa mahasiswa tidak dapat menyelesaikan studi tepat waktu karena harus mengulang mata kuliah Tugas Akhir ini. Dari tingkat jumlah kelulusan mahasiswa jurusan Teknik Informatika regular dan karyawan yang mengambil mata kuliah Tugas Akhir. Mahasiswa jurusan Teknik Informatika pada tahun 2013/2014 yang mengikuti mata kuliah Tugas Akhir berjumlah 250, lulus berjumlah 230 dengan tingkat kelulusan 92%, dan tahun 2014/2015 berjumlah 249, lulus berjumlah 212 dengan tingkat kelulusan 85,2%, dan tahun 2015/2016 berjumlah 250, lulus berjumlah 209 dengan tingkat kelulusan 83,6%. Berdasarkan data tersebut dapat disimpulkan bahwa tingkat jumlah kelulusan mahasiswa jurusan Teknik Informatika dari tahun 2013/2014 sampai 2015/2016 mengalami penurunan sebesar 8,4%. Menurut Dwi Ninda mahasiswa jurusan Teknik Informatika angkatan tahun 2013 mengatakan bahwa hambatan atau kesulitan pada saat mengerjakan mata kuliah
1
Tugas Akhir adalah kurangnya manajemen waktu, kurang mengerti pada metode yang dipilih, takut bertemu dengan pembimbing, dan sulit dalam implementasi algoritma. Mahasiswa pun sering menghindari proses bimbingan dikarenakan kurang siapnya pengerjaan Tugas Akhir. Permasalahan ini termasuk dalam salah satu indikasi gejala stres yang sering dialami oleh mahasiswa tingkat akhir. Untuk mengidentifikasi mahasiswa tingkat akhir yang mengalami stres maka dibutuhkan analisa perbandingan hasil yang mengalami stres dan normal menggunakan teknologi pengolahan citra (image processing) terhadap citra wajah mahasiswa dengan metode Principal Component Analysis (PCA). Principal Component Analysis (PCA) adalah teknik yang dapat digunakan untuk pengenalan wajah dan pengenalan pola dari sebuah citra (Suriakin, 2014). Pertama kali ditemukan oleh Karl Pearson pada tahun 1901 dan dipakai dalam bidang biologi. Untuk validasi penentuan stres dan normal menggunakan kuesioner Depression Anxiety Stress Scale (DASS). DASS merupakan seperangkat skala subyektif untuk mengukur status emosional dari depresi, kecemasan, dan stres. DASS menggunakan instrumen baku dengan nilai koefisien alfa depresi 0,947, kecemasan 0,0897, dan stres 0,933 (Henry, 2005) sehingga instrumen ini reliabel.
1.2 Rumusan Masalah Rumusan masalah dalam penelitian ini adalah : 1. Bagaimana menampilkan hasil pre-processing dan ekstraksi fitur wajah mahasiswa yang teridentifikasi stres dan normal. 2. Bagaimana mengetahui perbedaan hasil ekstraksi fitur wajah mahasiswa yang teridentifikasi stres dan normal.
1.3 Batasan Masalah Adapun batasan masalah pada penelitian ini adalah : 1. Citra wajah yang diambil menggunakan media kamera dengan dimensi width 2304 piksel dan height 4096 piksel disimpan dalam file berekstensi .jpg.
2
2. Dari hasil kuesioner dengan pengambilan citra wajah tidak dapat dikorelasikan untuk menentukan nilai di kuesioner dengan nilai pada hasil ekstraksi fitur Principal Component Analysis. 3. Aplikasi tidak dapat menentukan citra wajah seseorang itu teridentifikasi stres maupun normal.
1.4 Tujuan Penelitian Tujuan dari penelitian ini adalah : 1. Menganalisa pre-processing dan ekstraksi fitur citra wajah pada mahasiswa tingkat akhir jurusan Teknik Informatika. 2. Membandingkan pola hasil ekstraksi fitur wajah mahasiswa yang teridentifikasi stres dan normal.
1.5 Manfaat Penelitian Adapun manfaat dari penelitian ini adalah hasil dari ekstraksi fitur citra wajah pada mahasiswa yang teridentifikasi stres dan normal dapat menjadi data untuk mengklasifikasikan stres pada penelitian selanjutnya.
3
1.6 Tinjauan Pustaka
Tabel 1.1. Perbandingan Penelitian Penulis / Komponen
Ardeenawatie (2013)
Judul Penelitian
Mental
Suriakin (2014)
Stress
Classification Eigenvector
Umale (2016)
Level Ekstrasi Ciri Wajah Manusia Feature Extraction Techniques Using Menggunakan
Features
Algoritma and Classification Algorithms
and Principal Component Analysis for EEG Signals to detect
Principal Component Analysis
(PCA)
Untuk
Sistem Human Stress - A Review
Pengenalan Wajah Domain
PPK Mechatronic, University Jurusan
Teknik
Elektro, MIT College of Engineering,
Malaysia Perlis,02600, Arau, Fakultas Teknik, Universitas Pune, India Perlis, Malaysia Metode
Mataram, Nusa Tenggara Barat
Principal Component Analysis Principal Component Analysis
Discrete
Cosine
Transform,
dan K-Nearest Neighbours
Discrete Wavelet Transform, K-Nearest Neighbor dan Linear Discriminant Analysis
Kelebihan
Dengan mengunakkan metode Principal Component Analysis Dengan menggunakan metode principal component analysis (PCA)
klasisfikasi
K-Nearest
4
dan
K-Nearest
Neighbours dapat dengan baik membentuk Neighbor, Linear Discriminant
akurasi klasisikasi naik 20 – 25 ruang wajah
Analysis dan Naive Bayes
%
dapat
(eigenspace) atau eigenfaces
meningkatkan
tingkat
kesamaan klasisfikasinya Kekurangan
Jika tanpa mengunakan metode Sangat berpengaruh terhadap Membutuhkan principal component analysis jumlah dari vector eigen untuk untuk
biaya
lebih
mengunakan
alat
tingkat akurasi hanya sebesar mendapatkan akurasi yang lebih perekam sinyal EEG 74.30% Hasil
baik
Akurasi tertinggi menggunakan Akurasi pengenalan citra secara Dengan metode
principal
component loading
analysis adalah 98.33%
merekam
dan
menganalisis sinyal EEG dapat
data yang didapatkan pada citra digunakan sebagai alat yang uji yang
efektif
untuk
berasal citra wajah baru bagian mengklasisfikasikan dari citra
tujuan manusia
yang stres
yang sudah dilatih adalah 98%
5
1.7 Sistematika Penulisan Sistematika penulisan dalam penyusunan laporan ini adalah sebagai berikut: Bab I Pendahuluan Pada bagian pendahuluan ini diulas tentang latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, tinjauan pustaka dan sistematika penulisan. Bab II Landasan Teori Pada bagian landasan teori di jelaskan materi-materi yang digunakan sebagai pendukung selama pengerjaan penelitian. Bab III Metode Penelitian Pada bagian metode penelitian membahas mengenai desain penelitian, kebutuhan hardware dan software, bahan penelitian, teknik pengolahan data dan teknik penyajian data. Bab IV Hasil dan Pembahasan Pada tahap ini akan membahas mengenai hasil penelitian. Bab V Kesimpulan dan Saran Pada bagian ini akan dibahas tentang kesimpulan dari penelitian dan saran untuk mengembangkan penelitian ini.
6
BAB II LANDASAN TEORI
2.1 Skala Pengukuran DASS (Depression Anxiety Stress Scale) Skala Pengukuran Dass (Depression Anxiety Stress Scale) yang di pelopori oleh lovibond (1995) merupakan alat uji instrumen yang telah baku dan tidak perlu di uji validitasnya lagi. DASS terdiri dari 42 item pertanyaan yang menggambarkan tingkat stress dan kecemasan. (lovibond,1995:2) DASS adalah satu set tiga laporan diri skala yang dirancang untuk mengukur keadaan emosional negatif dari depresi, kecemasan dan stres. Para DASS dibangun tidak hanya sebagai satu set timbangan untuk mengukur keadaan emosional konvensional didefinisikan, tetapi untuk memajukan proses mendefinisikan, memahami, dan mengukur keadaan emosional di mana-mana dan klinis signifikan biasanya digambarkan sebagai depresi, kecemasan dan stres.
2.2 Citra Digital Citra digital merupakan representatif dari citra yang diambil oleh mesin dengan bentuk pendekatan berdasarkan sampling dan kuantisasi. Sampling menyatakan besarnya kotak-kotak yang disusun dalam baris dan kolom. Dengan kata lain, sampling pada citra menyatakan besar kecilnya ukuran pixel (titik) pada citra, dan kuantisasi menyatakan besarnya nilai tingkat kecerahan yang dinyatakan dalam nilai tingkat keabuan (grayscale) sesuai dengan jurnlah bit biner yang digunakan oleh mesin, dengan kata lain kuantisasi pada citra menyatakan jumlah warna yang ada pada citra (Basuki, 2005).
7
y
x1, y1
x
Gambar 2.1. Citra Digital Gambar 2.1 mengilustrasikan citra digital sebagai fungsi dua variabel, f(x,y), dimana x dan y adalah koordinat spasial dan nilai f(x,y) adalah intensitas citra pada koordinat tersebut. Citra digital dapat didefinisikan sebagai fungsi dua variabel, f(x,y), dimana x dan y adalah koordinat spasial dan nilai f(x,y) adalah intensitas citra pada koordinat tersebut. Teknologi dasar untuk menciptakan dan menampilkan warna pada citra digital berdasarkan pada penelitian bahwa sebuah warna merupakan kombinasi dari tiga warna dasar, yaitu merah, hijau, dan biru (Red, Green, Blue - RGB). Dalam penelitian ini data yang akan diproses berupa citra wajah mahasiswa tingkat akhir jurusan Teknik Informatika Politeknik Negeri Batam.
2.3 Pengolahan Citra Pengolahan citra (image Processing) merupakan proses mengolah piksel-piksel di dalam citra digital untuk tujuan tertentu. Pada awalnya pengolahan citra ini dilakukan untuk memperbaiki kualitas citra, namun dengan berkembangnya dunia komputasi yang ditandai dengan semakin meningkatnya kapasitas dan kecepatan proses komputer serta munculnya ilmu-ilmu komputasi yang memungkinkan manusia dapat mengambil informasi dari suatu citra.
8
Proses pengolahan citra secara diagram proses dimulai dari pengambilan citra, perbaikan kualitas citra, sampai dengan pernyataan representatif citra yang dicitrakan pada gambar 2.2.
Gambar 2.2. Proses Pengolahan Citra Dalam perkembangan lebih lanjut, image processing dan computer vision digunakan sebagai mata manusia, dengan perangkat input image capture seperti kamera dan scanner dijadikan sebagai mata dan mesin komputer (dengan program komputasinya) dijadikan sebagai otak yang mengolah informasi. Sehingga muncul beberapa pecahan bidang yang menjadi penting dalam computer vision, antara lain: pattern recognition (pengenalan pola), biometric pengenalan identifikasi manusia berdasarkan ciri-ciri biologis yang tampak pada badan manusia), content based image and video retrieval (mendapatkan kembali citra atau video dengan informasi tertentu), video editing, dan lain-lain (Basuki, 2005). Dari hasil pengambilan citra menggunakan kamera yang akan dijadikan bahan berupa citra wajah kemudian akan dilakukan tahap pengolahan citra dimana citra tersebut akan diproses sehingga mendapatkan fitur dari setiap citra wajah tersebut.
2.4 Ekstraksi Fitur Feature Extraction atau ekstraksi fitur merupakan suatu pengambilan ciri atau feature dari citra yang nantinya nilai yang didapatkan akan dianalisis untuk proses selanjutnya. Feature extraction dilakukan dengan cara menghitung jumlah titik atau pixels yang ditemui dalam setiap pengecekan, dimana pengecekan dilakukan dalam berbagai arah tracing pengecekan pada koordinat kartesian dari citra digital yang dianalisis, yaitu vertikal, horizontal, diagonal kanan, dan diagonal kiri. Fitur ekstraksi cenderung untuk mengidentifikasi ciri-ciri yang dapat membentuk
9
representasi yang baik dari objek, sehingga dapat membedakan dikategori objek dengan variasi toleransi.
Gambar 2.3. Contoh Citra Ekstraksi Fitur (Sumber : Tian, 2013) 2.5 Principal Component Analysis Principal Component Analysis (PCA) atau transformasi Karhunen-Loeve merupakan sebuah teknik linear klasik untuk pereduksian dimensi data. Teknik PCA memilih basis optimal yang dapat digunakan untuk merepresentasikan suatu vektor citra yang diberikan oleh ruang eigen yang dibentuk dari nilai-nilai eigen yang tidak nol (nonzero eigen values) dari matriks kovarian seluruh citra tersebut. Dengan menggunakan basis yang dibentuk oleh ruang eigen tersebut dapat dilakukan reduksi dimensi dengan melakukan transformasi linier dari suatu ruang berdimensi tinggi kedalam ruang yang berdimensi lebih rendah. Untuk menentukan dimensi yang lebih rendah dengan galat (error, information loss) yang minimum dapat dilakukan dengan memilih sejumlah nilai eigen yang terbesar dari ruang berdimensi tinggi tersebut. Tahapan tersebut merupakan gambaran umum dari metode yang disebut Analisis Komponen Utama (Principal Component Analysis) (Nimas, 2012).
10
Gambar 2.4. Algoritma Ekstraksi Fitur PCA Gambar 2.4 merupakan algoritma Principal Component Analysis yang digunakan untuk pengenalan wajah sebagai ekstraksi fitur citra data training.
2.6 Matlab MATLAB adalah sebuah bahasa dengan (high-performance) kinerja tinggi untuk komputasi masalah teknik. Matlab mengintegrasikan komputasi, visualisasi, dan pemrograman dalam suatu model yang sangat mudah untuk pakai dimana masalahmasalah dan penyelesaiannya diekspresikan dalam notasi matematika yang familiar. Penggunaan Matlab meliputi bidang–bidang: • Matematika dan Komputasi • Pembentukan Algorithm • Akusisi Data • Pemodelan, simulasi, dan pembuatan prototipe • Analisa data, explorasi, dan visualisasi • Grafik Keilmuan dan bidang Rekayasa
MATLAB merupakan suatu sistem interaktif yang memiliki elemen data dalam suatu array sehingga tidak lagi kita dipusingkan dengan masalah dimensi. Hal ini memungkinkan kita untuk memecahkan banyak masalah teknis yang terkait dengan
11
komputasi, kususnya yang berhubungan dengan matrix dan formulasi vektor, yang mana masalah tersebut merupakan persoalan apabila kita harus menyelesaikannya dengan menggunakan bahasa level rendah seperti Pascall, C dan Basic. Nama MATLAB merupakan singkatan dari matrix laboratory. MATLAB pada awalnya ditulis untuk memudahkan akses perangkat lunak matrik yang telah dibentuk oleh LINPACK dan EISPACK. Saat ini perangkat MATLAB telah menggabung dengan LAPACK dan BLAS library, yang merupakan satu kesatuan dari sebuah seni tersendiri dalam perangkat lunak untuk komputasi matrix. Fitur-fitur MATLAB sudah banyak dikembangkan, dan lebih dikenal dengan nama toolbox. Sangat penting bagi seorang pengguna Matlab, toolbox mana yang mandukung untuk learn dan apply technologi yang sedang dipelajarinya. Toolbox toolbox ini merupakan kumpulan dari fungsi-fungsi MATLAB (M-files) yang telah dikembangkan ke suatu lingkungan kerja MATLAB untuk memecahkan masalah dalam kelas particular. Area-area yang sudah bisa dipecahkan dengan toolbox saat ini meliputi pengolahan sinyal, system kontrol, neural networks, fuzzy logic, wavelets, dan lain-lain. (Umale, 2016). Sehingga penggunaan Matlab ini cocok digunakan untuk melakukan proses ekstraksi fitur dengan metode Principal Component Analysis.
Gambar 2.5. Tampilan Awal Matlab
12
BAB III METODOLOGI PENELITIAN
3.1 Desain Penelitian Pengumpulan Literature Analisa Masalah Analisa dan Perancangan Penelitian Implementasi Pengujian Analisa Hasil dan Evaluasi Penarikan Kesimpulan Penyusunan Laporan
Gambar 3.1. Alur Proses Penelitian Gambar 3.1 menunjukkan bahwa proses penelitian ini dimulai dari : a. Pengumpulan Literature Pada tahap ini mengumpulkan literature yang berhubungan dengan masalah yang dimiliki untuk membantu dalam mendukung proses membangun dan merancang sistem sehingga dapat berjalan dengan baik. b. Analisa Masalah Pada tahap ini menganalilis masalah mengenai stres yang terjadi pada mahasiswa jurusan Teknik Informatika Piliteknik Negeri Batam. Metode yang dilakukan yaitu menggunakan kuesioner DASS.
13
c. Analisa dan Perancangan Penelitian Pada tahap ini mulai menganalisa dan merancang dengan pertimbangan tertentu agar mudah digunakan dan dipahami oleh pengguna. d. Implementasi Pada tahap ini melakukan implementasi hasil dari analisa dan perancangan kedalam sebuah sistem. Berikut alur proses atau flowchart.
Citra Wajah Stres
Citra Wajah Normal
Deteksi (Viola-Jones) dan Crop Wajah
RBG to Grayscale
Ekstraksi Fitur (Principal Component Analysis)
Perbandingan Hasil Ekstraksi Fitur Hasil Citra Wajah Stres
Hasil Citra Wajah Normal
Gambar 3.2. Alur Implementasi Gambar 3.2 menunjukkan bahwa untuk melakukan proses ekstraksi fitur pada sistem diawali dengan membaca citra wajah stres dan normal kemudian mendeteksi wajah dan melakukan cropping wajah. Tahap selanjutnya konversikan RGB yang memiliki nilai 24 bit warna menjadi grayscale yang memiliki 8 bit warna. Setelah melalui tahap sebelumnya (pre-processing) kemudian lakukan ekstraksi fitur wajah menggunakan metode principal component analysis. Tahap yang terakhir adalah melakukan perbandingan hasil ekstraksi fitur wajah mahasiswa yang teridentifikasi stres dan normal.
14
e. Pengujian Pada tahap ini dilakukan pengujian agar dapat mengindentifikasi kesalahan atau error yang terjadi pada sistem sehingga dapat berjalan sesuai harapan. f. Analisa Hasil dan Evaluasi Pada tahap ini dilakukan analisa perbandingan hasil ekstrasi fitur wajah antara citra wajah yang teridentifikasi stres dan normal. g. Penarikan Kesimpulan Pada tahap ini didapatkan hasil perbandingan sehingga dapat diambil kesimpulan dan tingkat keberhasilan sistem yang di bangun.
3.2 Kebutuhan Hardware dan Software Adapun hardware dan software yang digunakan pada penelitian ini adalah : 1. Perangkat keras (hardware); Intel(R) Core(TM) i7-4510U CPU @ 2.00GHz, Memory RAM DDR3 8 GB, Hardisk 1 TB dan settingan layar dengan resolusi 1366x768. 2. Perangkat lunak (software); Windows 10, Ms. Excel 2016, Ms. Word 2016 dan Matlab R2015a.
3.3 Populasi dan Sampel Populasi adalah keseluruhan subjek atau totalitas subjek penelitian yang dapat berupa orang, benda, atau suatu hal yang di dalamnya dapat diperoleh dan atau dapat memberikan informasi (data) penelitian. Sampel adalah sebagian dari jumlah dan karakteristik yang dimiliki oleh populasi tersebut, ataupun bagian kecil dari anggota populasi yang diambil menurut prosedur tertentu sehingga dapat mewakili populasinya. 3.3.1
Populasi
Populasi dalam penelitian ini adalah semua mahasiswa tingkat akhir jurusan Teknik Informatika Politeknik Negeri Batam.
15
3.3.2
Sampel
Pengambilan sampel menggunakan teknik accidental sampling dimana pengambilan sampel yang dilakukan dengan mengambil kasus atau responden yang kebetulan ada selama 3 minggu pada bulan September 2016 yang berada di Kampus Politeknik Negeri Batam. Berdasarkan temuan tersebut didapatkan jumlah responden sebanyak 80 mahasiswa.
3.3 Bahan Penelitian Bahan penelitian ini adalah citra wajah mahasiswa tingkat akhir jurusan teknik informatika Politeknik Negeri Batam dengan resolusi 2304x4096 disimpan pada format jpeg.
3.4 Teknik Pengumpulan Data Teknik pengumpulan data merupakan cara yang digunakan peneliti untuk mendapatkan data dalam suatu penelitian. Pada penelitian ini digunakanlah teknik pengumpulan data dengan cara kuesioner dan dokumentasi. 1. Kuesioner Kuesioner yang berisi pertanyaan-pertanyaan untuk menggali stres pada mahasiswa tingkat akhir teknik informatika Politeknik Negeri Batam. Kuesioner ini diukur dengan menggunakan Depression Anxiety Stress Scale 42 (DASS 42) dari Lovibond dan Lovibond (1995). Kuesioner sebanyak 42 pertanyaan dengan pilihan tidak pernah, kadang-kadang, sering dan selalu, namun dalam penelitian ini hanya dipilih kuesioner yang mengukur tentang stres yaitu sejumlah 14 pertanyaan. Sehingga nantinya data kuesioner ini akan dihitung nilainya dan dikategorikan antara mahasiswa stres dan normal. 2. Pengambilan Citra Wajah Pengambilan citra wajah dilakukkan pada saat maupun setelah mahasiswa mengisi lembar kuesioner DASS. Dimana jarak responden dengan kamera sejauh 1 (satu) meter dengan ekspresi muka biasa atau normal.
16
3.5 Teknik Pengolahan Data Berdasarkan data atau bahan penelitian yang diperoleh yaitu berupa 40 citra wajah mahasiswa yang teridentifikasi stres dan 40 citra wajah mahasiswa yang teridentifikasi normal. Data tersebut selanjutnya akan diproses atau diolah menggunakan Matlab sehingga didapatkan hasil ekstraksi fitur pada setiap citra. Berikut alur proses pengolahan data : 1. Pre-Processing Pada tahap ini citra awal wajah akan dimasukkan ke matlab kemudian dari citra tersebut akan dideteksi wajah dengan menggunakan metode Viola-Jones. Setelah wajah terdeteksi, crop bagian wajah dan ubah dari jenis RGB ke jenis Grayscale.
(1)
(2)
(3)
Gambar 3.3. Contoh Proses Pre-Processing Gambar 3.3 menunjukkan bahwa pada tahap (1) citra gambar telah terdeteksi wajah, tahap (2) hasil deteksi wajah tersebut kemudian di crop dan tahap (3) hasil wajah yang telah di crop kemudian dikonversikan dari RGB ke Grayscale. 2. Ekstraksi Fitur Berikut merupakan tahapan ekstraksi fitur menggunakan algoritma Principal Component Analysis pada penelitian ini : a) Citra wajah hasil konversi ke grayscale direduksi dari 2 dimensi ke 1 dimensi sehingga menjadi bentuk vektor. Berikut contoh reduksi dimensi pada citra yang berukuran 4 x 4 piksel.
17
79 98
179 160
201 184
113 150
120 76
163 147
180 172
158 128
79 179 201 113 98 160 184 150 120 163 180 158 76 147 172 128
Gambar 3.4. Reduksi Dimensi Citra 2D Menjadi 1D Gambar 3.4 menunjukkan bahwa pada citra wajah tersebut diambil beberapa piksel yang memiliki dimensi 4 x 4 piksel dan kemudian nilai piksel tersebut dirubah menjadi kolom. b) Susun semua vektor untuk jadi baris pada matrik data X. Setelah dilakukan proses reduksi citra dari 2D ke 1D, maka selanjutnya dari 4 gambar contoh tersebut digabungkan menjadi matrik data X.
Gambar 3.5. Contoh Grayscale Citra Wajah Tabel 3.1. Matrik X
Citra 1 79 179 201 113 98 160 184 150 120
Matrik X Citra 2 Citra 3 65 138 103 128 107 151 50 180 78 112 89 101 106 124 80 153 138 111
Citra 4 37 95 102 62 73 109 116 101 91
18
163 180 158 76 147 172 128
14 122 115 150 82 91 77
100 125 156 101 91 119 155
102 112 125 78 80 95 121
Pada tabel 3.1 berisikan nilai matrik yang diperoleh dari hasil reduksi citra wajah grayscale yang bekisar antara 0 sampai 255 yang telah disusun menjadi matrik X. c) Hitung rata-rata dari matrik X. Pada tahap menghitung nilai rata-rata baris dari matrik X menggunakan persamaan berikut: M = (Sum_TiapBaris)/BanyakCitra Tabel 3.2. Nilai Rata-Rata Baris Matrik X Nilai m Baris 1 Baris 2 Baris 3 Baris 4 Baris 5 Baris 6 Baris 7 Baris 8 Baris 9 Baris 10 Baris 11 Baris 12 Baris 13 Baris 14 Baris 15 Baris 16
79.75 126.25 140.25 101.25 90.25 114.75 132.5 121 115 94.75 134.75 138.5 101.25 100 119.25 120.25
Tabel 3.2 berisi nilai m yang merupakan nilai rata-rata dari matrik X. setelah diperoleh nilai m, maka selanjutnya menghitung matrik A yang berisi nilai selisih antara citra data wajah dengan nilai rata-rata baris. Berikut nilai matrik A dengan persamaan berikut : A=X–m
19
Tabel 3.3. Nilai Citra Matrik A
Citra 1 -0.75 52.75 60.75 11.75 7.75 45.25 51.5 29 5 45.75 45.25 19.5 -25.25 47 52.75 7.75
Matrik A Citra 2 Citra 3 -14.75 58.25 -23.25 1.75 -33.25 10.75 -51.25 78.75 -12.25 21.75 -25.75 -13.75 -26.5 -8.5 -41 32 23 -4 -13.25 -17.25 -12.75 -9.75 -23.5 17.5 48.75 -0.25 -18 -9 -28.25 -0.25 -43.25 34.75
Citra 4 -42.75 -31.25 -38.25 -39.25 -17.25 -5.75 -16.5 -20 -24 -15.25 -22.75 -13.5 -23.25 -20 -24.25 0.75
Pada tabel 3.3 berisi nilai matrik A yang merupakan nilai selisih piksel dengan titik pusat pada citra data wajah. Nilai ini digunakan untuk mencari nilai matrik kovarian L. d) Hitung matrik kovarian L. Pada tahap ini untuk mencari matrik kovarian L menggunakan persamaan berikut : L = A’ x A Berikut nilai matrik kovarian yang telah dihitung mengunaan persamaan tabel 3.4 : Tabel 3.4. Nilai Matrik Kovarian L
L1 22447.69 -13080.1 593.9375 -9961.56
Matrik kovarian L L2 L3 -13080.1 593.9375 14475.19 -7788.81 -7788.81 13475.19 6393.688 -6280.31
L4 -9961.56 6393.688 -6280.31 9848.188
e) Hitung eigen value (V) dan eigen vektor (D) dari matrik L. Pada tahap ini untuk mencari nilai eigen value dan eigen vektor dari matrik L menggunakan rumus pada matlab sebagai berikut : 20
[V , D] = eig(L) V merupakan eigen vektor dan D merupakan eigen value.
Tabel 3.5. Nilai Eigen Vektor
V1 -0.5 -0.5 -0.5 -0.5
Eigen Vektor V V2 V3 -0.05985 0.538953 -0.65353 0.150188 -0.04009 -0.81866 0.753468 0.129516
V4 -0.67524 0.54804 -0.27963 0.406831
f) Menghitung nilai eigenfaces Pada proses ini, nilai eigenfaces merupakan nilai ciri citra data wajah. Nilai ini dihitung menggunakan persamaan berikut : Eigenfaces = A x V Tabel 3.6. Nilai Eigenfaces Citra Wajah Eigenfaces Eigenface1
Eigenface2
Eigenface3
Eigenface4
1.77E-14 -1.56E-14 -8.45E-15 5.14E-14 7.37E-15 -3.76E-15 -8.24E-15 2.73E-14 -3.33E-14 -1.92E-14 -1.85E-14 1.19E-14 -4.00E-14 -1.35E-14 -8.56E-15 4.78E-14
-24.8617 -11.5787 -11.1573 0.059081 -6.32748 10.3389 2.144718 8.706599 -33.2532 -4.87772 -11.1263 3.31735 -47.8563 -5.75802 -2.95656 26.97306
-55.8431 19.45786 13.99307 -70.9172 -17.7029 31.03209 28.59765 -19.3154 6.315325 34.81381 27.50813 -9.0948 -9.09348 27.40498 21.25084 -30.6699
-41.2577 -61.5636 -77.8104 -74.0101 -25.0464 -43.1609 -53.6337 -59.1364 0.583303 -39.5342 -44.0711 -36.4319 34.37781 -47.2209 -60.8967 -38.3479
g) Mengitung nilai PCA Pada tahap ini setelah nilai eigenfaces diperoleh, lakukan reduksi data menggunakan PCA dimana hasil reduksi ini berupa pengurangan dimensi 21
data, jadi dimensi data yang memiliki ciri yang tidak penting akan dihilangkan. Berikut persamaan yang digunakan untuk mencari nilai PCA citra wajah : PCA = Eigenfaces’ x A Tabel 3.7. Nilai PCA Data Citra Wajah PCA Citra 1 -1.85E-12 -324.868 8357.36 -26544.7
Citra 2 -7.24E-12 -3547.36 2328.914 21544.29
Citra 3 8.77E-12 -217.622 -12694.6 -10992.7
Citra 4 3.15E-13 4089.847 2008.364 15993.15
3.6 Penyajian Data Dari data citra wajah mahasiswa yang teridentifikasi stres dan normal yang telah diekstraksi fitur menggunakan metode Principal Component Analysis kemudian dibandingkan untuk mengetahui perbedaan antara data tersebut. Untuk menampilkan data perbandingan dari data tersebut penyajian data yang digunakan adalah grafik. Berikut contoh penyajian data pada penelitian ini :
Nilai Rata-Rata PCA Wajah Stres 8.00E+03 6.00E+03 4.00E+03 2.00E+03 0.00E+00 -2.00E+03
Citra 1
Citra 2
Citra 3
Citra 4
-4.00E+03 -6.00E+03 -8.00E+03
Gambar 3.6. Grafik Nilai Rata-Rata PCA Wajah Stres Gambar 3.6 menunjukkan nilai rata-rata dari matrik PCA pada wajah mahasiswa yang teridentifikasi stres. 22
Nilai Rata-Rata PCA Wajah Normal 1.50E+04 1.00E+04 5.00E+03 0.00E+00 Citra 1
Citra 2
Citra 3
Citra 4
-5.00E+03 -1.00E+04 -1.50E+04
Gambar 3.7. Grafik Nilai Rata-Rata PCA Wajah Normal Gambar 3.7 menunjukkan nilai rata-rata dari matrik PCA pada wajah mahasiswa yang teridentifikasi normal.
3.7 Deskripsi Umum Sistem Melakukan
Pre-Processing
Citra
dan
Ekstraksi Fitur PCA
Menampilkan
Hasil
Pre-Processing,
Ekstraksi Fitur dan Grafik
Pengguna
Sistem Gambar 3.8. Deskripsi Umum Sistem
Gambar 3.8 menunjukkan bahwa Pengguna dapat melakukkan pre-processing citra dan ekstraksi fitur PCA dan sistem dapat menampilkan hasil pre-processing, ekstraksi fitur dan grafik.
3.8 Kebutuhan Fungsional F.01. Sistem dapat melakukan proses pre-processing citra. F.02. Sistem dapat melakukan proses ekstraksi fitur menggunakan PCA. 23
F.03. Sistem dapat menampilkan data hasil ekstraksi fitur ke dalam bentuk grafik.
3.9 Use Case Diagram System Melakukan Pre-Processing Citra
Melakukan Ekstraksi Fitur PCA Pengguna Menampilkan Data Hasil Ekstraksi Fitur ke Grafik
Gambar 3.9. Use Case Diagram Gambar 3.9 menunjukkan bahwa pengguna dapat melakukan pre-processing data berupa citra, melakukan ekstraksi fitur menggunakan metode Principal Component Analysis (PCA) dan menampilkan data hasil ekstraksi fitur ke bentuk grafik.
3.10 Skenario Use Case Tabel 3.8. Skenario Melakukan Pre-Processing Nama Use Case Deskripsi Aktor Kondisi Awal Kondisi Akhir Skenario
Melakukan Pre-Processing Citra Pengguna Melakukan Proses Pre-Processing Citra Pengguna Pengguna Sudah Memilih Lokasi Folder Buka dan Folder Simpan Data Telah di Pre-Processing 1. Pengguna memilih folder buka data stres dan data normal 2. Pengguna memilih folder simpan data stres dan data normal 3. Pengguna menekan tombol proses 4. Sistem melakukan proses pre-processing 5. Sistem menyimpan data ke folder simpan
Skenario Alternatif
24
Tabel 3.9. Skenario Melakukan Ekstraksi Fitur PCA Nama Use Case Deskripsi
Melakukan Ekstraksi Fitur PCA Pengguna Melakukan Proses Ekstraksi Fitur dengan menggunakan metode PCA Pengguna Pengguna Sudah Melakukan Proses Pre-Processing Data Hasil Ekstraksi Fitur Telah Tersimpan 1. Pengguna Menekan tombol proses PCA 2. Sistem melakukan proses ekstraksi fitur PCA
Aktor Kondisi Awal Kondisi Akhir Skenario Skenario Alternatif
Tabel 3.10. Skenario Menampilkan Data ke Grafik Nama Use Case Deskripsi Aktor Kondisi Awal Kondisi Akhir Skenario
Menampilkan Data ke Grafik Pengguna Menampilkan Hasil Ekstraksi Fitur PCA ke Grafik Pengguna Pengguna Sudah Memilih Data Data Hasil Ekstraksi Fitur Ditampilkan 1. Pengguna Menekan tombol tampil grafik 2. Sistem melakukan proses menampilkan grafik
Skenario Alternatif
3.11 Sequence Diagram sd Pre-Processing <> PreProcessing
<> Proses_PreProcessing
1 : Pilih_Folder()
<> Data
2 : Get_Data() 3 : Proses_PreProcessing()
4 : Tampil_PreProcessing()
Gambar 3.10. Sequence Diagram Pre-Processing Gambar 3.10 menunjukkan proses pada tahap pre-processing dimulai dengan Pengguna memilih folder masukan dan keluaran kemudian sistem melakukan proses pre-processing dan menampilkan hasil pre-processing.
25
sd Ekstraksi Fitur <> Ekstraksi_Fitur
<> Proses_Ekstraksi_Fitur
<> Data_Pre-Processing
1 : Proses_PCA() 2 : Get_Data() 3 : Proses_PCA() 4 : Tampil_Data
Gambar 3.11. Sequence Diagram Ekstraksi Fitur PCA Gambar 3.11 menunjukkan proses pada tahap ekstraksi fitur PCA dimulai dengan Pengguna menekan tombol proses kemudian sistem melakukan proses ekstraksi fitur dan menampilkan hasil ekstraksi fitur.
sd Grafik <> Grafik
<> Proses_Grafik
<> Data_PCA
1 : Pilih_Data() 2 : Get_data() 3 : proses_grafik() 4 : Tampil_grafik
Gambar 3.12. Sequence Diagram Menampilkan Hasil PCA ke Grafik Gambar 3.12 menunjukkan proses pada tahap menampilkan hasil ekstraksi fitur dimulai dengan memilih data / citra kemudian sistem akan menampilkannya kedalam bentuk grafik.
26
3.12 Class Diagram <> PreProcessing +b_input_stres +b_output_stres +b_input_normal +b_output_normal
<> Proses_PreProcessing +input +input1 +output +output1 +filenames +filenames1
<> Data +input +input1 +output +output1
+Pilih_folder() +Get_data() +proses_pre-processing() +Tampil_pre-processing()
<> Ekstraksi_Fitur
<> Proses_Ekstraksi_Fitur
<> Data_PreProcessing
+b_reset +b_tengah +b_ratarata +b_maximum +b_minimum
+inputpca_stres +inputpca_stres +projectimg +projectimg1 +imgcount
+inputpca_stres +inputpca_normal
+Proses_PCA() +Get_Data() +Tampil_Data()
<> Grafik +b_tampil +b_tampilcitra +b_tampilcitra1 +b_tampilsemuastres +b_tampilsemuanormal
<> Proses_Grafik +Pilih_Data() +Get_Data() +proses_grafik() +Tampil_grafik()
<> Data_PCA +projectimg +projectimg1
Gambar 3.13. Class Diagram Gambar 3.13 menunjukkan kelas – kelas yang saling terhubung pada aplikasi.
27
BAB IV HASIL DAN PEMBAHASAN 4.1 Pengujian Tabel 4.1. Pengujian Aplikasi Ekstraksi Fitur No
Fungsi
1
Melakukan proses preprocessing
2
Melakukan proses ekstraksi fitur menggunak an PCA Menampilk an data hasil ekstraksi fitur ke dalam bentuk grafik
3
Kasus Pengujian Masukkan data citra
Data Pengujian Citra
Hasil yang diharapkan Citra berhasil di preprocessing
Hasil yang didapatkan Citra berhasil di pre-processing
Masukkan data citra
Citra Hasil PreProcessing
Data berhasil di ekstraksi
Data berhasil ekstraksi
Data ekstraksi fitur telah diproses
Data ekstraksi fitur PCA
Menampilkan grafik sesuai data ekstraksi fitur
Menampilkan grafik sesuai data ekstraksi fitur
Validasi
di
4.2 Pre-Processing Pada proses pre-processing bertujuan untuk mempersiapkan data yang layak digunakan untuk proses selanjutnya. Dimulai dari data citra yang memiliki resolusi 2304x4096 piksel kemudian dilakukan deteksi wajah dengan menggunakan metode Viola-Jones. Hasil deteksi wajah akan di crop dan resize menjadi ukuran 400x400 piksel. Tahap terakhir dari proses ini yaitu merubah jenis citra RGB menjadi jenis citra Grayscale. (citra 13)
(citra 23)
(citra 36)
(citra 32)
(citra 20)
(a). Citra Stres Awal 28
(b). Citra Stres Setelah Pre-Processing Gambar 4.1. Hasil Pre-Processing Citra Stres Gambar 4.1 (a) 5 citra stres awal dengan resolusi 2304x4096 piksel dan memiliki jenis citra RGB (b) citra yang telah melalui proses pre-processing yang hanya fokus pada wajah dengan resolusi 400x400 piksel dan memiliki jenis citra Grayscale.
(citra 23)
(citra 27)
(citra 1)
(citra 34)
(citra 15)
(a) Citra Normal Awal
(b) Citra Normal Setelah Pre-Processing Gambar 4.2. Hasil Pre-Processing Citra Normal Gambar 4.2 (a) 5 citra normal awal dengan resolusi 2304x4096 piksel dan memiliki jenis citra RGB (b) citra yang telah melalui proses pre-processing yang hanya fokus pada wajah dengan resolusi 400x400 piksel dan memiliki jenis citra Grayscale.
29
4.3 Ekstraksi Fitur Tabel 4.2. Hasil Ekstraksi Fitur PCA Data Citra Stres Citra 1
Citra 2
Citra 3
Citra 4
Citra 5
Citra 6
Citra 7
Citra 8
Citra 9
Citra 10
Citra 11
Citra 12
Citra 13
Citra 14
Citra 15
Citra 16
Citra 17
Citra 18
Citra 19
Citra 20
-1.120E-07 1.109E+06 -9.822E+05 5.268E+06 -1.054E+06 -6.690E+05 -2.799E+04 -6.961E+06 -2.563E+06 -6.112E+06 2.922E+05 1.541E+07 5.324E+06 -3.754E+06 -1.591E+06 -9.806E+05 -1.248E+06 1.335E+07 -8.232E+06 3.034E+07 2.739E+07 -4.653E+07 4.909E+07 1.677E+07 -1.588E+07 -1.051E+07 2.719E+07 1.074E+07 3.740E+07 -7.923E+06 -3.655E+07 -2.048E+07 5.891E+07 3.299E+07 -7.453E+07 -2.669E+07 -3.330E+07 6.145E+07 -7.078E+08 4.292E+08
-1.306E-07 3.248E+06 5.922E+06 5.076E+06 -4.698E+06 3.429E+06 -7.401E+05 -7.935E+06 1.780E+07 1.335E+07 -2.949E+06 -1.628E+07 4.653E+06 1.142E+07 -1.209E+07 -1.239E+07 3.045E+07 1.629E+07 2.486E+06 -1.012E+07 2.251E+07 -3.205E+07 2.150E+06 -2.113E+06 -2.526E+06 -1.429E+07 8.509E+06 -2.360E+07 -4.601E+07 -2.812E+06 1.813E+07 1.905E+07 2.119E+07 6.637E+07 6.719E+07 -1.443E+08 -1.277E+08 -6.549E+07 4.351E+08 -2.720E+08
-3.228E-07 1.827E+06 -8.381E+05 -2.466E+05 -7.172E+06 -4.287E+04 3.927E+06 -4.763E+06 -6.845E+06 -6.739E+06 -1.282E+07 -1.973E+07 1.187E+07 -2.823E+06 -2.284E+07 -1.672E+06 -3.240E+07 1.278E+07 1.016E+07 -7.461E+05 -1.557E+07 -2.310E+07 -2.656E+07 -7.823E+06 2.315E+07 -2.885E+07 -1.211E+07 1.435E+07 -1.071E+07 4.813E+06 -2.499E+07 -1.615E+07 2.230E+07 6.180E+06 1.241E+08 1.853E+08 -1.322E+08 1.039E+08 -3.274E+08 -7.968E+08
-1.303E-07 -2.475E+06 1.580E+07 -1.191E+07 -2.408E+07 -3.554E+06 1.745E+06 6.419E+06 1.005E+07 1.279E+07 -5.278E+05 6.685E+06 5.903E+06 4.271E+06 1.591E+07 -2.626E+06 -1.673E+07 9.939E+06 -6.884E+06 3.923E+06 -1.280E+07 3.859E+06 9.560E+06 -2.435E+07 3.624E+06 2.033E+06 1.598E+07 3.054E+07 2.081E+07 -8.036E+06 1.027E+06 -1.442E+07 4.013E+06 1.888E+07 -9.419E+07 -2.533E+06 9.614E+07 1.688E+08 2.511E+08 -2.771E+08
-1.372E-07 -6.317E+06 -2.435E+06 -2.448E+06 4.816E+06 -2.608E+06 1.116E+07 1.168E+07 1.853E+07 2.077E+06 -1.312E+07 9.909E+06 1.435E+06 -1.220E+07 -1.487E+06 -4.914E+06 -9.034E+06 -3.942E+07 1.236E+07 -8.921E+06 1.582E+07 -2.087E+07 1.767E+07 -8.348E+06 1.224E+07 8.982E+06 -2.660E+07 3.012E+07 -2.782E+07 -4.695E+07 1.214E+07 -6.930E+05 -1.493E+07 4.329E+07 8.230E+07 -5.244E+07 8.045E+07 -2.107E+08 -2.227E+08 -9.290E+08
-5.758E-08 -2.437E+06 4.652E+06 -4.952E+06 1.123E+07 5.588E+06 5.340E+06 -4.906E+04 -5.490E+06 1.614E+06 -4.555E+06 -1.423E+07 1.043E+07 -6.534E+06 -6.271E+06 1.064E+07 1.006E+07 1.029E+07 2.596E+06 -2.513E+07 -2.799E+07 1.093E+06 3.478E+07 1.008E+07 -1.150E+07 3.508E+04 -3.217E+07 -1.316E+06 7.329E+07 2.614E+06 -8.892E+06 1.175E+07 -4.929E+07 1.703E+08 -1.021E+08 7.265E+07 5.719E+07 -2.528E+08 7.788E+07 2.153E+07
-4.042E-08 -4.486E+06 -1.576E+05 8.574E+06 1.019E+07 2.156E+06 -2.226E+06 3.942E+06 7.647E+06 -8.266E+06 2.513E+06 -4.636E+06 -1.198E+07 1.328E+07 6.470E+06 2.387E+05 4.877E+06 1.966E+07 -6.602E+06 8.490E+06 4.963E+06 5.973E+06 -2.288E+07 -5.061E+07 1.691E+07 3.732E+07 -1.080E+07 5.674E+07 -1.290E+07 -4.866E+07 -1.681E+07 1.013E+08 2.377E+07 5.865E+07 -7.702E+07 1.009E+08 -2.984E+07 1.312E+08 -2.360E+08 4.073E+08
-2.219E-08 -1.518E+07 7.866E+06 1.639E+07 -7.211E+06 -5.123E+05 -4.934E+06 -1.304E+07 8.006E+05 -7.922E+06 -6.618E+06 1.012E+07 -1.185E+07 -1.202E+07 -1.933E+07 1.863E+07 5.573E+05 -4.297E+06 -3.409E+06 -1.179E+07 7.333E+06 1.588E+07 1.235E+07 1.987E+07 1.204E+07 -7.971E+06 -9.351E+05 1.976E+07 3.258E+06 -2.941E+06 -2.938E+06 -1.269E+07 -7.445E+07 -2.632E+07 4.187E+07 4.502E+07 -3.526E+07 1.964E+08 4.227E+08 9.820E+08
3.193E-08 4.079E+06 -2.848E+05 -4.422E+06 8.313E+05 -1.346E+07 -4.669E+06 -6.311E+05 -8.993E+06 -7.717E+06 -1.205E+07 -1.462E+07 -2.364E+07 -6.100E+06 1.355E+07 -7.359E+06 4.170E+06 2.360E+06 -4.240E+06 1.043E+07 3.177E+07 7.015E+06 -5.185E+05 -2.806E+07 2.067E+07 -3.293E+07 8.428E+06 -5.629E+06 -7.632E+06 -6.965E+06 1.696E+06 -1.087E+08 -4.341E+07 5.712E+07 -3.427E+07 7.785E+07 1.000E+08 -3.294E+08 1.759E+08 6.802E+08
1.959E-08 6.051E+06 2.210E+06 -8.503E+06 1.035E+07 3.280E+06 3.175E+06 -9.658E+05 9.136E+05 8.944E+06 1.356E+07 -7.577E+06 -5.752E+06 2.932E+06 -1.007E+07 2.517E+07 -8.737E+06 -2.622E+07 -1.495E+07 -2.170E+07 2.497E+07 -2.083E+07 -2.141E+07 -6.148E+06 -3.308E+06 -1.277E+07 5.242E+07 2.781E+07 5.372E+07 -1.966E+06 3.141E+07 -8.426E+06 3.520E+07 -3.548E+07 -3.963E+07 5.781E+07 -1.154E+08 2.087E+08 2.049E+08 4.832E+08
1.535E-07 -6.026E+06 -2.604E+06 -2.083E+06 2.897E+06 -2.924E+06 6.768E+06 9.387E+06 2.352E+06 2.712E+06 6.828E+06 2.669E+06 -2.754E+06 1.835E+07 -9.766E+06 2.822E+06 1.730E+07 -2.487E+06 -1.420E+07 9.679E+06 -4.265E+07 -2.886E+07 -1.086E+07 -8.446E+06 1.859E+07 7.658E+06 4.092E+07 1.040E+07 -1.746E+07 5.445E+07 -7.075E+07 -5.833E+07 -8.395E+07 -3.781E+07 6.482E+07 -6.907E+07 5.278E+07 -1.589E+08 -1.599E+08 1.205E+09
-2.487E-07 -9.078E+05 1.983E+06 5.244E+06 2.222E+06 -3.195E+06 -3.772E+05 8.032E+06 4.599E+06 -5.740E+06 1.200E+07 8.054E+06 1.067E+07 2.229E+06 3.278E+07 -1.523E+07 1.140E+07 5.031E+06 -8.403E+06 -5.234E+06 4.920E+06 -5.764E+06 -1.530E+07 4.677E+07 2.844E+07 3.012E+06 -1.282E+07 2.273E+07 3.260E+07 4.082E+07 5.541E+07 -3.783E+07 -1.754E+07 2.248E+07 9.205E+07 2.156E+08 -2.038E+08 -2.314E+07 3.919E+07 -5.572E+08
3.123E-07 2.903E+06 -4.193E+06 5.981E+05 5.624E+06 -1.392E+07 2.971E+07 -1.309E+07 7.194E+06 6.103E+06 2.230E+06 -2.770E+06 -5.622E+06 9.816E+06 7.355E+06 -4.959E+06 -9.419E+06 1.073E+07 2.150E+07 1.575E+07 -1.813E+06 2.301E+07 1.715E+07 4.158E+06 -9.795E+06 1.198E+07 6.750E+06 -2.827E+07 3.144E+07 -1.956E+07 1.493E+07 1.932E+07 -3.469E+07 -3.631E+07 8.871E+07 2.813E+07 5.122E+06 2.363E+08 1.588E+08 9.036E+08
-7.274E-08 1.882E+06 -1.511E+06 -1.094E+06 -1.477E+05 9.478E+05 -4.170E+06 4.780E+06 1.326E+06 3.656E+06 -5.349E+05 -3.720E+06 9.775E+05 -1.767E+06 -1.342E+04 4.340E+06 5.125E+06 5.695E+06 -1.885E+06 1.012E+07 1.033E+07 1.239E+07 -3.655E+07 3.786E+07 -3.488E+07 3.317E+07 -2.379E+07 1.844E+07 4.114E+07 -8.509E+07 -1.159E+08 -7.105E+07 3.451E+07 -5.626E+06 8.283E+07 -7.272E+07 6.290E+07 2.517E+07 3.129E+08 -6.095E+08
-1.042E-07 2.119E+07 9.010E+06 1.165E+07 1.672E+06 7.685E+06 -3.273E+05 9.301E+06 -1.583E+06 -5.098E+06 -1.083E+07 1.284E+07 7.807E+06 -4.486E+06 2.454E+06 1.272E+06 -7.170E+06 2.069E+06 -1.063E+07 -1.644E+07 -1.598E+06 3.298E+06 -9.461E+06 -1.527E+07 -4.693E+06 9.732E+06 -1.116E+07 -1.529E+07 -1.091E+05 -7.418E+06 1.473E+07 -6.808E+06 -1.033E+08 5.375E+06 6.640E+07 -1.071E+08 8.483E+07 1.505E+08 -2.480E+08 1.306E+09
6.432E-08 -2.770E+06 -2.746E+06 -2.481E+05 1.486E+06 7.274E+06 3.489E+06 2.735E+05 3.499E+06 -1.546E+06 -1.139E+07 1.595E+06 1.138E+07 2.308E+07 2.117E+07 1.524E+07 -1.272E+07 -1.609E+07 -1.884E+07 1.836E+06 1.374E+07 7.186E+06 3.930E+06 5.137E+06 -2.979E+06 -2.341E+07 -2.636E+07 -6.586E+07 -5.469E+07 1.889E+07 -8.221E+07 1.421E+07 -1.088E+07 6.552E+06 -1.165E+08 9.457E+07 -1.638E+08 6.595E+07 2.031E+08 2.370E+08
-1.502E-07 -2.734E+06 -1.136E+06 4.381E+06 -4.264E+06 3.015E+06 -1.217E+07 1.854E+07 -1.740E+07 1.578E+07 -1.998E+06 -2.159E+07 -8.822E+06 1.430E+07 1.308E+07 4.247E+06 1.136E+06 -1.317E+07 1.424E+07 1.619E+07 -9.120E+06 -7.541E+06 3.386E+07 1.899E+07 -1.179E+07 -1.886E+07 -4.916E+06 6.710E+06 -2.381E+06 -4.222E+07 3.754E+07 4.661E+07 -1.813E+07 -3.167E+07 9.426E+07 -7.906E+06 -1.235E+07 2.054E+08 -1.468E+08 7.457E+08
3.005E-07 -2.185E+04 1.134E+07 -1.518E+07 7.797E+06 1.158E+07 -4.992E+06 3.880E+06 1.301E+07 -7.967E+06 4.869E+06 1.070E+06 -1.600E+07 -2.273E+07 -4.046E+05 -2.769E+05 -9.290E+05 4.024E+06 3.465E+07 2.533E+07 -4.469E+06 1.902E+06 -1.655E+07 2.993E+07 -1.096E+06 -1.165E+07 -1.244E+06 -2.488E+07 -3.714E+07 3.741E+07 -1.145E+07 2.302E+07 8.057E+06 2.148E+07 -9.318E+06 1.209E+07 -2.760E+07 1.438E+08 -1.644E+08 1.057E+09
2.505E-08 4.431E+06 -1.845E+07 7.033E+06 2.245E+06 1.025E+07 -1.239E+07 -4.680E+06 1.649E+07 7.281E+06 2.870E+06 5.738E+06 -1.015E+07 -5.802E+06 4.551E+06 -6.886E+06 -1.285E+07 4.977E+06 4.810E+06 6.194E+06 -2.060E+07 -1.896E+07 3.671E+06 -6.881E+06 1.242E+06 -3.508E+07 -2.486E+06 2.141E+06 2.809E+07 2.131E+07 4.386E+06 -8.949E+06 -4.854E+07 3.133E+06 -5.624E+07 4.640E+07 2.088E+08 1.942E+08 4.832E+08 -1.078E+09
-1.324E-07 -1.829E+06 -1.062E+06 -2.654E+06 -4.677E+06 6.521E+05 -8.150E+06 2.108E+06 3.652E+06 3.381E+06 4.308E+06 1.099E+07 -9.818E+06 8.830E+05 -9.490E+06 1.773E+07 7.344E+06 -1.436E+06 -1.267E+07 9.897E+06 -1.480E+06 2.029E+07 6.344E+06 -3.737E+07 -2.889E+07 2.748E+07 1.630E+07 -7.271E+07 2.158E+07 1.227E+07 2.651E+07 -1.119E+07 1.489E+07 9.090E+07 1.780E+08 1.639E+08 -5.083E+07 -3.266E+07 -3.432E+08 -1.455E+09
30
Citra 21
Citra 22
Citra 23
Citra 24
Citra 25
Citra 26
Citra 27
Citra 28
Citra 29
Citra 30
Citra 31
Citra 32
Citra 33
Citra 34
Citra 35
Citra 36
Citra 37
Citra 38
Citra 39
Citra 40
1.684E-08 -1.842E+06 -1.037E+06 -2.497E+06 4.160E+05 -8.895E+06 -2.171E+06 1.354E+06 1.683E+06 -9.144E+06 5.352E+06 1.130E+07 3.247E+06 -8.452E+06 1.140E+06 -1.864E+07 1.063E+07 -2.900E+06 -1.510E+07 -2.561E+07 -2.749E+07 8.331E+06 -8.589E+06 -2.487E+06 -1.114E+07 -7.860E+07 1.979E+07 -2.937E+07 3.056E+06 -9.069E+07 -1.353E+07 5.293E+07 8.449E+07 -1.901E+07 3.156E+07 3.777E+07 2.058E+07 -3.035E+07 -4.757E+07 9.723E+08
-7.315E-08 -3.430E+06 3.884E+06 3.419E+06 6.221E+06 6.711E+06 -1.903E+06 -2.796E+06 5.861E+05 1.401E+05 7.192E+06 -1.059E+05 3.913E+06 1.127E+07 -7.064E+06 -4.998E+06 -3.585E+07 9.517E+06 -1.884E+07 2.120E+07 -6.691E+05 1.360E+07 -9.795E+06 2.533E+07 -2.590E+07 -2.139E+06 3.218E+07 5.911E+06 -2.731E+07 -2.622E+07 6.315E+07 2.035E+07 -2.914E+07 -5.194E+06 2.775E+06 -5.857E+07 4.523E+07 -6.667E+08 1.341E+08 -7.817E+07
1.403E-07 8.665E+06 -2.121E+06 1.509E+06 -1.082E+07 -3.620E+06 8.382E+06 -2.612E+05 -9.501E+06 -2.105E+07 2.583E+07 -1.028E+06 -7.005E+06 1.798E+06 3.702E+06 1.302E+07 2.417E+06 -9.023E+06 9.622E+06 -7.844E+06 4.235E+05 6.151E+06 1.535E+07 7.169E+06 -2.226E+07 -1.563E+07 5.367E+06 4.312E+07 -5.986E+07 2.957E+07 -3.699E+07 4.878E+07 -1.559E+07 9.870E+07 2.900E+07 -5.308E+07 4.847E+07 -3.479E+07 2.036E+08 -1.289E+09
-1.046E-07 -9.057E+04 1.934E+06 2.814E+06 1.955E+06 2.786E+05 -2.365E+06 9.581E+05 -8.047E+05 -1.049E+06 -2.483E+06 -1.909E+06 4.071E+06 2.114E+06 4.484E+06 3.994E+06 -5.897E+06 1.830E+06 -1.431E+06 -1.024E+07 1.003E+07 -2.307E+06 1.427E+07 -7.059E+06 7.021E+06 1.743E+07 -2.400E+07 1.257E+06 1.123E+07 8.958E+07 -1.622E+07 3.389E+07 1.804E+08 -6.739E+07 1.260E+08 4.777E+07 3.354E+08 -1.947E+08 3.022E+08 1.244E+09
5.607E-08 9.717E+06 -8.742E+06 -1.181E+07 -1.173E+07 -4.976E+06 -6.468E+06 -7.960E+06 -4.565E+06 1.120E+07 -7.662E+06 1.615E+07 -5.213E+06 2.981E+06 -1.449E+07 -4.072E+05 8.937E+06 -2.637E+06 2.801E+06 -2.352E+06 1.244E+06 -8.571E+06 -2.915E+06 2.673E+07 1.689E+07 4.012E+07 -1.846E+07 1.345E+07 -1.134E+07 -1.664E+07 1.192E+05 8.561E+07 -3.938E+07 -2.662E+07 -4.792E+07 1.819E+08 -7.420E+07 -3.167E+08 7.394E+07 1.108E+09
2.024E-08 2.317E+05 9.778E+06 1.194E+06 1.799E+06 -3.052E+06 -1.093E+06 -1.063E+07 -6.942E+06 -4.316E+06 1.319E+07 -5.901E+06 -1.531E+07 1.520E+07 -1.050E+07 -2.354E+07 -4.117E+06 -1.791E+07 -1.564E+07 -6.978E+06 -9.141E+06 -1.966E+07 -7.765E+05 2.113E+07 2.519E+07 3.651E+07 -3.757E+07 -5.011E+07 -7.143E+06 -2.284E+07 1.152E+07 -1.946E+07 1.039E+07 -1.833E+07 -9.019E+07 1.633E+06 2.028E+08 2.295E+08 -2.233E+08 -1.176E+09
1.240E-07 6.870E+05 3.550E+05 3.238E+05 5.672E+06 -7.894E+06 -3.336E+06 7.162E+06 -1.094E+06 -5.656E+05 -5.327E+06 1.005E+06 -1.932E+07 -9.990E+06 2.449E+04 -1.742E+07 -1.395E+07 8.974E+06 -5.285E+06 -2.479E+07 -1.647E+07 -7.323E+06 2.643E+07 -1.426E+07 -4.940E+07 2.980E+07 -1.661E+07 1.100E+07 -1.538E+07 3.994E+07 -1.438E+07 -2.472E+07 2.868E+07 -1.018E+08 -4.238E+07 -6.708E+07 -3.638E+08 -3.350E+07 1.954E+08 -3.952E+08
6.579E-08 -1.618E+06 -5.036E+06 6.717E+06 -1.353E+07 7.275E+06 4.785E+06 -9.363E+05 1.034E+07 -4.864E+06 -1.358E+07 -1.248E+07 -1.036E+07 9.697E+06 4.528E+06 -7.269E+06 7.812E+06 -9.234E+06 1.468E+07 -2.554E+07 3.050E+06 2.694E+07 -2.495E+07 2.161E+07 -2.454E+07 2.246E+06 3.633E+07 2.051E+06 3.867E+07 4.154E+07 9.044E+06 -1.735E+06 2.001E+07 -3.048E+07 -1.078E+08 -2.983E+07 5.079E+07 -1.439E+08 -7.470E+08 -5.198E+07
1.436E-07 -4.322E+05 -2.380E+06 2.038E+06 -4.471E+06 -1.352E+05 2.493E+06 2.142E+06 -3.620E+06 5.405E+06 6.262E+06 -8.983E+06 -4.358E+06 -2.721E+07 7.145E+06 2.142E+06 -5.494E+06 -8.961E+04 -1.899E+07 1.006E+07 5.896E+06 1.074E+07 -3.409E+06 -3.066E+06 6.143E+07 4.414E+05 1.126E+06 -3.342E+07 5.804E+07 1.812E+07 -3.990E+07 9.146E+07 -1.642E+07 -3.036E+07 1.427E+07 -2.600E+08 -1.413E+08 -1.746E+08 -5.874E+07 -7.452E+08
-1.027E-08 5.166E+05 6.531E+05 -5.052E+06 7.060E+06 -8.519E+06 -1.326E+07 -2.285E+07 1.765E+06 1.498E+06 -5.915E+06 2.887E+06 3.597E+06 6.444E+06 2.794E+07 3.216E+07 -7.044E+05 7.614E+06 1.431E+07 -1.736E+07 -2.158E+07 -3.653E+06 -1.150E+06 3.097E+06 1.733E+07 5.581E+06 2.808E+06 1.241E+07 -2.902E+07 -2.245E+07 2.137E+07 -2.635E+07 1.832E+07 -3.206E+07 3.841E+07 -1.794E+08 -7.169E+06 -4.607E+07 -3.822E+08 -6.772E+08
-4.453E-08 1.032E+06 -3.241E+05 8.423E+06 -6.637E+06 8.225E+06 8.911E+06 1.366E+06 -4.472E+05 -5.492E+06 1.086E+07 -9.560E+06 1.157E+07 -2.440E+07 7.397E+06 1.668E+07 1.551E+07 -1.860E+06 1.231E+07 1.194E+07 -1.363E+07 -1.844E+07 1.201E+06 -2.285E+07 -3.898E+06 2.813E+07 -9.317E+05 -2.718E+07 -2.799E+07 -5.343E+07 3.392E+07 -4.808E+07 2.388E+07 -1.492E+08 -1.078E+08 1.365E+08 -8.904E+04 -2.246E+08 1.462E+08 3.813E+07
1.337E-07 -1.007E+07 -1.105E+07 -1.345E+07 -5.023E+06 1.274E+06 -6.267E+06 -5.086E+06 -2.073E+06 -1.238E+07 1.109E+07 -1.077E+07 1.867E+07 -8.940E+06 4.678E+06 -1.169E+07 -4.648E+06 5.857E+06 -1.094E+07 -1.481E+07 2.429E+07 -1.014E+07 -7.517E+06 -1.536E+07 -2.945E+07 2.787E+07 -1.784E+07 -9.030E+06 -5.701E+06 9.304E+06 3.143E+07 4.010E+06 -9.256E+07 -2.756E+06 4.249E+07 -9.835E+07 7.222E+07 2.352E+08 -1.038E+08 1.335E+09
-7.455E-08 -1.624E+05 -2.986E+06 -2.347E+06 6.650E+04 4.910E+06 2.917E+06 -5.544E+06 -1.272E+07 -1.709E+07 -2.416E+07 4.546E+06 4.985E+06 2.941E+05 3.188E+06 -9.179E+06 9.460E+06 -2.059E+07 -4.736E+06 2.911E+07 -2.417E+07 -4.373E+06 -1.525E+07 -2.719E+06 -1.619E+06 2.799E+07 3.115E+07 6.838E+06 1.558E+07 8.609E+06 5.312E+07 7.058E+06 7.164E+07 9.086E+07 -6.741E+06 -1.264E+08 -7.908E+07 1.850E+08 5.726E+08 -5.368E+07
4.675E-08 3.819E+06 -1.829E+06 -3.507E+06 6.365E+06 -1.673E+07 -3.610E+06 1.221E+07 1.061E+07 -5.878E+06 -1.112E+07 -1.100E+07 1.456E+07 -5.844E+06 -1.970E+07 1.128E+07 1.358E+07 7.904E+06 -2.487E+07 1.567E+07 2.555E+06 2.837E+07 1.518E+07 2.572E+07 2.065E+06 -5.141E+06 1.072E+07 1.265E+07 -3.247E+07 2.387E+07 3.178E+07 2.028E+07 -1.156E+07 -8.686E+07 -7.633E+07 2.134E+07 1.216E+08 2.561E+08 -7.218E+07 -1.222E+09
5.189E-08 1.660E+06 5.693E+06 -6.478E+06 4.993E+06 1.614E+07 4.507E+05 -1.691E+07 -6.228E+06 5.492E+06 4.206E+05 2.440E+06 6.946E+06 3.567E+06 -7.318E+05 -1.993E+07 1.949E+07 -1.289E+07 -4.772E+06 1.600E+07 5.149E+06 3.222E+07 1.693E+07 -3.016E+07 -7.968E+06 -3.209E+07 -2.228E+07 5.083E+07 1.006E+07 1.648E+07 -2.449E+07 -2.823E+06 -3.960E+07 -1.290E+08 5.978E+07 4.154E+07 -3.028E+07 -4.420E+07 -1.791E+08 -9.027E+08
3.187E-07 -3.419E+06 1.651E+06 -3.454E+06 2.197E+06 -2.234E+06 -3.029E+06 1.344E+07 -8.415E+06 -1.580E+07 -6.278E+05 1.626E+07 5.152E+06 2.561E+07 -1.282E+07 3.828E+06 2.810E+06 1.294E+07 4.185E+07 -5.063E+06 2.026E+07 -9.831E+06 -8.403E+06 -1.663E+07 1.138E+07 -1.832E+07 -5.562E+06 -2.810E+07 5.470E+07 -3.972E+06 1.228E+07 1.652E+07 -3.441E+07 -9.736E+07 -4.524E+07 -8.624E+07 -4.265E+06 -9.589E+07 2.703E+08 -1.109E+09
-2.224E-07 -1.600E+06 -3.683E+06 3.369E+06 -3.575E+06 -5.884E+06 6.735E+06 1.604E+06 -3.349E+06 1.344E+07 8.016E+06 9.111E+06 -2.507E+06 1.421E+06 -1.178E+07 1.210E+07 4.396E+06 8.375E+04 -5.251E+06 1.763E+07 -3.932E+06 7.205E+06 -3.359E+07 -7.299E+06 -1.447E+07 -4.002E+07 -9.153E+07 1.327E+07 -1.428E+06 3.153E+07 6.199E+07 -4.434E+07 5.648E+07 5.050E+07 -7.908E+07 -1.416E+08 -6.060E+07 3.956E+06 -2.179E+08 7.654E+08
-3.700E-07 1.864E+06 -8.663E+06 -1.833E+06 2.208E+05 1.130E+07 -2.433E+06 6.130E+06 -5.829E+05 2.273E+06 1.124E+07 3.398E+06 6.478E+06 6.625E+06 -1.516E+07 -8.169E+06 -6.623E+06 5.898E+06 1.108E+07 -1.487E+07 1.255E+06 4.632E+07 3.473E+07 2.242E+06 5.395E+07 1.869E+07 1.904E+07 3.207E+06 -3.180E+07 -2.739E+07 4.661E+06 -9.475E+07 7.528E+07 5.423E+07 -2.481E+07 -6.374E+07 -1.046E+08 9.996E+07 -1.191E+07 7.447E+08
3.185E-07 -6.219E+06 -1.969E+06 -1.216E+06 5.102E+06 7.520E+06 1.339E+07 4.001E+06 -2.341E+07 2.039E+07 -8.663E+06 1.400E+07 -6.195E+06 -1.440E+07 6.677E+06 -1.893E+06 5.560E+06 2.330E+07 -3.922E+06 -2.008E+07 1.439E+07 -5.244E+06 -1.956E+07 1.101E+07 -1.916E+06 -1.888E+06 3.234E+07 -3.953E+06 -5.914E+07 7.689E+06 5.087E+06 1.041E+07 8.772E+05 6.820E+06 -1.465E+07 3.508E+07 1.562E+08 1.725E+08 -4.666E+07 -1.139E+09
2.172E-07 -8.486E+05 3.501E+06 1.136E+07 5.671E+06 -1.667E+07 -1.227E+07 -3.625E+06 -6.221E+06 1.721E+07 8.028E+06 7.194E+05 2.302E+07 -1.012E+07 -2.629E+06 -1.511E+07 -4.498E+06 -2.085E+07 3.128E+07 5.808E+06 2.867E+06 1.227E+07 -1.865E+07 -1.633E+07 -1.226E+07 1.396E+07 3.285E+07 -7.762E+06 -9.231E+06 3.537E+07 -4.135E+07 1.143E+07 -1.555E+07 6.480E+07 -8.019E+07 4.321E+07 -4.106E+06 5.299E+06 -1.645E+07 1.490E+08
Tabel 4.2 menunjukkan hasil ekstraksi fitur menggunakan metode Principal Component Analysis dari 40 citra wajah yang terindentifikasi stres. 31
Tabel 4.3. Hasil Ekstraksi Fitur PCA Data Citra Normal Citra 1
Citra 2
Citra 3
Citra 4
Citra 5
Citra 6
Citra 7
Citra 8
Citra 9
Citra 10
Citra 11
Citra 12
Citra 13
Citra 14
Citra 15
Citra 16
Citra 17
Citra 18
Citra 19
Citra 20
-3.172E-07 1.001E+06 2.823E+05 -9.984E+06 -3.966E+06 7.415E+06 -6.974E+04 1.766E+07 2.415E+06 -5.113E+06 1.453E+06 1.619E+06 1.301E+07 -1.878E+07 -1.713E+07 1.283E+07 3.054E+07 1.160E+07 1.682E+07 -1.233E+07 9.024E+06 1.681E+07 1.786E+07 -1.013E+07 8.948E+06 5.862E+06 1.877E+07 -8.770E+06 -5.860E+06 2.215E+07 -2.934E+07 -2.155E+07 2.515E+07 -6.388E+07 2.163E+07 -1.368E+08 -1.739E+08 9.406E+06 -4.132E+08 -1.395E+09
8.039E-08 2.031E+06 -7.685E+06 8.598E+06 3.339E+04 -6.107E+06 2.422E+06 -4.174E+05 -2.856E+06 9.210E+06 1.918E+07 -4.342E+06 -4.293E+06 2.316E+07 6.189E+06 2.068E+07 9.817E+06 -2.018E+07 1.575E+07 6.587E+06 -2.436E+07 -1.083E+07 -1.673E+07 1.228E+07 5.946E+06 -1.124E+07 -2.183E+07 -1.613E+07 -4.650E+07 -1.468E+07 -3.750E+07 -6.600E+07 -1.673E+07 3.480E+07 1.019E+07 -1.314E+08 2.702E+07 1.300E+08 -3.646E+08 -1.253E+09
-6.026E-09 1.048E+06 1.913E+06 -3.757E+06 4.308E+06 -4.884E+06 2.002E+05 1.358E+06 -3.529E+06 9.249E+06 -1.121E+06 9.680E+06 5.258E+06 1.309E+06 1.586E+06 5.332E+06 -6.677E+06 1.182E+05 6.048E+06 1.584E+07 1.034E+07 -3.309E+07 2.290E+06 -4.396E+07 1.140E+07 2.150E+07 -3.926E+06 1.561E+07 8.648E+07 -4.284E+07 4.946E+07 -3.689E+07 4.758E+07 3.961E+07 1.343E+08 -1.876E+08 5.497E+07 -9.221E+07 -3.677E+08 6.857E+08
1.870E-07 6.387E+06 -6.354E+06 -1.082E+07 -6.504E+06 -1.609E+07 -2.030E+07 -8.337E+06 -4.672E+06 1.265E+07 1.282E+07 -1.858E+07 5.305E+06 8.038E+05 -9.656E+06 -7.646E+06 7.353E+05 7.287E+06 7.196E+06 4.198E+06 -7.465E+06 -1.481E+07 7.831E+06 2.284E+07 1.134E+07 -3.123E+05 1.107E+07 2.852E+06 2.081E+07 -2.349E+05 -1.256E+07 3.466E+07 -1.865E+07 -5.256E+07 -4.390E+07 6.745E+07 -1.708E+08 -2.705E+08 -5.456E+08 7.638E+08
-2.989E-08 -8.858E+05 7.612E+06 -7.646E+06 6.504E+06 5.613E+06 1.273E+06 -1.900E+06 -9.662E+05 -5.986E+06 5.247E+06 -1.194E+07 1.164E+07 5.361E+06 -4.062E+06 2.820E+07 -2.800E+07 1.246E+07 1.699E+07 -1.755E+07 -6.364E+06 -8.757E+05 -4.614E+07 -2.551E+07 -2.956E+07 -2.548E+06 3.361E+07 2.777E+06 -2.570E+06 -4.092E+07 -3.432E+07 5.322E+07 -2.228E+07 9.572E+06 -7.947E+07 8.617E+06 1.529E+08 -2.768E+07 -8.727E+07 -1.186E+08
-9.925E-09 -2.617E+06 -8.434E+06 4.910E+06 -6.163E+05 2.867E+06 -5.830E+06 -9.509E+06 4.780E+06 6.243E+06 -7.561E+06 -1.784E+06 1.450E+07 -4.401E+06 3.464E+06 -1.608E+06 9.192E+06 8.446E+06 -1.209E+07 2.059E+07 4.313E+06 3.579E+07 -1.180E+07 -4.044E+07 6.114E+06 6.839E+06 1.676E+07 -1.141E+07 -6.309E+07 -3.747E+07 3.347E+07 -6.001E+07 3.906E+07 1.803E+07 -2.929E+07 6.967E+07 1.324E+08 -5.905E+08 -3.861E+08 3.837E+07
-1.802E-08 -9.447E+05 2.017E+06 3.787E+05 5.368E+06 7.804E+05 -3.763E+06 -3.879E+06 -5.924E+06 -4.652E+06 -1.658E+06 -2.212E+06 -1.219E+07 -4.800E+06 -1.238E+07 2.399E+06 3.395E+06 5.574E+06 2.866E+07 1.186E+07 2.740E+06 2.777E+07 -2.724E+06 2.633E+07 -1.624E+07 1.959E+07 -5.614E+07 6.975E+07 -1.502E+07 1.013E+07 3.473E+07 4.661E+07 -3.782E+07 9.525E+06 1.425E+08 5.828E+07 1.802E+08 -1.236E+08 -5.900E+08 -5.984E+08
-4.169E-08 -1.216E+06 5.098E+06 2.333E+06 -2.677E+05 -1.061E+07 -1.230E+07 4.691E+06 -1.478E+07 5.100E+06 -6.787E+06 1.129E+07 -7.255E+06 -1.624E+06 -5.439E+06 1.746E+07 -1.001E+07 -2.960E+07 -7.311E+06 -1.136E+07 2.762E+07 1.394E+07 9.937E+06 -1.497E+07 -1.694E+07 -2.360E+07 1.721E+06 -5.798E+06 5.780E+06 4.920E+07 -2.637E+07 -6.348E+07 -2.212E+07 -1.311E+08 -1.861E+07 4.574E+07 2.145E+08 8.135E+06 5.254E+07 4.527E+08
-2.615E-08 4.462E+06 -1.093E+07 -6.202E+05 3.563E+06 1.564E+07 -1.147E+07 1.471E+06 -1.064E+07 -1.639E+07 9.098E+06 -3.011E+06 -1.428E+07 4.606E+04 1.062E+07 -2.119E+07 8.480E+06 -8.981E+06 1.659E+07 3.473E+05 5.878E+06 -2.275E+07 1.391E+06 -4.528E+07 -2.703E+07 7.325E+06 7.397E+05 7.687E+06 -3.568E+07 4.355E+07 2.131E+07 1.836E+07 6.304E+05 -1.558E+06 -6.799E+07 -6.980E+07 2.123E+07 1.387E+08 1.435E+08 8.962E+08
-1.598E-07 -2.872E+05 -4.366E+06 2.763E+06 1.082E+06 -3.619E+06 -1.388E+06 -5.721E+06 -7.679E+05 5.573E+05 -3.717E+06 -9.378E+06 -1.054E+07 -1.022E+05 -9.277E+06 2.352E+06 -8.337E+06 2.682E+06 -1.131E+06 -2.851E+07 -2.419E+06 1.361E+07 2.022E+07 9.104E+06 -1.967E+07 1.853E+07 3.840E+07 -5.797E+06 4.089E+06 2.536E+07 -9.386E+06 -3.569E+07 1.665E+08 1.232E+08 5.665E+07 8.954E+07 -1.363E+07 4.513E+08 -7.259E+08 2.491E+08
-3.562E-08 2.228E+06 -1.332E+06 8.506E+05 -1.321E+06 2.931E+06 7.172E+06 3.408E+06 5.234E+05 -1.654E+07 2.362E+06 3.861E+06 -3.861E+06 3.456E+07 1.545E+06 -1.592E+07 -2.843E+07 1.536E+07 -2.458E+06 1.809E+07 5.692E+06 2.252E+07 2.906E+07 -7.740E+06 2.646E+07 -2.520E+07 2.568E+07 9.664E+06 2.633E+07 1.275E+07 1.694E+05 -1.481E+07 -3.053E+07 -6.011E+07 -2.265E+06 6.215E+06 -7.450E+07 -1.108E+07 -1.010E+09 -7.836E+08
-6.591E-08 1.474E+06 1.376E+06 -5.128E+06 2.393E+05 -3.439E+06 -5.674E+06 -1.306E+06 -1.258E+06 -1.578E+06 -3.981E+06 -9.808E+06 -7.355E+06 1.156E+07 -1.036E+07 5.963E+06 1.127E+07 1.785E+07 -2.895E+07 -1.286E+07 -1.663E+07 2.789E+06 -4.953E+06 -3.710E+07 -8.396E+06 -1.517E+07 -4.668E+06 -1.320E+07 -1.470E+07 -1.086E+07 6.806E+07 -3.438E+07 -1.173E+08 1.396E+07 1.391E+08 8.191E+07 -1.637E+08 3.353E+08 9.199E+08 -2.869E+08
-6.524E-08 -4.509E+05 6.239E+04 -4.332E+06 -2.797E+06 6.519E+06 2.336E+06 -6.067E+05 5.449E+05 6.951E+06 -7.368E+06 9.767E+06 -1.171E+07 -1.157E+07 -1.205E+07 -1.533E+06 -1.620E+07 -6.893E+06 1.261E+07 -4.605E+06 4.046E+06 -2.678E+07 1.520E+06 1.267E+07 -1.501E+07 -3.854E+07 -2.534E+07 1.263E+07 -6.507E+06 -4.940E+07 9.168E+07 -5.714E+07 3.045E+07 1.610E+07 -1.526E+08 8.529E+07 -2.054E+08 -4.266E+07 -1.399E+08 -1.274E+09
1.923E-07 4.289E+06 1.836E+06 -2.024E+06 8.660E+06 -1.664E+07 -7.288E+05 5.032E+06 -1.016E+07 -2.011E+07 6.003E+06 1.263E+07 4.274E+06 -1.588E+07 1.864E+07 -1.216E+07 3.278E+06 2.745E+07 1.255E+07 -5.107E+05 -2.137E+07 -3.435E+06 7.290E+06 7.103E+06 1.068E+07 -1.418E+06 -1.789E+07 -2.523E+07 1.106E+07 -3.283E+07 -2.876E+07 -5.344E+07 3.184E+07 1.211E+07 -3.251E+07 1.103E+08 1.825E+08 2.133E+07 6.251E+08 -4.990E+08
-2.581E-07 2.421E+06 3.177E+06 1.664E+07 7.243E+06 -3.582E+06 -6.976E+06 -6.070E+06 9.623E+05 1.268E+07 -9.164E+06 -2.740E+06 9.115E+06 -1.120E+07 1.609E+07 -1.683E+07 -1.248E+05 1.858E+07 -1.422E+07 -8.386E+06 -4.327E+06 -6.235E+06 -2.196E+07 -1.800E+06 -2.717E+07 -9.877E+06 3.523E+06 7.267E+06 1.194E+07 1.135E+07 1.017E+07 5.391E+07 1.900E+07 -1.079E+08 -2.961E+06 -1.118E+08 -8.069E+07 2.663E+08 -5.084E+08 -1.395E+09
1.089E-07 -4.350E+06 2.648E+06 7.285E+05 1.829E+05 -4.312E+06 5.322E+06 1.728E+07 1.311E+07 2.192E+07 -1.607E+07 -5.047E+06 -1.429E+07 1.389E+07 1.088E+07 4.223E+06 5.201E+06 2.164E+07 3.122E+07 9.406E+06 -1.859E+07 -9.427E+06 3.162E+07 -9.938E+06 -1.071E+07 1.631E+07 9.378E+06 -1.151E+07 -1.212E+07 4.721E+07 1.515E+07 2.127E+07 -1.261E+07 -9.720E+06 -6.913E+07 4.082E+07 1.141E+08 -7.755E+07 4.155E+08 4.476E+08
-8.895E-09 4.216E+06 -1.726E+06 7.099E+06 -3.190E+06 -2.548E+05 6.473E+05 -2.295E+06 -1.815E+06 2.165E+06 -1.017E+07 8.858E+06 -9.085E+05 5.823E+06 -1.393E+07 -7.578E+06 1.649E+07 6.761E+06 1.407E+07 -3.264E+07 1.694E+07 1.618E+07 -1.811E+07 -8.636E+06 3.311E+07 -3.138E+07 -3.336E+07 -4.761E+07 4.532E+07 -2.232E+06 -7.922E+06 5.388E+07 -6.470E+07 1.131E+08 -7.549E+07 -3.247E+07 8.221E+07 -9.483E+06 -5.163E+08 7.231E+08
-6.940E-08 7.678E+05 -4.347E+06 -4.853E+06 5.953E+06 1.108E+05 2.407E+06 -1.475E+07 1.384E+07 3.258E+06 3.835E+06 1.328E+07 -1.625E+07 6.572E+06 -2.406E+07 -1.721E+07 4.268E+06 -1.343E+07 -2.819E+06 8.187E+06 8.033E+06 -1.175E+06 6.884E+06 2.447E+06 -2.846E+07 2.875E+07 2.060E+07 -4.836E+07 2.536E+07 -2.973E+07 -4.155E+07 4.116E+07 3.352E+06 -4.210E+07 2.314E+07 -1.219E+07 1.485E+08 -1.081E+08 8.496E+08 -1.356E+09
4.063E-08 9.211E+05 -2.298E+06 -2.456E+06 -1.274E+06 -3.375E+06 8.521E+06 2.565E+07 8.110E+06 -1.612E+06 9.673E+06 -7.924E+06 7.240E+06 7.069E+06 -1.617E+06 -1.278E+07 1.529E+07 -3.678E+06 -3.040E+07 -3.787E+06 2.500E+07 -1.610E+07 -1.263E+07 2.917E+07 -3.564E+07 -1.825E+07 4.067E+05 3.117E+06 -1.343E+07 -4.641E+07 3.414E+07 1.649E+07 1.405E+07 -9.926E+06 2.120E+07 4.854E+07 2.627E+08 3.565E+07 -6.400E+08 5.790E+08
1.398E-07 -3.987E+05 1.890E+06 2.036E+07 -1.142E+07 -5.332E+06 -4.870E+06 9.868E+06 5.876E+06 -2.040E+07 4.046E+06 -7.958E+06 -5.143E+05 -3.280E+06 -2.322E+07 6.785E+06 -1.505E+07 4.467E+06 4.702E+05 1.117E+06 -2.562E+06 -9.762E+06 -5.189E+06 1.231E+07 -1.133E+07 2.394E+07 1.202E+06 -7.931E+06 1.241E+07 1.026E+07 2.642E+07 -6.224E+06 1.399E+07 7.900E+06 -1.400E+06 -7.585E+07 -1.180E+08 -4.021E+08 9.009E+08 3.324E+08
32
Citra 21
Citra 22
Citra 23
Citra 24
Citra 25
Citra 26
Citra 27
Citra 28
Citra 29
Citra 30
Citra 31
Citra 32
Citra 33
Citra 34
Citra 35
Citra 36
Citra 37
Citra 38
Citra 39
Citra 40
-5.442E-08 -1.849E+06 -4.931E+05 -1.388E+06 -1.782E+06 -2.460E+06 2.863E+06 -1.900E+06 2.568E+06 -2.447E+06 2.507E+05 6.155E+06 -3.018E+06 3.609E+06 -1.114E+06 6.079E+06 -4.941E+06 7.583E+04 -1.894E+07 -2.583E+07 1.165E+07 -3.743E+07 -1.548E+07 -1.068E+07 7.805E+07 5.079E+07 -1.074E+07 1.603E+07 -5.165E+07 3.733E+07 1.867E+07 4.132E+07 3.038E+07 -4.474E+07 -1.345E+07 8.551E+07 1.045E+08 1.059E+07 -1.488E+08 -8.088E+08
1.238E-07 1.252E+07 -1.441E+07 2.022E+06 1.185E+07 6.462E+06 1.830E+07 4.250E+05 -1.070E+07 1.141E+07 7.353E+05 -8.766E+06 1.709E+07 -1.055E+07 -6.889E+06 1.296E+07 -1.522E+07 4.015E+06 -1.683E+07 2.082E+06 6.257E+06 6.397E+06 2.930E+07 1.301E+07 3.725E+06 3.307E+06 -1.334E+07 1.229E+07 1.570E+07 3.835E+07 3.978E+06 5.614E+06 -3.143E+07 1.094E+07 -3.247E+07 -3.349E+06 3.748E+07 -3.861E+07 8.456E+08 8.304E+07
6.247E-08 -4.088E+06 7.644E+06 1.692E+05 -1.389E+05 8.816E+06 -6.566E+06 -2.201E+06 2.377E+07 7.428E+06 2.637E+07 -1.621E+07 5.116E+06 -1.079E+07 8.914E+06 -1.049E+07 -9.762E+06 -9.542E+06 4.884E+06 -8.087E+06 4.003E+06 1.736E+07 1.150E+07 -1.522E+07 2.846E+07 -3.051E+07 -3.200E+07 2.464E+06 3.629E+07 3.176E+07 9.603E+06 -2.476E+07 2.738E+07 7.676E+06 1.783E+07 3.074E+07 1.271E+08 9.738E+07 5.865E+08 -1.568E+08
-8.006E-08 9.990E+05 8.968E+06 -7.373E+06 3.317E+06 -6.042E+06 1.703E+06 -9.528E+05 -5.908E+06 -1.012E+07 -2.243E+07 -3.435E+07 -7.957E+06 -5.367E+06 8.647E+06 -7.607E+06 -8.917E+05 -2.381E+07 -7.888E+06 2.376E+07 1.505E+07 3.301E+06 -1.586E+06 1.189E+07 2.229E+07 1.844E+06 -2.373E+06 -2.938E+07 -1.057E+07 2.587E+06 2.252E+06 3.875E+06 3.173E+06 5.811E+07 -4.025E+07 -1.302E+08 2.332E+07 -1.172E+07 1.052E+08 -7.571E+08
-4.456E-09 -6.023E+05 -4.981E+05 -1.390E+06 -6.007E+05 1.596E+05 6.597E+06 4.209E+04 7.235E+06 -1.933E+06 -1.208E+07 6.600E+05 7.440E+06 -3.852E+06 -2.236E+07 -2.045E+07 7.179E+06 -1.589E+07 -3.312E+06 6.036E+06 -4.894E+07 2.125E+06 -3.499E+07 -7.333E+05 1.370E+07 8.221E+06 1.327E+07 6.038E+07 2.577E+07 1.834E+07 -3.531E+07 -6.870E+07 -3.033E+07 -2.970E+07 -7.131E+07 -1.716E+07 9.714E+07 2.434E+08 -6.145E+07 8.213E+08
3.268E-08 -1.113E+06 -7.512E+05 8.008E+06 -4.650E+06 -2.089E+06 -4.874E+06 -3.805E+06 2.813E+06 -6.553E+06 8.388E+05 2.673E+06 3.719E+06 -1.871E+06 1.132E+07 2.069E+07 2.606E+07 -1.333E+07 -1.834E+06 2.232E+07 1.628E+07 -5.728E+06 2.591E+07 -7.665E+06 8.296E+06 -3.782E+06 4.447E+07 5.669E+07 4.678E+07 -3.729E+07 -7.866E+06 4.988E+07 -4.035E+07 6.382E+07 -8.055E+07 1.278E+08 -3.719E+06 2.685E+08 3.214E+08 -6.938E+08
4.376E-09 2.940E+06 1.917E+06 -1.023E+06 4.115E+06 -1.615E+06 6.731E+06 -1.383E+05 -3.309E+06 -1.061E+06 6.339E+06 1.023E+07 -7.383E+06 -3.135E+05 -3.983E+06 1.335E+07 8.813E+06 -5.949E+06 5.801E+06 3.179E+07 -1.243E+07 2.079E+07 -3.646E+07 9.301E+06 2.574E+07 -3.713E+07 1.769E+07 -2.468E+07 -8.934E+06 1.903E+07 6.995E+07 7.462E+07 1.209E+08 -6.691E+07 2.313E+07 2.006E+07 -1.084E+08 1.673E+08 4.348E+08 1.059E+09
5.641E-08 -5.300E+06 4.155E+06 -6.149E+06 -1.000E+06 -1.179E+07 7.529E+06 -2.153E+07 1.285E+07 -1.147E+07 4.022E+06 1.142E+07 1.927E+07 4.965E+06 1.544E+06 8.976E+06 5.570E+06 8.967E+06 -5.965E+06 5.258E+06 1.237E+07 -2.723E+06 2.123E+07 1.012E+07 -3.528E+07 5.451E+06 -2.745E+07 -1.950E+06 -3.279E+07 5.680E+07 3.710E+07 -1.113E+07 -2.159E+07 1.664E+07 -8.607E+07 -1.233E+08 -3.924E+07 1.736E+08 -2.777E+08 8.318E+08
-1.252E-07 -3.007E+06 2.103E+06 -9.035E+05 8.859E+05 8.693E+05 1.061E+06 -1.430E+06 -3.287E+05 -3.970E+05 2.148E+06 1.268E+07 -3.808E+06 -2.011E+07 4.018E+06 -2.627E+06 -6.583E+06 -8.682E+06 -1.027E+07 -6.470E+06 -2.864E+07 -2.239E+07 1.682E+07 1.188E+07 2.633E+06 -4.978E+07 5.503E+07 -2.536E+06 -3.024E+07 5.062E+07 4.250E+05 3.583E+07 -6.871E+07 9.511E+07 1.086E+08 -4.791E+07 8.641E+07 -4.189E+08 -4.284E+08 -1.850E+08
1.349E-07 3.980E+05 4.181E+06 -1.248E+06 -6.046E+05 5.620E+05 1.359E+07 1.848E+06 -3.026E+06 -8.447E+05 1.117E+07 1.415E+05 -1.798E+07 -6.468E+06 2.138E+07 6.125E+06 9.312E+06 -1.617E+07 -2.144E+07 -1.303E+07 -2.117E+07 2.112E+07 -1.067E+07 -1.435E+07 -2.440E+07 4.501E+07 -1.759E+07 -1.386E+07 5.900E+07 1.581E+07 7.761E+06 3.951E+06 -2.537E+07 -9.175E+06 -5.212E+07 7.883E+07 -2.231E+08 -3.657E+08 -7.846E+08 3.729E+07
1.316E-07 1.248E+06 1.934E+06 2.759E+06 -2.538E+06 2.817E+05 2.291E+06 2.519E+06 4.971E+06 -3.063E+06 -7.332E+06 4.200E+05 4.088E+06 -7.742E+06 -6.872E+06 3.124E+06 -1.069E+07 -1.463E+07 -8.087E+06 6.861E+06 -2.337E+07 -5.792E+06 4.643E+07 -3.536E+07 -1.409E+06 -1.129E+07 -5.266E+07 -8.991E+06 -4.757E+07 -7.329E+07 -8.028E+07 7.180E+07 3.185E+07 -3.481E+07 4.017E+07 3.360E+07 -1.138E+08 1.354E+08 -4.268E+08 8.603E+08
4.205E-08 -1.116E+07 1.163E+07 6.787E+06 2.074E+07 1.436E+07 -3.837E+06 -1.200E+06 -1.143E+07 4.104E+06 6.823E+06 -1.965E+06 4.156E+06 6.655E+06 -1.411E+07 -3.148E+06 1.319E+07 8.847E+06 -5.546E+06 1.225E+07 8.757E+06 -2.002E+07 1.104E+07 2.644E+07 1.449E+07 1.288E+07 4.895E+06 -2.312E+07 -5.007E+06 -9.357E+06 -3.087E+07 -3.913E+07 -2.413E+07 2.724E+05 -1.873E+07 7.217E+07 -1.504E+08 -3.128E+07 -2.790E+08 8.514E+08
8.566E-08 -3.376E+06 9.064E+06 8.795E+05 -1.134E+07 -6.344E+06 1.833E+07 -5.314E+06 -1.959E+07 1.234E+07 1.045E+07 -1.287E+06 -1.145E+06 4.744E+06 2.701E+05 -2.449E+07 4.945E+06 3.943E+06 9.671E+06 -1.624E+07 1.922E+07 1.129E+07 2.215E+06 -1.513E+07 -3.057E+06 -6.275E+06 1.804E+07 4.521E+07 -4.146E+07 -2.692E+07 -3.101E+07 6.319E+06 2.597E+07 1.296E+07 1.314E+07 -5.016E+07 -1.006E+08 -1.117E+08 9.218E+08 1.565E+08
-2.018E-07 9.308E+06 -2.988E+05 1.309E+06 -5.456E+06 4.655E+06 6.293E+06 -7.260E+06 1.497E+07 6.900E+05 -2.249E+06 1.101E+04 -2.604E+07 -1.889E+07 1.174E+07 9.004E+06 -4.538E+06 2.199E+07 3.876E+06 1.237E+07 3.191E+07 -9.815E+06 -2.489E+07 1.628E+07 7.484E+06 -1.371E+06 1.199E+07 2.326E+06 -1.895E+07 -1.710E+07 -6.829E+07 -6.131E+07 -5.588E+07 -3.123E+07 5.780E+07 2.535E+06 -6.372E+07 1.209E+08 -2.061E+08 1.122E+09
-1.331E-07 -2.272E+07 -1.870E+07 -3.478E+06 1.568E+06 -6.768E+06 1.343E+06 7.715E+06 -1.132E+06 -1.034E+06 -3.549E+06 6.177E+05 1.242E+06 -8.065E+06 7.691E+06 -2.743E+06 -1.421E+07 1.032E+06 2.491E+06 6.595E+06 1.459E+07 5.109E+06 -2.810E+07 2.239E+05 3.502E+05 -8.162E+06 -1.448E+07 -4.392E+06 2.068E+07 8.697E+06 -4.164E+07 2.082E+07 -2.347E+07 1.253E+07 3.664E+07 8.878E+06 -1.865E+08 1.089E+08 2.789E+08 -4.484E+07
2.424E-08 2.325E+06 4.520E+06 -5.923E+06 -7.214E+06 6.802E+06 -1.830E+07 1.187E+07 -4.586E+06 1.163E+07 4.478E+06 1.967E+07 -5.507E+06 2.896E+06 2.428E+06 -2.703E+05 -1.464E+07 1.305E+07 -3.352E+07 1.931E+07 -5.748E+06 2.424E+07 -7.259E+06 1.934E+07 -1.184E+05 2.539E+07 -1.370E+07 1.145E+07 -1.646E+07 -6.752E+05 -2.771E+07 1.963E+07 7.773E+06 1.038E+08 -7.530E+07 -1.137E+08 1.235E+07 1.742E+08 3.302E+08 -1.243E+08
-9.071E-08 7.547E+06 4.894E+06 -6.138E+05 -9.522E+06 6.017E+06 1.492E+05 2.676E+06 -7.726E+05 2.805E+06 -7.656E+06 8.072E+06 3.140E+07 7.789E+06 8.761E+06 -1.076E+07 -6.354E+06 -1.846E+07 2.050E+07 1.614E+07 9.595E+06 -1.307E+07 -2.546E+07 3.079E+06 -2.038E+07 1.864E+07 -5.199E+06 -3.172E+07 -2.813E+06 5.116E+07 -1.840E+07 -7.060E+06 -1.035E+07 4.532E+07 1.046E+08 1.924E+08 -1.307E+08 5.869E+07 7.921E+07 -4.464E+08
1.863E-07 -4.368E+05 -2.085E+06 6.416E+05 2.201E+06 2.167E+06 -4.084E+06 1.445E+06 3.218E+06 2.176E+05 -2.253E+06 6.092E+06 8.917E+06 -2.569E+06 1.636E+07 -4.782E+06 -1.123E+07 -2.160E+07 2.022E+07 -2.826E+07 -5.175E+06 2.523E+07 1.757E+07 3.663E+07 1.832E+07 3.851E+07 3.280E+07 -1.499E+07 -2.291E+07 -7.478E+07 7.329E+07 -4.801E+05 -7.774E+07 -4.858E+07 2.585E+07 -7.013E+07 -3.782E+07 2.051E+08 1.660E+08 8.327E+08
1.516E-07 3.551E+06 -1.546E+06 -4.388E+06 9.197E+06 4.586E+06 -8.053E+06 -1.633E+06 1.029E+07 -6.583E+06 -1.531E+07 4.239E+06 1.550E+06 2.410E+07 1.713E+07 6.501E+06 1.147E+07 -4.823E+06 -6.282E+06 -2.942E+07 3.952E+05 -1.487E+06 -4.137E+06 2.405E+07 -3.427E+06 -2.657E+07 -1.481E+07 4.465E+07 9.580E+06 -3.220E+06 -4.444E+07 -7.482E+06 7.998E+07 -5.339E+06 3.744E+07 -3.311E+07 -1.568E+08 -4.605E+08 7.901E+08 2.929E+08
1.664E-08 -7.277E+06 -2.670E+06 -1.741E+06 -2.081E+07 1.773E+07 2.002E+06 -1.279E+07 -1.471E+07 -2.725E+06 -6.888E+06 -6.773E+06 1.969E+06 3.305E+06 9.284E+06 8.783E+06 7.396E+06 1.346E+07 -7.096E+06 -1.126E+06 -2.014E+07 -1.264E+07 1.135E+07 2.812E+07 -3.307E+06 -6.290E+06 -1.256E+07 -2.546E+07 4.145E+07 -1.222E+07 5.733E+06 -3.580E+06 3.306E+07 -7.580E+07 3.192E+07 -1.781E+07 2.539E+08 3.390E+07 1.415E+08 6.109E+07
Tabel 4.3 menunjukkan hasil ekstraksi fitur menggunakan metode Principal Component Analysis dari 40 citra wajah yang terindentifikasi normal. 33
4.4 Grafik Per Citra
Gambar 4.3. Grafik Citra Stres 13 Gambar 4.3 menunjukkan pola hasil ekstraksi fitur dari citra stres 13 dengan nilai tertinggi yaitu 9.0365e+08 dan nilai terendah yaitu -3.6308e+07.
Gambar 4.4. Grafik Citra Stres 23 Gambar 4.4 menunjukkan pola hasil ekstraksi fitur dari citra stres 23 dengan nilai tertinggi yaitu 2.0358e+08 dan nilai terendah yaitu -1.2890e+09.
34
Gambar 4.5. Grafik Citra Stres 36 Gambar 4.5 menunjukkan pola hasil ekstraksi fitur dari citra stres 36 dengan nilai tertinggi yaitu 2.7025e+08 dan nilai terendah yaitu -1.1088e+09.
Gambar 4.6. Grafik Citra Stres 32 Gambar 4.6 menunjukkan pola hasil ekstraksi fitur dari citra stres 32 dengan nilai tertinggi yaitu 1.3347e+09 dan nilai terendah yaitu -1.0383e+08.
35
Gambar 4.7. Grafik Citra Stres 20 Gambar 4.7 menunjukkan pola hasil ekstraksi fitur dari citra stres 20 dengan nilai tertinggi yaitu 1.7803e+08 dan nilai terendah yaitu -1.4550e+09.
Gambar 4.8. Grafik Citra Normal 23 Gambar 4.8 menunjukkan pola hasil ekstraksi fitur dari citra normal 23 dengan nilai tertinggi yaitu 5.8646e+08 dan nilai terendah yaitu -1.5681e+08.
36
Gambar 4.9. Grafik Citra Normal 27 Gambar 4.9 menunjukkan pola hasil ekstraksi fitur dari citra normal 27 dengan nilai tertinggi yaitu 1.0594e+09 dan nilai terendah yaitu -1.0836e+08.
Gambar 4.10. Grafik Citra Normal 1 Gambar 4.10 menunjukkan pola hasil ekstraksi fitur dari citra normal 1 dengan nilai tertinggi yaitu 3.0542e+07 dan nilai terendah yaitu -1.3949e+09.
37
Gambar 4.11. Grafik Citra Normal 34 Gambar 4.11 menunjukkan pola hasil ekstraksi fitur dari citra normal 34 dengan nilai tertinggi yaitu 1.1219e+09 dan nilai terendah yaitu -2.0612e+08.
Gambar 4.12. Grafik Citra Normal 15 Gambar 4.12 menunjukkan pola hasil ekstraksi fitur dari citra normal 15 dengan nilai tertinggi yaitu 2.6626e+08 dan nilai terendah yaitu -1.3955e+09.
38
4.5 Grafik Perbandingan Statistik
Gambar 4.13. Grafik Nilai Median PCA Citra Gambar 4.13 menunjukkan pola grafik berdasarkan hasil ekstraksi fitur dari nilai median pada 80 citra dan diketahui bahwa untuk 40 citra yang teridentifikasi stres memiliki nilai median berkisar antara -6.3249e+06 hingga 5.8635e+06, sedangkan 40 citra yang teridentifikasi normal memiliki nilai median berkisar antara 4.3245e+06 hingga 4.9997e+06. Berdasarkan hasil PCA dari data stres dan normal menunjukkan bahwa grafik median dari data stres terdapat 3 titik terendah 6.3249e+06, -5.3937e+06 dan -5.1083e+06 yang nilainya di bawah nilai min data normal -4.3245e+06, sedangkan dari data stres terdapat 1 titik tertinggi 5.8635e+06 yang nilainya di atas nilai max data normal 4.9997e+06.
39
Gambar 4.14. Grafik Nilai Rata-Rata PCA Citra Gambar 4.14 menunjukkan pola grafik berdasarkan hasil ekstraksi fitur dari nilai rata - rata pada 80 citra dan diketahui bahwa untuk 40 citra yang teridentifikasi stres memiliki nilai rata-rata berkisar antara -3.6142e+07 hingga 5.2675e+07, sedangkan 40 citra yang teridentifikasi normal memiliki nilai rata-rata berkisar antara 5.1338e+07 hingga 4.5875e+07. Berdasarkan hasil PCA dari data stres dan normal menunjukkan bahwa grafik rata-rata dari data normal terdapat 4 titik terendah 5.1338e+07, -4.5819e+07, -4.5508e+07 dan -4.7189e+07 yang nilainya di bawah nilai min data stres -3.6142e+07, sedangkan dari data stres terdapat 1 titik tertinggi 5.2675e+07 yang nilainya di atas nilai max data normal 4.5875e+07.
40
Gambar 4.15. Grafik Nilai Maksimal PCA Citra Gambar 4.15 menunjukkan pola grafik berdasarkan hasil ekstraksi fitur dari nilai maksimal pada 80 citra dan diketahui bahwa untuk 40 data citra yang teridentifikasi stres memiliki nilai maksimal berkisar antara 3.8412e+07 hingga 1.3347e+09, sedangkan 40 data citra yang teridentifikasi normal memiliki nilai maksimal berkisar antara 3.0542e+07 hingga 1.1219e+09. Berdasarkan hasil PCA dari data stres dan normal menunjukkan bahwa grafik maksimal dari data stres terdapat 5 titik tertinggi 1.1078e+09, 1.2048e+09, 1.2440e+09, 1.3064e+09 dan 1.3347e+09 yang nilainya di atas nilai max data normal 1.1219e+09, sedangkan dari data normal terdapat 2 titik terterendah 3.0542e+07 dan 3.4562e+07 yang nilainya di bawah nilai min data stres 3.8412e+07.
41
Gambar 4.16. Grafik Nilai Minimal PCA Citra Gambar 4.16 menunjukkan pola grafik berdasarkan hasil ekstraksi fitur dari nilai minimal pada 80 citra dan diketahui bahwa untuk 40 data citra yang teridentifikasi stres memiliki nilai minimal berkisar antara -3.6308e+07 hingga -1.4550e+09, sedangkan 40 data citra yang teridentifikasi normal memiliki nilai minimal berkisar antara -3.8612e+07 hingga -1.3955e+09. Berdasarkan hasil PCA dari data stres dan normal menunjukkan bahwa grafik maksimal dari data stres terdapat 1 titik terendah -1.4550e+09 yang nilainya di dibawah nilai min data normal -1.3955e+09.
42
4.6 Analisa Hasil Kuesioner Tabel 4.4. Range Penentuan Hasil Kuesioner Tingkat Normal Stres Ringan Stres Sedang Stres Parah Stres Sangat parah
Range Nilai 0 – 14 15 – 18 19 – 25 26 – 33
Jumlah Responden 40 17 23 5
> 34
0
Tabel 4.4 menunjukkan range nilai untuk menentukan tingkat hasil kuesioner. Setelah dilakukan perhitungan kuesioner dihasilkan normal sebanyak 40 responden, stres ringan sebanyak 17 responden, stres sedang sebanyak 23 responden dan stres parah sebanyak 5 responden.
Grafik Hasil Kuesioner DASS
6% Normal
27% 47%
Stres Ringan Stres Sedang Stres Parah
20%
Gambar 4.17. Grafik Hasil Kuesioner DASS Gambar 4.17 menunjukkan nilai persentase dari setiap tingkatan dimana normal 47%, stres ringan 20%, stres sedang 27% dan stres parah 6%.
43
Stres 40
30 20 10 0 1
3
5
7
9
11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41
Gambar 4.18. Pola Nilai Kuesioner Stres Gambar 4.18. menunjukkan pola nilai hasil kuesioner yang teridentifikasi stres.
Normal 15 10 5 0 1
3
5
7
9
11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41
Gambar 4.19. Pola Nilai Kuesioner Normal Gambar 4.19. menunjukkan pola nilai hasil kuesioner yang teridentifikasi normal.
44
4.7
Analisa Rata-Rata Tabel 4.5. Analisa Rata – Rata Data Stres Citra
Citra 1 Citra 2 Citra 3 Citra 4 Citra 5 Citra 6 Citra 7 Citra 8 Citra 9 Citra 10 Citra 11 Citra 12 Citra 13 Citra 14 Citra 15 Citra 16 Citra 17 Citra 18 Citra 19 Citra 20 Citra 21 Citra 22 Citra 23 Citra 24 Citra 25 Citra 26 Citra 27 Citra 28 Citra 29 Citra 30 Citra 31 Citra 32 Citra 33 Citra 34 Citra 35 Citra 36 Citra 37 Citra 38 Citra 39 Citra 40 Persentase
Jumlah Nilai PCA > Rata - Rata 27 21 34 16 34 20 11 5 8 11 5 28 4 32 4 16 6 5 27 35 6 31 35 6 6 35 31 31 33 35 27 4 8 34 32 33 11 7 36 16 50.38%
Data Normal Jumlah Nilai PCA < Rata - Rata 13 19 6 24 6 20 29 35 32 29 35 12 36 8 36 24 34 35 13 5 34 9 5 34 34 5 9 9 7 5 13 36 32 6 8 7 29 33 4 24 49.63%
Citra Citra 1 Citra 2 Citra 3 Citra 4 Citra 5 Citra 6 Citra 7 Citra 8 Citra 9 Citra 10 Citra 11 Citra 12 Citra 13 Citra 14 Citra 15 Citra 16 Citra 17 Citra 18 Citra 19 Citra 20 Citra 21 Citra 22 Citra 23 Citra 24 Citra 25 Citra 26 Citra 27 Citra 28 Citra 29 Citra 30 Citra 31 Citra 32 Citra 33 Citra 34 Citra 35 Citra 36 Citra 37 Citra 38 Citra 39 Citra 40 Persentase
Jumlah Nilai PCA > Rata - Rata 35 35 12 22 25 33 35 8 4 11 36 5 34 13 35 7 14 29 16 5 33 5 10 33 5 16 6 7 31 36 8 11 4 5 13 14 24 7 8 11 43.81%
Jumlah Nilai PCA < Rata - Rata 5 5 28 18 15 17 15 32 36 29 4 35 6 27 5 33 26 11 24 35 7 35 30 7 25 24 34 33 9 4 32 29 36 35 27 26 16 33 32 29 56.19%
Tabel 4.5 menunjukkan data jumlah nilai dari hasil ekstraksi fitur yang lebih dan kurang dari nilai rata-rata per citra. Diketahui bahwa presentase dari data stres yang 45
lebih dari rata-rata adalah 50.38% dan persentase yang kurang dari rata-rata adalah 49.63%. Sedangkan persentase dari data normal yang lebih dari rata-rata adalah 43.81% dan persentase yang kurang dari rata-rata adalah 56.19%. 4.8
Analisa Pola Grafik
Pada tahap analisa pola grafik untuk menentukan nilai PCA suatu citra merupakan pola grafik naik, grafik turun maupun grafik tidak beraturan dapat menggunakan aturan sebagai berikut. Tabel 4.6. Aturan Pola Pola Grafik Naik
Pola Grafik Turun
Rata-rata 10 data terakhir citra > 106793459.747298
Rata-rata 10 data terakhir citra < -72774804.0580786
Pola Grafik Tidak Beraturan Rata-rata 10 data terakhir citra 106793459.747298 sampai 72774804.0580786
Tabel 4.6 menunjukkan aturan untuk menentukan nilai PCA merupakan pola naik, turun maupun tidak beraturan. Tabel 4.7. Analisa Pola Grafik Data Stres
Data Normal
Pola Grafik Citra Citra 1 Citra 2 Citra 3 Citra 4 Citra 5 Citra 6 Citra 7 Citra 8 Citra 9 Citra 10 Citra 11 Citra 12 Citra 13 Citra 14 Citra 15 Citra 16 Citra 17 Citra 18 Citra 19 Citra 20 Citra 21 Citra 22
Naik
Turun
0 0 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0 0 0 0
0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0
Tidak Beraturan 1 1 0 1 0 1 1 0 1 1 1 1 0 1 1 1 1 1 1 0 1 1
Pola Grafik Citra Citra 1 Citra 2 Citra 3 Citra 4 Citra 5 Citra 6 Citra 7 Citra 8 Citra 9 Citra 10 Citra 11 Citra 12 Citra 13 Citra 14 Citra 15 Citra 16 Citra 17 Citra 18 Citra 19 Citra 20 Citra 21 Citra 22
Naik
Turun
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
1 1 0 0 0 0 1 0 0 0 1 0 1 0 1 0 0 0 0 0 0 0
Tidak Beraturan 0 0 1 1 1 1 0 1 1 1 0 1 0 1 0 1 1 1 1 1 1 1
46
Citra 23 Citra 24 Citra 25 Citra 26 Citra 27 Citra 28 Citra 29 Citra 30 Citra 31 Citra 32 Citra 33 Citra 34 Citra 35 Citra 36 Citra 37 Citra 38 Citra 39 Citra 40 Jumlah Persentase
0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 4 10 %
1 0 0 1 0 1 1 1 0 0 0 1 1 1 0 0 1 0 12 30 %
0 0 1 0 1 0 0 0 1 0 1 0 0 0 1 1 0 1 24 60 %
Citra 23 Citra 24 Citra 25 Citra 26 Citra 27 Citra 28 Citra 29 Citra 30 Citra 31 Citra 32 Citra 33 Citra 34 Citra 35 Citra 36 Citra 37 Citra 38 Citra 39 Citra 40 Jumlah Persentase
0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 2.5 %
0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 7 17.5 %
1 1 1 1 0 1 1 0 1 1 1 1 1 1 1 1 1 1 32 80 %
Tabel 4.7 menunjukkan jumlah pola grafik dari 40 data stres dengan pola grafik naik berjumlah 4 data dengan persentase 10 %, pola grafik turun berjumlah 12 data dengan persentase 30 % dan pola grafik tidak beraturan berjumlah 24 data dengan persentase 60 %. Sedangkan pola grafik dari 40 data normal dengan pola grafik naik berjumlah 1 data dengan persentase 2.5 %, pola grafik turun berjumlah 7 data dengan persentase 17.5 % dan pola grafik tidak beraturan berjumlah 32 data dengan persentase 80 %. Tabel 4.8. Nilai Statistik Stres dan Normal Statistik Median Rata-Rata Maksimal Minimal
Stres Terendah -6.3249e+06 -3.6142e+07 3.8412e+07 -3.6308e+07
Tertinggi 5.8635e+06 5.2675e+07 1.3347e+09 -1.4550e+09
Normal Terendah Tertinggi -4.3245e+06 4.9997e+06 -5.1338e+07 4.5875e+07 3.0542e+07 1.1219e+09 -3.8612e+07 -1.3955e+09
Tabel 4.8 menunjukkan nilai statistik hasil ekstraksi fitur PCA dari nilai terendah hingga nilai tertinggi.
47
BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan Berdasarkan hasil analisa dan pengujian maka dapat disimpulkan sebagai berikut. 1. Pre-processing pada data citra menghasilkan citra yang fokus pada wajah dengan jenis citra grayscale dan resolusi citra 400x400 piksel. Hasil PCA berdasarkan analisa statistik yaitu median, rata-rata, maksimal dan minimal. Nilai median stres antara -6.3249e+06 hingga 5.8635e+06, nilai median normal antara -4.3245e+06 hingga 4.9997e+06. Sedangkan nilai rata-rata antara -3.6142e+07 hingga 5.2675e+07, nilai rata-rata normal antara 5.1338e+07 hingga 4.5875e+07. Sedangkan nilai maksimal stres antara 3.8412e+07 hingga 1.3347e+09, nilai maksimal normal antara 3.0542e+07 hingga 1.1219e+09. Sedangkan nilai minimal stres antara -3.6308e+07 hingga -1.4550e+09, nilai minimal normal antara -3.8612e+07 hingga 1.3955e+09. 2. Hasil perbandingan ekstraksi fitur wajah menggunakan Principal Component Analysis (PCA) adalah a. Berdasarkan analisa rata – rata data citra wajah yang teridenfikasi stres memiliki presentase diatas rata – rata per citra sebesar 50.38% dan persentase dibawah rata – rata per citra sebesar 49.63%, sedangkan data citra wajah yang teridenfikasi normal memiliki presentase diatas rata – rata per citra sebesar 43.81% dan presentase dibawah rata – rata per citra sebesar 56.19%. b. Berdasarkan analisa pola grafik data citra wajah yang teridenfikasi stres memiliki persentase pola tidak beraturan sebesar 60 % sedangkan citra wajah yang teridenfikasi normal memiliki persentase pola tidak beraturan sebesar 80 %.
48
5.2 Saran Saran yang dapat diberikan untuk penelitian selanjutnya adalah dapat dilakukan klasifikasi dengan menggunakan metode Euclidean Distance, Jaringan Saraf Tiruan Backpropagation maupun metode klasifikasi yang lainnya.
49
DAFTAR PUSTAKA Abidin, Z. (2011). Pengembangan Sistem Pengenalan Ekspresi Wajah Menggunakan Jaringan Syaraf Tiruan Backpropagation (Studi Kasus Pada Database MUG). Jurnal Matematika Murni dan Terapan, 21-30. Ardeenawatie, S., Pandiyan, P. M., & Yaacob, S. (2013). Mental Stress Level Classification Using Eigenvector Features and Principal Component Analysis. Communications in Information Science and Management Engineering, 254-261. Basavaprasad, B., & Ravi, M. (2014). A Study On The Importance Of Image Processing Aand Its Apllications. International Journal of Research in Engineering and Technology. Basuki, A. (2005). Metode Numerik dan Algoritma Komputasi. Yogyakarta: ANDI. Dony Satria, M. (2013). Perbandingan Metode Ekstraksi Ciri Histogram dan PCA untuk Mendeteksi Stoma pada Citra Penampang Daun Freycinetia. ISSN: 2089-6026, 20-28. Gunadi, K., & Pongsitanan, S. R. (2001). Pembuatan Perangkat Lunak Pengenalan Wajah Menggunakan Principal Component Analysis. Jurnal Informatika, 67-81. Henry, J. D., & Crawford, J. R. (2005). The short-form version of the Depression Anxiety Stress Scales (DASS-21): Construct validity and normative data in a large non-clinical sample. British Journal of Clinical Psychology, 227239. McLaughlin, B., Pollice, G., & West, D. (2007). Head First Object-Oriented Analysis and Design. United States of America: O'Reilly Media. Nimas, S. (2012). Perbandingan Ukuran Jarak pada Pengenalan Wajah Berbasis Principal Component Analysis. Penelitian Institut Teknologi Surabaya. Pratiwi. (2014). Metode Ekstrasi Ciri 2DPCA Pada Pengenalan Citra Wajah Dengan Matlab. Jurnal Teknologi, 1-5.
50
Suriakin, M., Bulkis , K., & IGP , S. W. (2014). Ekstrasi Ciri Wajah Manusia Menggunakan Algoritma Principal Component Analysis (PCA) Untuk Sistem Pengenalan Wajah. Dielektrika, ISSN 2086-9487. Umale, C., & Vaidya, A. (2016). Feature Extraction Techniques and Classification Algorithms for EEG Signals to detect Human Stress - A Review. International Journal of Computer Applications Technology and Research, 08 - 14. Utami, E., & Wulanningrum, R. (2014). Penggunaan Principal Component Analysis dan Euclidean Distance untuk Identifikasi Citra Tanda Tangan. IPTEK-KOM, 1-16.
51
LAMPIRAN
52
