ANALISIS DETEKSI KEBOHONGAN MELALUI ARAH TATAPAN...
Transcript of ANALISIS DETEKSI KEBOHONGAN MELALUI ARAH TATAPAN...
ANALISIS DETEKSI KEBOHONGAN MELALUI ARAH
TATAPAN MATA MENGGUNAKAN METODE VIOLA-
JONES
Skripsi
Oleh :
SYAIFA AMANDA PUTRI LUBIS
11140910000057
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH
JAKARTA
2018 M/ 1439 H
i
ANALISIS DETEKSI KEBOHONGAN MELALUI ARAH
TATAPAN MATA MENGGUNAKAN METODE VIOLA-JONES
Skripsi :
Sebagai Salah Satu Syarat untuk Memperoleh
Gelar Sarjana Komputer (S.Kom)
Oleh :
SYAIFA AMANDA PUTRI LUBIS
11140910000057
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH
JAKARTA
2018 M/ 1439 H
ii
HALAMAN PERSETUJUAN
ANALISIS DETEKSI KEBOHONGAN MELALUI ARAH TATAPAN MATA
MENGGUNAKAN METODE VIOLA-JONES
Skripsi
Sebagai Salah Satu Syarat untuk
Memperoleh Gelar Sarjana Komputer (S.Kom)
Oleh:
SYAIFA AMANDA PUTRI LUBIS
11140910000057
Menyetujui,
Pembimbing I, Pembimbing II,
Feri Fahrianto, M.Sc. Luh Kesuma Wardhani, S.T, M.T
NIP. 19800829 201101 1 002 NIP. 19780424 200801 2 022
Mengetahui,
Ketua Program Studi Teknik Informatika
Arini, ST, MT.
NIP. 19760131 200901 2 001
iii
HALAMAN PENGESAHAN
Skripsi Berjudul Analisis Deteksi Kebohongan Melalui Arah Tatapan Mata Menggunakan
Metode Viola-Jones telah diujikan dan dinyatakan lulus dalam sidang munaqasah
Fakultas Sains dan Teknologi UIN Syarif Hidayatullah Jakarta pada 15 Oktober 2018.
Skripsi ini telah diterima sebagai salah satu syarat memperoleh gelar Sarjana Komputer
(S.Kom) pada Program Studi Teknik Informatika.
Jakarta, Oktober 2018
Tim Penguji,
Penguji I, Penguji II,
Anif Hanifa Setianingrum, M.Si Fenty Eka Muzzayana A, M.Kom
NIDN. 141064012 NIP. 19760805 200912 2 003
Tim Pembimbing,
Pembimbing I, Pembimbing II,
Feri Fahrianto, M.Sc. Luh Kesuma Wardhani, S.T, M.T
NIP. 19800829 201101 1 002 NIP. 19780424 200801 2 022
Mengetahui,
Dekan Fakultas Sains dan Teknologi Ketua Prodi Teknik Informatika
Dr. Agus Salim, M.Si. Arini, ST, MT.
NIP. 19720816 199903 1 003 NIP. 19760131 200901 2 001
iv
PERNYATAAN ORISINALITAS
DENGAN INI SAYA MENYATAKAN BAHWA SKRIPSI INI BENAR-BENAR HASIL
KARYA SAYA SENDIRI YANG BELUM PERNAH DIAJUKAN SEBAGAI SKRIPSI ATAU
KARYA ILMIAH PADA PERGURUAN TINGGI ATAU LEMBAGA MANAPUN.
Jakarta, Oktober 2018
Syaifa Amanda Putri Lubis
v
PERNYATAAN PERSETUJUAN PUBLIKASI SKRIPSI
Sebagai sivitas akademik UIN Syarif Hidayatullah Jakarta, saya yang bertanda tangan
dibawah ini:
Nama : Syaifa Amanda Putri Lubis
NIM : 11140910000057
Program Studi : Teknik Informatika
Fakultas : Sains dan Teknologi
Jenis Karya : Skripsi
demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada Universitas Islam
Negeri Syarif Hidayatullah Jakarta Hak Bebas Royalti Noneksklusif (Non-exclusive royalty Free
Right) atas karya ilmiah saya yang berjudul:
Analisis Deteksi Kebohongan Melalui Arah Tatapan Mata Menggunakan Metode Viola-
Jones
beserta perngakat yang ada (jika diperlukan). Dengan Hak Bebas Royalti Noneksklusif ini
Universitas Islam Negeri Syarif Hidayatullah Jakarta berhak menyimpan, mengalih
media/formatkan, mengelola dalam bentuk pangkalan data (database), merawat dan
mempublikasikan tugas akhir saya selama tetap mencantumkan nama saya sebagai
penulis/pencipta dan sebagai pemilih Hak Cipta.
Demikian pernyataan ini saya buat dengan sebenarnya.
Jakarta
Oktober 2018
Yang Menyatakan
(Syaifa Amanda Putri Lubis)
vi UIN Syarif Hidayatullah Jakarta
KATA PENGANTAR
Bismillahirrahmanirrahim
Segala puji bagi Allah, Tuhan semesta alam., Berkat Rahmat Allah SWT
penulis dapat menyelesaikan skripsi ini. Shalawat dan salam kita curahkan kepada
baginda Rasulullah Muhammad SAW beserta seluruh keluarganya, para
sahabatnya dan kepada seluruh umatnya yang tulus ikhlas mengikuti sunnah-
sunnah dan langkah-langkah perjuangannya.
Pembuatan skripsi ini tidak selamanya berjalan dengan lancar, tidak
sedikit kesulitan dan hambatan yang penulis dapatkan, baik yang menyangkut
pengaturan waktu, pengumpulan bahan-bahan dan lain sebagainya
Penulis menyadari bahwa pembuatan skripsi ini tidak dapat terselesaikan
tanpa dukungan dan bantuan dari berbagai pihak. Oleh karena itu, sudah
sepantasnya penulis mengucapkan banyak berterima kasih dan rasa syukur
kepada:
1. Bapak Feri Fahrianto, M. Sc., selaku Sekretaris Program Studi Teknik
Informatika sekaligus Dosen Pembimbing I yang selalu memberikan
bimbingan bantuan dan dukungan baik secara moral maupun teknis .
2. Ibu Luh Kesuma Wardhani selaku Dosen Pembimbing II yang telah
memberikan bimbingan, saran dan motivasi untuk menyelesaikan
skripsi ini.
3. Bapak Dr. Agus Salim, M. Si, selaku Dekan Fakultas Sains dan
Teknologi.
4. Ibu Arini, MT., selaku Ketua Program Studi Teknik Informatika.
5. Bapak dan Ibu Dosen Fakultas Sains dan Teknologi Universitas Islam
Negeri (UIN) Syarif Hidayatullah Jakarta, khususnya pada Program
Studi Teknik Informatika yang telah memberikan ilmu pengetahuan
yang tidak terhingga banyaknya dan sangat berguna bagi penulis.
6. Orang tua yang penulis sayangi, Ayah (Alm) Syarifuddin Lubis dan
Ibu Fatimah Nasution yang selalu mendoakan, memberikan kasih
sayang, nasihat, dan bantuan moril dan materil sehingga penulis dapat
vii UIN Syarif Hidayatullah Jakarta
menyelasaikan skripsi ini. Serta sepupu-sepupu yang penulis sayangi,
Bang Irul, Bang Ade, Kak Wanti, Bang Helmi yang selalu memberi
masukan dan motivasi kepada penulis.
7. Tiga puluh partisipan yang telah membantu penulis menjalankan
eksperimen.
8. Sahabat-sahabat TI, Wulan, Nila, Tina, Khansa, Shifa, Sanjaya,
Mawar, Yolla, Indra, Haris, Amin, Mukti, Annisa, kak Amanda dan
sahabat-sahabat saya yang tidak dapat disebutkan satu-persatu yang
telah membantu, memberikan masukan, semangat dan ilmu serta
memotivasi.
9. Sahabat-sahabat rumah, Fitri, Harpenia, Bima, Arsen, Ranca, Aray,
Elan, Kak Gumi, Isti, Kak Kiki, Echa yang selalu memberi semangat
pada penulis.
10. Seluruh teman-teman TI C 2014 atas dukungan, bantuan, dan
kerjasama dalam menjalani aktifitas perkuliahan selama 4 tahun.
Semoga dilancarkan penyelesaian skripsinya dan sukses.
11. Seluruh pihak yang baik secara langsung maupun tidak langsung
membantu penulis dalam menyelesaikan penyusunan skripsi ini.
Atas bantuan mereka yang sangat berharga, penulis berdoa semoga Allah
SWT selalu memberikan Rahmat-Nya dan memberikan balasan dengan yang
lebih baik.
Jakarta, 15 Oktober 2018
Penulis
viii UIN Syarif Hidayatullah Jakarta
Penulis : Syaifa Amanda Putri Lubis
Program Studi : Teknik Informatika
Judul : Analisis Deteksi Kebohongan Melalui Arah Tatapan Mata
Menggunakan Metode Viola-Jones
ABSTRAK
Ada beberapa pedoman sederhana untuk mendeteksi kebohongan, salah satunya
melalui arah tatapan mata. Penelitian ini fokus untuk membuktikan pendapat
psikologi tentang hubungan kebohongan dan arah tatapan mata dengan
menggunakan aplikasi yang dibuat menggunakan Matlab 2015a. Pada aplikasi ini
digunakan Viola-Jones untuk mendeteksi wajah dan mata, dan Hough Transform
untuk mendeteksi pupil mata. Untuk tahap pengujian, dilakukan eksperimen
dengan empat skenario berbeda. Hasil penelitian berhasil membuktikan pendapat
psikologi tentang hubungan berbohong dengan arah tatapan mata. Tingkat akurasi
skenario umum dan jujur adalah 67,1% dan 61,54%. Sedangkan tingkat akurasi
skenario bohong spontan dan bohong terencana adalah 56,56% dan 54,88%.
Kata Kunci : Kebohongan, Viola-Jones, Hough Transform, Matlab
Daftar Pustaka : 35 (18 Buku + 13 Jurnal/Skripsi + 4 Referensi Internet)
Jumlah Halaman : VI BAB + 96 Halaman
ix UIN Syarif Hidayatullah Jakarta
DAFTAR ISI
HALAMAN JUDUL .................................................................................................. i
HALAMAN PERSETUJUAN .................................................................................... ii
HALAMAN PENGESAHAN ..................................................................................... iii
PERNYATAAN ORISINALITAS.............................................................................. iv
PERNYATAAN PERSETUJUAN PUBLIKASI SKRIPSI ......................................... v
KATA PENGANTAR ................................................................................................ vi
ABSTRAK ................................................................................................................. viii
DAFTAR ISI .............................................................................................................. ix
DAFTAR TABEL ...................................................................................................... xiii
DAFTAR GAMBAR .................................................................................................. xiv
DAFTAR LAMPIRAN ............................................................................................... xvi
BAB I PENDAHULUAN ........................................................................................... 1
1.1 Latar Belakang ................................................................................................. 1
1.2 Rumusan Masalah ............................................................................................ 5
1.3 Batasan Masalah .............................................................................................. 5
1.4 Manfaat Penelitian ........................................................................................... 5
1.4.1 Bagi Peneliti..................................................................................................... 6
1.4.2 Bagi Pembaca .................................................................................................. 6
1.4.3 Bagi Universitas ............................................................................................... 6
1.4.4 Bagi Umum ...................................................................................................... 6
1.5 Tujuan Penelitian ............................................................................................. 6
1.6 Metode Penelitian ............................................................................................ 6
1.6.1 Studi Kepustakaan............................................................................................ 7
1.6.2 Studi Lapangan ................................................................................................ 7
1.6.3 Studi Literatur .................................................................................................. 7
1.7 Sistematika Penulisan ....................................................................................... 7
x UIN Syarif Hidayatullah Jakarta
BAB II LANDASAN TEORI ..................................................................................... 9
2.1 Kebohongan ..................................................................................................... 9
2.1.1 Pengertian Kebohongan ................................................................................... 9
2.1.2 Kebohongan Spontan dan Terencana ................................................................ 9
2.1.3 Motif Berbohong .............................................................................................. 10
2.2 Kejujuran ......................................................................................................... 11
2.3 Mata ................................................................................................................. 11
2.3.1 Pupil ................................................................................................................ 12
2.3.2 Kornea ............................................................................................................. 13
2.3.3 Iris ................................................................................................................... 13
2.3.4 Retina .............................................................................................................. 13
2.3.5 Lensa Mata ...................................................................................................... 13
2.3.6 Akomodasi Otot ............................................................................................... 13
2.3.7 Bintik Kuning .................................................................................................. 14
2.3.8 Bintik Buta ....................................................................................................... 14
2.3.9 Syaraf Optik ..................................................................................................... 14
2.3.10 Aqueus Humor ................................................................................................ 14
2.3.11 Virtreous Humor ............................................................................................. 14
2.3.12 Sklera .............................................................................................................. 14
2.4 Citra Digital .................................................................................................... 15
2.5 Pengolahan Citra ............................................................................................. 16
2.5.1 Akuisisi Citra .................................................................................................. 17
2.5.2 Konversi Jenis Citra ........................................................................................ 18
2.5.3 Ekstraksi Fitur ................................................................................................. 18
2.5.4 Klasifikasi ....................................................................................................... 19
2.6 Deteksi ............................................................................................................ 19
2.6.1 Deteksi Wajah ................................................................................................. 20
2.7 Viola-Jones ..................................................................................................... 20
2.7.1 Proses Haar-Like Feature .............................................................................. 21
xi UIN Syarif Hidayatullah Jakarta
2.7.2 Proses Integral Image ..................................................................................... 22
2.7.3 Proses AdaBoost Machine Learning ............................................................... 23
2.7.4 Proses Cascade Classifier .............................................................................. 23
2.8 Hough Transform ............................................................................................ 24
2.9 Matlab ............................................................................................................. 26
2.10 Webcam ........................................................................................................ 26
2.11 Pengambilan Sampel menurut Gay dan Diehl .................................................. 27
2.12 Metode Penelitian ........................................................................................... 27
2.13 Studi Literatur Sejenis ..................................................................................... 28
BAB III METODOLOGI PENELITIAN .................................................................... 32
3.1 Metode Pengumpulan Data ............................................................................. 32
3.1.1 Studi Kepustakaan ........................................................................................... 32
3.1.2 Studi Literatur ................................................................................................. 33
3.1.3 Studi Lapangan ............................................................................................... 36
3.2 Alur Kerangka Berfikir ................................................................................... 37
BAB IV IMPLEMENTASI DAN EKSPERIMEN ...................................................... 40
4.1 Tools Eksperimen ............................................................................................ 40
4.1.1 Gambaran Umum Deteksi Kebohongan........................................................... 40
4.1.2 Analisis Kebutuhan ......................................................................................... 41
4.1.3 Deteksi Wajah ................................................................................................. 43
4.1.3.1 Preprosessing .................................................................................................. 43
4.1.3.2 Deteksi Ciri Wajah .......................................................................................... 43
4.1.4 Deteksi Mata ................................................................................................... 50
4.1.4.1 Deteksi Ciri Mata ............................................................................................ 50
4.1.4.2 Deteksi Ciri Pupil ............................................................................................ 52
4.1.5 Penentuan Arah Tatapan Mata ......................................................................... 53
4.2 Pelaksanaan Eksperimen ................................................................................. 54
BAB V HASIL DAN PEMBAHASAN ...................................................................... 56
5.1 Implementasi Hasil Eksperimen ....................................................................... 56
xii UIN Syarif Hidayatullah Jakarta
5.2 Proses Pelaksanaan Eksperimen ....................................................................... 57
5.3 Verifikasi dan Validasi ..................................................................................... 59
5.3.1 Pertanyaan Skenario Umum ............................................................................. 59
5.3.2 Pertanyaan Skenario Jujur ................................................................................ 60
5.3.3 Pertanyaan Skenario Bohong Spontan .............................................................. 62
5.3.4 Pertanyaan Skenario Bohong Terencana ........................................................... 64
5.3.5 Analisis Total ................................................................................................... 67
BAB VI PENUTUP .................................................................................................... 69
6.1 Kesimpulan ...................................................................................................... 69
6.2 Saran ................................................................................................................ 70
DAFTAR PUSTAKA ................................................................................................. 71
LAMPIRAN ............................................................................................................... 74
xiii UIN Syarif Hidayatullah Jakarta
DAFTAR TABEL
Tabel 3.1 Studi Literatur ............................................................................................ 33
Tabel 5.1 Kategori Pertanyaan Umum ....................................................................... 59
Tabel 5.2 Kategori Pertanyaan Jujur .......................................................................... 61
Tabel 5.3 Kategori Pertanyaan Bohong Spontan ........................................................ 63
Tabel 5.4 Kategori Pertanyaan Bohong Terencana ..................................................... 65
Tabel 5.5 Analisis Total ............................................................................................. 67
xiv UIN Syarif Hidayatullah Jakarta
DAFTAR GAMBAR
Gambar 2.1 Organ Mata............................................................................................. 12
Gambar 2.2 Koordinat Citra Digital ........................................................................... 15
Gambar 2.3 Citra Burung Nuri ................................................................................... 17
Gambar 2.4 Skema Proses Deteksi Wajah dengan Viola-Jones ................................. 21
Gambar 2.5 Jenis-Jenis Fitur ..................................................................................... 21
Gambar 2.6 Arah Perhitungan Integral Image ........................................................... 22
Gambar 2.7 Integral Image........................................................................................ 22
Gambar 2.8 Area W dan B ........................................................................................ 23
Gambar 2.9 Alur Cascade Classifier ......................................................................... 24
Gambar 2.10 Proses Penumpukan Vote ...................................................................... 25
Gambar 2.11 Proses Mendeteksi Tepi Lingkaran ....................................................... 26
Gambar 2.12 Logo Matlab ........................................................................................ 26
Gambar 2.13 Webcam ............................................................................................... 27
Gambar 3.1 Kerangka Berpikir ................................................................................ 38
Gambar 4.1 Flowchart Aplikasi ............................................................................... 42
Gambar 4.2 Tahapan Metode Viola-Jones ................................................................ 44
Gambar 4.3 Fitur yang berisi beberapa pixel ............................................................ 44
Gambar 4.4 Contoh 1 Mencari Integral Image .......................................................... 45
Gambar 4.5 Hasil Contoh 1 ...................................................................................... 45
Gambar 4.6 Contoh 2 Mencari Integral Image .......................................................... 45
Gambar 4.7 Hasil Contoh 2 ...................................................................................... 46
Gambar 4.8 Image dan Integral Image ..................................................................... 46
Gambar 4.9 Image dalam Command Window MATLAB.......................................... 47
Gambar 4.10 Integral Image dalam Command Window MATLAB ............................. 47
Gambar 4.11 Fitur dengan Integral Image ................................................................. 48
Gambar 4.12 Contoh Proses Fitur Kedua .................................................................. 49
xv UIN Syarif Hidayatullah Jakarta
Gambar 4.13 Deteksi Wajah ..................................................................................... 50
Gambar 4.14 Subimage Pertama ............................................................................... 50
Gambar 4.15 Deteksi Mata........................................................................................ 51
Gambar 4.16 Mendeteksi Tiap Titik .......................................................................... 52
Gambar 4.17 Pupil Terdeteksi .................................................................................... 52
Gambar 4.18 Subimage Kedua ................................................................................... 52
Gambar 4.19 Tampilan Lurus .................................................................................... 53
Gambar 4.20 Tampilan Kiri ....................................................................................... 54
Gambar 4.21 Tampilan Kanan ................................................................................... 54
Gambar 4.22 Tampilan Tidak Ada Wajah Terdeteksi ................................................. 54
Gambar 5.1 Implementasi Hasil Eksperimen ............................................................ 56
Gambar 5.2 Pelaksanaan Eksperimen Skenario Bohong Spontan ............................. 57
Gambar 5.3 Tampilan Tools Eksperimen.................................................................. 58
Gambar 5.4 Diagram Skenario Pertanyaan Umum ................................................... 60
Gambar 5.5 Diagram Skenario Pertanyaan Jujur ...................................................... 62
Gambar 5.6 Diagram Skenario Pertanyaan Bohong Spontan .................................... 64
Gambar 5.7 Diagram Skenario Pertanyaan Bohong Terencana ................................. 66
Gambar 5.8 Diagram Kategori Jujur......................................................................... 67
Gambar 5.9 Diagram Kategori Bohong .................................................................... 67
Gambar 7. Pelaksanaan Eksperimen ....................................................................... 80
xvi UIN Syarif Hidayatullah Jakarta
DAFTAR LAMPIRAN
Lampiran 1. Penulisan Kode ....................................................................................... 74
Lampiran 2. Daftar Pertanyaan ................................................................................... 78
Lampiran 3. Pelaksanaan Eksperimen ......................................................................... 79
1 UIN Syarif Hidayatullah Jakarta
BAB I
PENDAHULUAN
1.1 Latar Belakang
Kebohongan (juga disebut kepalsuan) adalah jenis penipuan dalam bentuk
pernyataan yang tidak benar, terutama dengan maksud untuk menipu orang lain,
seringkali dengan niat lebih lanjut untuk menjaga rahasia atau reputasi, perasaan
melindungi seseorang atau untuk menghindari hukuman atau tolakan untuk satu
tindakan. (Eric, 2007)
Rasulullah menegaskan haramnya berdusta dan menjadi salah satu tanda
orang munafik dalam hadits dan surah berikut :
خان ؤتمن واذا أخلف وعد واذا كذب حدث اذا : ثالث المنافق اية
“Pertanda orang yang munafiq ada tiga: apabila berbicara bohong, apabila
berjanji mengingkari janjinya dan apabila dipercaya berbuat khianat” (Hadits
riwayat Bukhari dan Muslim).
ذبون ٱلكذب ٱلذين ل يؤمنون ب إنما يفتري ئك هم ٱلك وأول ت ٱلل اي
“Sesungguhnya yang mengada-adakan kebohongan, hanyalah orang-orang yang
tidak beriman kepada ayat-ayat Allah, dan mereka itulah orang-orang
pendusta”(Q.S.An-Nahl:105)
Orang Islam yang berdusta atau melakukan kebohongan adalah orang-orang yang
tidak beriman kepada Allah SWT.
ماوات وما في الرض ويعلم ما في الس على ك قل إن تخفوا ما في صدوركم أو تبدوه يعلمه للا ل وللا
شيء قدير
“Katakanlah: jika kalian menyembunyikan apa yang ada di dalam dada kalian,
atau kalian menampakkannya, maka Allah mengetahui semua itu. Allah
mengetahui apa yang ada di langit dan apa yang ada di bumi. Dan Allah maha
kuasa atas segala sesuatu” (QS. Al Imran: 29).
2
UIN Syarif Hidayatullah Jakarta
Berdasarkan hasil penelitian, ketika kita berbicara dengan seseorang rata-
rata kita berbicara tentang kebohongan setiap 10 menit. Bahkan bisa lebih ketika
kita berbicara dgn orang tua. (Latifa, 2011)
Terdapat beberapa pedoman sederhana untuk mendeteksi kebohongan :
a. Mata adalah yang paling jujur
b. Apabila seseorang berkata bahwa ia sedang merasakan sesuatu namun
tidak menunjukkan emosi apapun maka anda tidak mempercayainya
c. Apabila seseorang menyatakan emosi negatif dan menunjukkan senyuman,
mungkin anda mempercayai ucapannya atau senyumannya
d. Apabila seseorang tidak mengatakan apapun namun mengekpresikannya
pada wajah, anda mempercayai wajahnya, terutama apabila ia
menyangkalnya dalam perkataan. (Abdul, 2010)
Dari hal yang dikemukakan diatas, ternyata juga terdapat hubungan antara
kebohongan dan tanda-tanda fisik manusia. Seperti yang dikatakan Mark Bouton,
seorang agen FBI selama 30 tahun dalam bukunya “How to Spot Lies Like the
FBI” dan John J. Webster dalam bukunya “Instant Fact: How To Get The Truth
Out of Anyone!” :
“When a person thinks, he accesses different parts of his brain depending
upon the information that is being accessed. This process can be observed
watching the eyes. For right-handed people, visual memories are accessed
by the eyes going up and to the left. For a left-handed person, it’s the
reverse: the eyes go up and to the right. When a right-handed person seeks
to create an image or fact, his eyes go up and to right. And the reverse is
true for the left-handed person. You can use this technique in any
conversation to determine if the person is creating or recalling
information. Simply watch his eyes and you’ll know whether he’s recalling
an event that’s already occurred or making up a story about something
that has never happened”
(Ketika seseorang berpikir, dia mengakses bagian-bagian berbeda dari
otaknya tergantung pada informasi yang sedang diakses. Proses ini bisa
3
UIN Syarif Hidayatullah Jakarta
diamati dengan mengawasi mata. Untuk orang yang menggunakan tangan
kanan, memori visual diakses oleh mata yang naik dan ke kiri. Untuk
orang yang kidal, sebaliknya: mata naik dan ke kanan. Ketika orang yang
kidal berusaha mengada-ada gambar atau fakta, matanya naik dan ke
kanan. Dan sebaliknya berlaku untuk orang kidal. Anda dapat
menggunakan teknik ini dalam percakapan apa pun untuk menentukan
apakah orang tersebut mengada-ada atau mengingat informasi. Cukup
amati matanya dan Anda akan tahu apakah ia mengingat peristiwa yang
sudah terjadi atau mengarang cerita tentang sesuatu yang belum pernah
terjadi)
Salah satu penelitian sejenis dalam konteks teknologi adalah Perancangan
Pendeteksian Kebohongan Melalui Perubahan Diameter Pupil Mata Dengan
Teknik Thresholding yang ditulis oleh Abdul Jabbar Lubis pada tahun 2010.
Sistem yang dapat mengetahui perubahan diameter pupil mata seseorang yang
akan dianalisa untuk mengetahui kebohongan yang dilakukan oleh seseorang.
Proses yang dilakukan meliputi penerangan mata oleh sumber cahaya infra merah
agar pupil mata dapat ditangkap oleh kamera secara online. Dari kamera
disambungkan ke PC menggunakan bantuan bahasa VB untuk proses selanjutnya.
Melalui proses thresholding, pupil mata akan dipisahkan dari bagian mata
yang lain dan dihitung luas kemudian dihitung diameter pupil. Dari hasil
perhitungan diameter pupil mata, dibuat grafik perubahan diameter pupil mata
terhadap waktu. Dari grafik perubahan diameter pupil mata terhadap waktu dapat
dianalisa dan ditentukan apakah seseorang berbohong atau tidak. Penentuan
berbohong tidaknya seseorang dengan memberikan suatu range batas tertentu,
yaitu bila grafik perubahan diameter pupil mata melewati garis batas tersebut
seseorang dinyatakan telah berbohong. Hasil uji coba menunjukkan keberhasilan
dalam mendeteksi orang yang berbohong sebesar 74.44 %, Orang yang berbohong
terdeteksi jujur sebesar 25.55 %, Orang jujur yang terdeteksi berbohong sebesar
57.27 %, dan orang jujur yang terdeteksi jujur sebesar 42.72 %.
4
UIN Syarif Hidayatullah Jakarta
Sedangkan salah satu penelitian psikologi yaitu Eye Movements and Other
Cues to the False Answers of “Witnesses” to Crimes yang ditulis oleh Jeffrey J.
Walczyk, dkk pada tahun 2012. Penelitian ini mendeteksi kebohongan dengan
cara psikologi. Ada empat parameter yang diteliti yaitu: waktu respon, jawaban
konsisten, pergerakan mata yang cepat, dan ukuran pupil. Melakukan eksperimen
dengan partisipan diminta untuk jadi saksi. Menonton video kriminal hanya sekali
lalu diminta untuk menjawab pertanyaan. Ada tiga skenario dalam eksperimen ini
yaitu: bohong terencana, bohong tidak terencana dan jujur.
Dalam penelitian ini konteks teknologi dan psikologi digabungkan untuk
mendeteksi kebohongan melalui tatapan mata. Sesuai dengan metode yang
digunakan di empat penelitian sejenis, digunakan Viola-Jones sebagai metode
pendeteksi bagian tubuh, yaitu wajah dan mata, serta menggunakan Hough
Transform sebagai metode untuk mendeteksi pupil mata. Selain itu yang
membedakan penelitian ini dengan penelitian sebelumnya adalah parameter
hubungan kebohongan dengan sikap/gesture tubuh. Parameter yang digunakan
dalam penelitian ini adalah arah tatapan mata.
Metode Viola-Jones merupakan salah satu metode pendeteksian objek
yang cukup populer, yang dapat memberikan hasil dengan tingkat keakuratan
yang cukup tinggi yaitu sekitar 93,7% dan dengan kecepatan 15 kali lebih cepat
daripada detektor Rowley Baluja-Kanade dan kurang lebih 600 kali lebih cepat
daripada detektor Schneiderman-Kanade. Metode ini, diusulkan oleh Paul Viola
dan Michael Jones pada tahun 2001 (Andrianus, 2014). Sedangkan Hough
Transform adalah suatu metode untuk mendeteksi garis, lingkaran , atau bentuk
lainya. (McAndrew, 2004).
Dalam penelitian ini, sebelum diberikan pertanyaan partisipan diberikan
sebuah video kriminal yang menampilkan rekaman CCTV pencurian sepeda
motor dan dibagi menjadi dua kategori yang menjalankan empat skenario
berbeda. Kategori pertama partisipan harus memberikan kesaksian jujur karena
partisipan merupakan saksi mata dan Kategori kedua partisipan harus berbohong
karena pelaku kriminal mengancam partisipan jika memberikan keterangan jujur
5
UIN Syarif Hidayatullah Jakarta
pada kepolisian. Penelitian dilakukan di lingkungan kampus Universitas Islam
Negeri Syarif Hidayatullah Jakarta.
Berdasarkan latar belakang diatas, maka dilakukan penelitian dengan judul
“Analisis Deteksi Kebohongan Melalui Arah Tatapan Mata Menggunakan
Metode Viola-Jones”.
1.2 Rumusan Masalah
Berdasarkan latar belakang masalah yang dibahas sebelumnya maka dapat
diambil rumusan masalah “Bagaimana menganalisis deteksi kebohongan melalui
arah tatapan mata dengan menggunakan metode Viola-Jones?”
1.3 Batasan Masalah
Untuk mendapatkan gambaran yang jelas tentang yang disampaikan agar
tidak keluar dari masalah yang telah dibahas, maka diberikan batasan masalah,
yaitu pada:
1. Penelitian ini menggunakan buku “How to Spot Lies Like the FBI” milik
Mark Bouton dan “Instant Fact: How To Get The Truth Out of Anyone!”
milik John J. Webster sebagai pedoman hubungan kebohongan dengan
arah tatapan mata.
2. Tools eksperimen ini menggunakan input webcam.
3. Tools eksperimen ini menggunakan parameter arah tatapan mata.
4. Objek penelitian adalah 30 orang mahasiswa Teknik Informatika UIN
Syarif Hidayatullah Jakarta.
5. Untuk mendeteksi wajah dan mata digunakan metode Viola-Jones.
6. Untuk mendeteksi pupil digunakan metode Hough Transform.
7. Tools eksperimen ini dibuat menggunakan tools Matlab R2015a. Dan
menggunakan VLC player untuk merekam proses.
1.4 Manfaat Penelitian
Hasil dari penelitian ini diharapkan dapat memberikan manfaat bagi
berbagai kalangan yaitu :
6
UIN Syarif Hidayatullah Jakarta
1.4.1 Manfaat bagi peneliti
Berikut manfaat penelitian bagi peneliti :
1. Menambah wawasan tentang deteksi kebohongan.
2. Memahami metode Viola Jones dan Hough Transform.
3. Memahami konsep dari pembuatan sistem menggunakan Matlab.
1.4.2 Manfaat bagi pembaca
Manfaat penelitian bagi pembaca adalah mengetahui informasi tentang
kebohongan dan cara mendeteksinya.
1.4.3 Manfaat bagi universitas
Manfaat penelitian bagi universitas adalah menambah arsip universitas
tentang penelitian skripsi mengenai pembuatan sistem dengan Matlab dan deteksi
kebohongan.
1.4.4 Manfaat bagi umum
Berikut manfaat penelitian bagi masyarakat umum :
1. Pembuktian metode deteksi kebohongan dengan cara menganalisis arah
tatapan mata.
2. Penelitian mengenai pembuatan sistem dengan Matlab ini dapat menjadi
referensi pembelajaran untuk peneliti berikutnya.
1.5 Tujuan Penelitian
Tujuan dari penelitian ini adalah menganalisis deteksi kebohongan melalui
arah tatapan mata dengan menggunakan metode Viola-Jones.
1.6 Metode Penelitian
Metode penelitian sangat diperlukan untuk mendapatkan bukti kebenaran
suatu konsep dan teori yang diperoleh serta untuk menemukan dan menguji suatu
pengetahuan. Metode penelitian yang digunakan dalam pembuatan sistem adalah
sebagai berikut:
7
UIN Syarif Hidayatullah Jakarta
1.6.1 Studi Kepustakaan
Digunakan 18 Buku, 13 Jurnal/Skripsi dan 4 Referensi Internet dalam
studi kepustakaan.
1.6.2 Studi Lapangan
Dilakukan eksperimen dan observasi. Eksperimen dilakukan dengan 30
orang partisipan.
1.6.3 Studi Literatur
Lima penelitian berbasis teknologi dan dua penelitian berbasis psikologi.
1.7 Sistematika Penulisan
Tugas ini terdiri dari enam bab yang disusun dengan materi pembahasan
yang saling berhubungan dengan sistematika sebagai berikut:
BAB I PENDAHULUAN
Bab ini menjelaskan tentang masalah yang menjadi dasar pelaksanaan penelitian
ini yang berisikan latar belakang, rumusan masalah, batasan masalah. Bab ini juga
menjabarkan tentang maksud dan tujuan penelitian, manfaat penelitian,
metodologi penelitian, dan sistematika penulisan yang merupakan gambaran
menyeluruh dari penelitian ini.
BAB II LANDASAN TEORI
Bab ini menguraikan konsep dan teori dasar materi yang terkait dan digunakan
selama penelitian dan yang digunakan untuk membantu menyusun laporan dalam
penelitian ini.
BAB III METODOLOGI PENELITIAN
Bab ini menjabarkan tentang metode penelitian yang digunakan yaitu metodologi
pengumpulan data dan metodologi pengembangan sistem.
BAB IV IMPLEMENTASI EKSPERIMEN
Bagian ini akan menjelaskan penyelesaian permasalahan yang ada menggunakan
metodologi yang dipilih.
BAB V HASIL DAN PEMBAHASAN
Bagian ini akan menjelaskan penyelesaian permasalahan yang ada menggunakan
metodologi yang dipilih.
8
UIN Syarif Hidayatullah Jakarta
BAB VI KESIMPULAN DAN SARAN
Kesimpulan merupakan pernyataan singkat dan tepat yang dijabarkan dari hasil
penelitian. Saran dibuat berdasarkan pengalaman dan pertimbangan, ditujukan
kepada para peneliti dalam bidang sejenis, yang ingin melanjutkan, atau
mengembangkan penelitian yang sudah diselesaikan.
9 UIN Syarif Hidayatullah Jakarta
BAB II
LANDASAN TEORI
2.1 Kebohongan
2.1.1 Pengertian kebohongan
Kebohongan (juga disebut kepalsuan) adalah jenis penipuan dalam bentuk
pernyataan yang tidak benar, terutama dengan maksud untuk menipu orang lain,
seringkali dengan niat lebih lanjut untuk menjaga rahasia atau reputasi, perasaan
melindungi seseorang atau untuk menghindari hukuman atau tolakan untuk satu
tindakan. Berbohong adalah menyatakan sesuatu yang yang tahu tidak benar atau
bahwa orang tidak jujur yakini benar dengan maksud bahwa seseorang akan
membawanya untuk kebenaran. Seorang pembohong adalah orang yang
berbohong, yang sebelumnya telah berbohong, atau yang cenderung oleh alam
untuk berbohong berulang kali, bahkan ketika tidak diperlukan.
Berbohong biasanya digunakan untuk merujuk kepada penipuan dalam
komunikasi lisan atau tertulis. Bentuk lain dari penipuan, seperti penyamaran
atau pemalsuan, biasanya tidak dianggap sebagai kebohongan, meskipun maksud
yang mendasarinya mungkin sama. Namun, bahkan pernyataan yang sebenarnya
dapat digunakan untuk menipu. Dalam situasi ini, itu adalah maksud yang
keseluruhan berbohong daripada kebenaran pernyataan dari setiap individu yang
dianggap kebohongan. (Erik, 2007)
2.1.2 Kebohongan Spontan dan Terencana
Berbohong tidak selalu spontan. Terkadang orang memiliki kesempatan
untuk mempersiapkan kebohongan mereka sebelumnya. Kebohongan yang
terencana lebih sulit dideteksi daripada kebohongan spontan. Pembohong spontan
tahu pertanyaan macam apa yang akan ditanyakan maka dari itu mempersiapkan
diri mereka sendiri. (Rosenfeld, 2018)
10
UIN Syarif Hidayatullah Jakarta
Misalnya, banyak tersangka yang bersalah akan menyadari kemungkinan
bahwa polisi akan mewawancarai tentang kejahatan mereka. Karena itu mereka
bisa menyiapkan jawaban pada pertanyaan ini jauh sebelumnya. Berbohong
mungkin tidak terlalu sulit situasi ini, ketika polisi bertanya tentang kejahatan
mereka, tersangka bersalah yang dipersiapkan dengan baik akan memberikan
jawaban yang telah mereka persiapkan sebelumnya.
Penelitian menemukan bahwa orang-orang yang berbohong secara
direncanakan merespons lebih cepat daripada orang yang jujur. Selain itu, orang-
orang yang menceritakan kebohongan yang direncanakan biasanya lebih sedikit
menggerakan kaki, anggukan kepala afirmatif, dan menganggukkan kepala
daripada orang yang menceritakan kejujuran. (Greene, O’Hair, Cody, & Yen,
1985).
2.1.3 Motif Berbohong
Banyak penelitian menunjukkan bahwa perilaku berbohong adalah hal
biasa yang terjadi sehari-hari. Jika dirata-rata, orang berbohong sekitar 2 kali
sehari atau dalam seperempat interaksinya dengan orang lain. Individu cenderung
sedikit berbohong pada individu lain yang secara emosional dianggap dekat.
Hanya sekitar 1 kebohongan dalam 10 interaksi sosial yang dilakukan dengan
pasangan, misalnya. (Rena, 2011)
Individu berbohong untuk berbagai alasan. Pertama, berbohong dalam
rangka membuat kesan positif terhadap orang lain atau untuk melindungi dirinya
dari rasa malu atau penolakan dari individu lain. Kedua, individu berbohong
dalam rangka mendapatkan keuntungan. Ketiga, berbohong dilakukan untuk
menghindari hukuman. Ketiga jenis bohong ini dapat dikategorikan sebagai self-
oriented yakni bertujuan agar pelakunya tampak tampil lebih baik di hadapan
orang lain dan untuk memperoleh keuntungan pribadi.
Keempat, ada jenis orang yang berbohong untuk keuntungan orang lain,
untuk membuat orang lain jadi tampak lebih baik atau melindungi orang lain,
disebut sebagai other-oriented lie. Individu yang melakukan tipe bohong seperti
11
UIN Syarif Hidayatullah Jakarta
ini biasanya adalah individu yang sudah merasa dekat dan memiliki keterlibatan
emosional dengan orang yang dilindunginya tersebut.
Kelima, yakni jenis ‘social lies’, dimana perilaku berbohong yang tampil
adalah untuk tujuan memelihara hubungan sosial. Tipe berbohong ini didasari
pemikiran bahwa dalam setiap relasi sosial, percakapan akan terkesan kaku dan
cenderung membuat pelaku interaksi menjadi tidak nyaman dan merasa terganggu
manakala saling mengutarakan kejujuran satu sama lain. (Vrij, 2001)
2.2 Kejujuran
Kejujuran menurut Kamus Besar Bahasa Indonesia berasal dari kata
‘jujur’ yang mendapat imbuhan ke-an, yang artinya ‘lurus hati, tidak berbohong,
tidak curang, tulus atau ikhlas’.
Kejujuran adalah sifat yang melekat dalam diri seseorang dan merupakan
hal penting untuk dilakukan dalam kehidupan sehari-hari. Menurut Tabrani
Rusyan, arti jujur dalam bahasa Arab merupakan terjemahan dari kata shidiq yang
artinya benar, dapat dipercaya. Dengan kata lain, jujur adalah perkataan dan
perbuatan sesuai dengan kebenaran. Jujur merupakan induk dari sifat-sifat terpuji.
Jujur juga disebut dengan benar, memberikan sesuatu yang benar atau sesuai
dengan kenyataan. (Rusyan, 2006)
2.3 Mata
Mata adalah organ penglihatan yang mendeteksi cahaya. Mata merupakan
salah satu organ tubuh yang sangat penting. Cara kerja mata yang sederhana salah
satunya adalah hanya untuk mengetahui apakah lingkungan sekitarnya adalah
terang atau gelap. Sedangkan Fungsi mata yang lebih kompleks dipergunakan
untuk memberikan pengertian visual. (Staf Departemen Ilmu Kesehatan Mata
Fakultas Kedokteran UNAIR, 2013)
12
UIN Syarif Hidayatullah Jakarta
Gambar 2.1 Organ Mata
Bagian-bagian mata adalah sebagai berikut (Ilyas, 1988) :
1. Pupil
Pupil (L.pupilla, pupa-boneka) adalah bagian mata yang berupa sebuah
lubang kecil yang berfungsi mengatur jumlah cahaya yang masuk ke bola mata.
Besar kecilnya pupil diatur oleh iris.
Cahaya dari luar akan pertama kali diterima kornea, kemudian cahaya
akan diteruskan ke pupil. Pupil menentukan kuantitas cahaya yang masuk ke
bagian mata yang lebih dalam. Pupil bekerja pada saat menerima cahaya. Pupil
mata akan melebar jika kondisi ruangan yang gelap, dan akan menyempit jika
kondisi ruangan terang. Lebar pupil dipengaruhi oleh selaput pelangi di
sekelilingnya. Selaput pelangi berfungsi sebagai diafragma. Selaput pelangi inilah
terlihat sebagai bagian yang berwarna pada mata. Dari pupil, cahaya diteruskan ke
lensa mata menerima cahaya dari pupil dan meneruskannya pada retina.
Mekanisme kerja pupil membantu mata agar dapat menerima cahaya dalam
jumlah tepat. Ukuran pupil dipengaruhi oleh sinar, rangsangan psikis dan obat.
13
UIN Syarif Hidayatullah Jakarta
2. Kornea
Kornea (korneos) adalah bagian mata yang terletak di lapisan paling luar.
Bagian ini berupa selaput bening yang bersifat tembus pandang (transparan). Sifat
kornea ini membuat cahaya dapat masuk ke dalam sel-sel penerima cahaya di
bagian dalam bola mata. Selain berfungsi melindungi mata dari benda-benda
asing dari luar, kornea juga berfungsi dalam melakukan refraksi di lensa mata.
3. Iris
Iris adalah bagian mata yang berfungsi mengatur besar kecilnya pupil.
Bagian ini jugalah yang memberi warna pada mata. Sebagai contoh, orang Asia
memiliki mata dengan warna hitam hingga coklat, dan lain sebagainya.
4. Retina
Retina adalah bagian mata berupa lapisan tipis sel yang terletak di bagian
belakang bola mata. Bagian ini berfungsi menangkap bayangan yang dibentuk
lensa mata kemudian mengubahnya menyadi sinyal syaraf. Retina merupakan
bagian mata yang sangat sensitif cahaya karena ia memiliki 2 sel fotoreseptor,
yaitu rods dan cones.
5. Lensa Mata
Lensa mata adalah bagian mata yang berfungsi membentuk sebuah
gambar. Gambar yang dibentuk lensa mata kemudian diteruskan untuk kemudian
diterima retina. Lensa mata dapat menipis atau menebal sesuai dengan jarak mata
dengan benda yang dilihatnya. Saat jarak benda terlalu dekat, lensa mata akan
menipis, sedangkan saat jarak benda terlalu jauh, lensa mata akan menebal.
6. Akomodasi Otot
Mekanisme menebal dan menipisnya lensa mata dapat terjadi akibat
adanya fungsi akomodasi otot lensa. Otot ini bekerja mendorong dan menarik
lensa mata sehingga dapat menebal dan menipis.
14
UIN Syarif Hidayatullah Jakarta
7. Bintik Kuning
Bintik kuning adalah bagian mata yang paling sensitif terhadap cahaya.
Saat bayangan benda jatuh pada bagian mata ini, benda tersebut akan sangat
terlihat jelas, sementara jika bayangan benda jatuh sebelum atau sesudah bintik
kuning, maka benda tersebut tidak terlihat jelas (lamur).
8. Bintik Buta
Bintik buta atau blind spot adalah bagian mata yang tidak sensitif terhadap
cahaya. Jika bayangan benda jatuh tepat pada bagian ini, maka benda tidak dapat
terlihat oleh mata.
9. Syaraf Optik
Syaraf optik adalah bagian mata yang berfungsi meneruskan informasi
bayangan benda yang diterima retina menuji otak. Melalui saraf inilah sebetulnya
kita dapat menentukan bagaimana bentuk suatu benda yang kita lihat. Jika syaraf
optik ini rusak, itu berarti kita tidak dapat melihat alias buta.
10. Aqueus Humor
Aqueus humor adalah cairan yang menyerupai plasma berlendir
transparandengan konsentrasi protein yang rendah. Aqueous humor diproduksi
oleh silia tubuh dan berfungsi sebagai struktur pendukung lensa.
11. Vitreous Humor
Vitreous humor atau juga disebut badan vitreous adalah semacam gel yang
berfungsi mengisi ruang antara retina dan lensa.
12. Sklera
Sklera adalah bagian dinding putih mata. Bagian ini memiliki ketebalan
rata-rata sekitar 1 mm, akan tetapi ia juga dapat menebal hingga 3 mm karena
adanya otot irensi.
15
UIN Syarif Hidayatullah Jakarta
2.4 Citra Digital
Citra atau gambar atau image merupakan suatu yang menggambarkan
objek dan biasanya dalam bentuk dua dimensi. Citra merupakan suatu representasi
kemiripan dari suatu objek atau benda. Citra digital didefinisikan sebagai
representasi diskrit dari data spasial (tata letak) dan intensitas (warna) informasi.
Citra digital merupakan citra yang telah disimpan dalam bentuk file
sehingga dapat diolah dengan menggunakan komputer. Pengolahan citra digital
adalah istilah umum untuk berbagai macam teknik yang ada untuk memanipulasi
dan memodifikasi citra dalam berbagai cara.
Gambar 2.2 Koordinat Citra Digital
Menurut Kadir & Susanto (2013), terdapat tiga jenis citra yang umum digunakan
dalam pemrosesan citra, yaitu:
1. Citra Berwarna
Citra berwarna, atau biasa dinamakan citra RGB, merupakan jenis citra
yang menyajikan warna dalam bentuk komponen R (merah), G (hijau), B
(biru). Setiap komponen warna menggunakan delapan bit (nilainya
berkisar antara 0 sampai dengan 255). Dengan demikian, kemungkinan
warna yang dapat disajikan mencapai 255 x 255 x 255 atau 16.581.375
warna.
16
UIN Syarif Hidayatullah Jakarta
2. Citra Berskala Keabuan (Grayscale)
Citra jenis ini menangani gradasi warna hitam dan putih, yang
menghasilkan efek warna abu-abu. Pada jenis gambar ini, warna
dinyatakan dengan intensitas yang berkisar antara 0 sampai 255. Nilai 0
menyatakan hitam dan nilai 255 menyatakan putih.
3. Citra Biner
Citra biner adalah citra digital yang hanya memiliki dua kemungkinan
nilai pixel yaitu hitam dan putih (yaitu nilai 0 dan 1). Nilai 0 menyatakan
warna hitam dan nilai 1 menyatakan warna putih. Oleh karena itu, citra
biner juga disebut sebagai citra B&W (black and white) atau citra
monokrom.
2.5 Pengolahan Citra
Pengolahan citra adalah pemrosesan citra (gambar), khususnya dengan
menggunakan komputer, menjadi citra yang kualitasnya lebih baik. Agar citra
yang mengalami gangguan mudah diinterpretasi (baik oleh manusia maupun
mesin), maka citra tersebut perlu dimanipulasi menjadi citra lain yang kualitasnya
lebih baik. Bidang studi yang menyangkut hal ini adalah pengolahan citra (image
processing).
Sebagai contoh, citra burung nuri pada Gambar 2.3 (a) tampak agak gelap,
lalu dengan operasi pengolahan citra kontrasnya diperbaiki sehingga menjadi
lebih terang dan tajam (b).
17
UIN Syarif Hidayatullah Jakarta
(a) (b)
Gambar 2.3 Citra Burung Nuri
2.5.1 Akuisisi Citra
Akuisisi citra merupakan langkah awal dalam mendapatkan citra digital.
Tujuannya ialah untuk menentukan data yang dibutuhkan seorang peneliti serta
memilih metode perekaman citra digital. Diawali dengan mempersiapkan
beberapa objek penelitian, alat-alat pendukung apa saja yang akan digunakan,
jarak dan waktu pengambilan citra, mengatur sumber pencahayaan yang baik dan
hingga melakukan pencitraan. Pencitraan adalah suatu aktivitas
mentransformasikan citra nyata (berupa gambar, foto, lukisan, pemandangan dan
lainnya) menjadi citra digital. Contoh alat yang dimanfaatkan untuk pencitraan
antara lain:
a. Video kamera (handycam)
b. Kamera digital
c. Scanner
d. Foto sinar-X
18
UIN Syarif Hidayatullah Jakarta
2.5.2 Konversi Jenis Citra
Citra berwarna seringkali harus dikonversi ke dalam bentuk citra berskala
keabuan mengingat banyak pemrosesan citra yang bekerja pada skala keabuan.
(Kadir, 2013)
Secara umum, citra berwarna dapat dikonversi ke citra berskala keabuan
dengan menjumlahkan seluruh nilai R (nilai komponen merah), G (nilai
komponen hijau) dan B (nilai komponen biru). Kemudian dibagi 3, sehingga
diperoleh nilai rata-rata dari R G B. Nilai rata-rata itulah yang dapat dikatakan
sebagai grayscale (keabuan).
2.5.3 Ekstraksi Fitur
Ekstraksi fitur (feature extraction) merupakan bagian fundamental dari
analisis citra. Fitur adalah karakteristik unik dari suatu objek (Putra, 2010). Fitur-
fitur suatu objek mempunyai peran penting untuk berbagai aplikasi berikut :
1. Pencarian citra: Fitur dipakai untuk mencari objek-objek tertentu yang
berada di dalam database.
2. Penyederhanaan dan hampiran bentuk: Bentuk objek dapat dinyatakan
dengan representasi yang lebih ringkas.
3. Pengenalan dan klasifikasi: Sejumlah fitur dipakai untuk menentukan jenis
objek.
Untuk kepentingan aplikasi yang telah disebutkan, fitur hendaknya
memenuhi sifat-sifat penting berikut :
1. Teridentifikasi: Fitur berupa nilai yang dapat digunakan untuk
membedakan antara suatu objek dengan objek lain. Jika kedua fitur
tersebut didampingkan, dapat ditemukan perbedaan hakiki. Hal ini sama
seperti kalau dilakukan oleh manusia secara visual.
2. Tidak dipengaruhi oleh translasi, rotasi, dan penyekalaan: Dua objek sama
tetapi berbeda dalam lokasi, arah pemutaran, dan ukuran tetap dideteksi
sama.
19
UIN Syarif Hidayatullah Jakarta
3. Tidak bergantung pada affine: Affine adalah transformasi linear yang
menyertakan penyekalaan, pemutaran, penggeseran, dan shearing
(pembengkokan). Idealnya, efek affine tidak memengaruhi fitur.
4. Tahan terhadap derau: Fitur mempunyai sifat andal terhadap derau atau
cacat data.
5. Tidak bergantung pada tumpang-tindih: Apabila objek sedikit tertutupi
oleh objek lain, fitur bernilai sama dengan kalau objek itu terpisah.
6. Tidak bergantung secara statistik: Dua fitur harus tidak bergantung satu
dengan yang lain secara statistik.
2.5.4 Klasifikasi
Klasifikasi merupakan suatu metode untuk mengelompokkan sebuah objek
ke dalam kelompok atau kelas tertentu. Berbagai kasus yang berkaitan dengan
pengelompokan objek dapat diselesaikan lebih mudah dengan menerapkan teknik-
teknik klasifikasi.
Klasifikasi data terdiri dari 2 langkah proses. Pertama adalah learning
(fase training), dimana algoritma klasifikasi dibuat untuk menganalisa data
training lalu direpresentasikan dalam bentuk rule klasifikasi. Proses kedua adalah
klasifikasi, dimana data tes digunakan untuk memperkirakan akurasi dari rule
klasifikasi.
2.6 Deteksi
Deteksi adalah suatu proses untuk memeriksa atau melakukan
pemeriksaan terhadap sesuatu dengan menggunakan cara dan teknik tertentu.
Deteksi dapat digunakan untuk berbagai masalah, misalnya dalam sistem
pendeteksi suatu penyakit, dimana sistem mengidentifikasi masalah-masalah yang
berhubungan dengan penyakit yang biasa disebut gejala. Tujuan dari deteksi
adalah memecahkan suatu masalah dengan berbagai cara tergantung metode yang
diterapkan sehingga menghasilkan sebuah solusi. (Umam, 2016)
20
UIN Syarif Hidayatullah Jakarta
2.6.1 Deteksi Wajah
Pendeteksian wajah (face detection) adalah salah satu tahap awal yang
sangat penting sebelum dilakukan proses pengenalan wajah (face recognition).
Bidang-bidang penelitian yang berkaitan dengan pemrosesan wajah (face
processing) adalah (Putro, 2012) :
1. Pengenalan wajah (face recognition) yaitu membandingkan citra wajah
masukan dengan suatu database wajah dan menemukan wajah yang
paling cocok dengan citra masukan tersebut.
2. Autentikasi wajah (face authentication) yaitu menguji
keaslian/kesamaan suatu wajah dengan data wajah yang telah
diinputkan sebelumnya.
3. Lokalisasi wajah (face localization) yaitu pendeteksian wajah namun
dengan asumsi hanya ada satu wajah di dalam citra.
4. Penjejakan wajah (face tracking) yaitu memperkirakan lokasi suatu
wajah di dalam video secara real time.
5. Pengenalan ekspresi wajah (facial expression recognition) untuk
mengenali kondisi emosi manusia.
2.7 Viola Jones
Metode Viola-Jones merupakan salah satu metode pendeteksian objek
yang cukup populer, yang dapat memberikan hasil dengan tingkat keakuratan
yang cukup tinggi yaitu sekitar 93,7% dan dengan kecepatan 15 kali lebih cepat
daripada detektor Rowley Baluja-Kanade dan kurang lebih 600 kali lebih cepat
daripada detektor Schneiderman-Kanade. Metode ini, diusulkan oleh Paul Viola
dan Michael Jones pada tahun 2001, dengan menggabungkan empat kunci utama
untuk mendeteksi suatu objek, yaitu (Andrianus, 2014) :
1. Haar-Like Feature
2. Integral Image
3. Metode AdaBoost
4. Cascade classifier
21
UIN Syarif Hidayatullah Jakarta
Gambar 2.4 Skema proses deteksi wajah dengan Viola-Jones
2.7.1 Proses Haar-Like Feature
Haar-Like Feature digunakan dalam mendeteksi objek pada image digital.
Penggunaan fitur (Feature) dilakukan karena pemrosesan fitur berlangsung lebih
cepat dibandingkan pemrosesan citra perpixel. Terdapat empat jenis fitur
berdasarkan jumlah persegi panjang yang terdapat di dalamnya, seperti yang dapat
dilihat pada gambar 2.5 :
Gambar 2.5 Jenis-jenis Fitur
Persegi pada Haar like feature dapat dihitung secara cepat menggunakan
“integral image”. Integral image digunakan untuk menentukan ada atau tidaknya
dari ratusan fitur Haar pada sebuah gambar dan pada skala yang berbeda secara
efisien. Misalkan untuk gambar bergerak (video), perhitungan dan penjumlahan
pixel terjadi secara terus menerus dan membutuhkan waktu yang lama. Oleh
karena itu, pixel diubah menjadi integral sehingga didapatkan hasil lebih cepat.
22
UIN Syarif Hidayatullah Jakarta
2.7.2 Proses Integral Image
A. Perhitungan Integral Image
Integral Image berfungsi untuk mengekstrak nilai feature dari image
dengan jauh lebih cepat dan efisien. Pada umumnya, pengintegrasian tersebut
menambahkan pixel-pixel secara bersamaan. Dimulai dari kiri atas sampai kanan
bawah, keseluruhan gambar itu dapat dijumlahkan dengan beberapa operasi
bilangan bulat per pixel.
Gambar 2.6 Arah Perhitungan Integral Image
Cara menghitung nilai integral image adalah :
s(x,y) = i(x,y) + s(x,y-1) + s(x-1,y) – s(x-1,y-1)……………………….……(1)
dengan keterangan :
s(x,y) = nilai hasil penjumlahan dari tiap-tiap pixel
i(x,y) = nilai intensitas diperoleh dari nilai pixel dari citra masukan
s(x-1,y) = nilai pixel pada sumbu x
s(x,y-1) = nilai pixel pada sumbu y
s(x-1,y-1) = nilai pixel diagonal
Contoh integral image dapat dilihat pada Gambar 2.7 :
Gambar 2.7 Integral Image
B. Perhitungan Nilai Fitur dengan Integral Image
Dengan mendapatkan nilai dari integral image maka setiap fitur Haar
diproses dan didapatkan perbedaan nilai (threshold) yang menandakan daerah
23
UIN Syarif Hidayatullah Jakarta
putih dan hitam. Cara menghitung nilai dari fitur (F) ini adalah mengurangkan
nilai pixel pada area putih (W) dengan pixel pada area hitam (B).
F = W – B …………………………………………………………………..………………....(2)
Gambar 2.8 Area W dan B
2.7.3 Proses AdaBoost
AdaBoost merupakan salah satu algoritma boosting yang berfungsi untuk
melakukan pemilihan fitur-fitur dalam jumlah banyak dengan hanya memilih
fitur-fitur tertentu. Hal ini dilakukan dengan mengevaluasi setiap fitur terhadap
citra yang masuk dengan menggunakan nilai dari fitur tersebut. Pada tahap ini
digunakan perbedaan nilai fitur yang dicari menggunakan rumus (2). Jika nilai
perbedaannya itu diatas nilai ambang atau treshold, maka dapat dikatakan bahwa
fitur tersebut ada. Jika nilai tidak diatas nilai ambang maka fitur dibuang (tidak
dipakai lagi) untuk mempercepat deteksi.
2.7.4 Proses Cascade Classifier
Cascade classifier adalah sebuah metode untuk mengkombinasikan
classifier yang kompleks dalam sebuah struktur bertingkat yang dapat
meningkatkan kecepatan pendeteksian obyek dengan memfokuskan pada daerah
citra yang berpeluang saja. Klasifikasi pada algoritma ini terdiri dari beberapa
tingkatan dimana tiap tingkatan mengeluarkan subcitra yang diyakini bukan
wajah. Hal ini dilakukan karena lebih mudah untuk menilai subcitra tersebut
bukan wajah ketimbang menilai apakah subcitra tersebut berisi wajah.
24
UIN Syarif Hidayatullah Jakarta
Gambar 2.9 Alur Cascade Classifier
Gambar 2.9 menggambarkan bentuk alur kerja dari cascade classifier.
Pada klasifikasi tingkat pertama, tiap subwindow akan diklasifikasi menggunakan
beberapa fitur yang lolos dari proses Adaboost. Hasil dari klasifikasi pertama ini
berupa T (True) untuk gambar yang memenuhi fitur Haar tertentu dan F (False)
bila tidak. Proses ini terus berlanjut sampai wajah ditemukan.
2.8 Hough Transform
Hough Transform adalah suatu metode untuk mendeteksi garis, lingkaran
atau bentuk lainya. Hough Transform diperkenalkan oleh Paul Hough pada tahun
1962. Dasar dari Hough transform adalah transformasi garis, yang mana
digunakan untuk mencari garis lurus pada citra biner. Hough Transform telah
dikembangkan untuk mendeteksi bentuk-bentuk umum dalam citra seperti
lingkaran, elips dan parabola. Konsep dasar dari Hough Transform adalah terdapat
garis dan kurva potensial yang tak terhitung jumlahnya pada suatu citra yang
melalui titik mana saja pada berbagai ukuran dan orientasi. Transformasi
dilakukan untuk menemukan garis dan kurva yang melewati banyak titik-titik di
dalam citra, yaitu garis dan kurva yang terdekat dan paling sesuai dengan data
pada matriks citra. (McAndrew, 2004)
Mendeteksi Lingkaran
Hough Transform dapat juga digunakan untuk mendeteksi bentuk
lingkaran di dalam citra tepi. Persamaan lingkaran yang berpusat di titik (a, b)
dengan jari-jari r adalah
(x - a)2 + ( y - b)2 = r 2 …………………………………………………………………..…..(3)
25
UIN Syarif Hidayatullah Jakarta
Jadi, ruang parameter untuk lingkaran adalah r–a–b , sehingga matriks trimatra
P(r, a, b) dibutuhkan untuk menyimpan perhitungan vote.
Gambar 2.10 Proses penumpukan vote
Persamaan polar untuk setiap titik (x, y) di lingkaran:
x = a + r cos …………………………………………………………………..……………..(4)
y = b + r sin …………………………………………………………………..……….…..(5)
Persamaan (4) dan (5) dapat ditulis menjadi persamaan :
a = x – r cos ………………………………………………………………..……………….(6)
b = y – r sin …………………………………………………………………..………….....(7)
Pada operasi deteksi tepi, selain magnitudo pixel tepi, juga dihasilkan arah
tepi, . Karena itu, cos dan sin dapat dihitung. Misalkan (xi, yi) adalah pixel
tepi dan adalah arah tepi. Titik pusat lingkaran (a,b), yang mempunyai panjang
titik pusat koordinat ke tepi lingkaran = R dan melalui titik (xi,yi) dapat dihitung
dengan persamaan :
a = xi – R cos …………………………………………………………………..…………..(8)
b = yi – R sin …………………………………………………………………..……………(9)
Proses ini diulangi untuk pixel-pixel tepi yang lain dengan = 0 hingga 360 .
26
UIN Syarif Hidayatullah Jakarta
Gambar 2.11 Proses mendeteksi tepi lingkaran
2.9 Matlab
Matlab atau yang kita sebut dengan Matrix Laboratory adalah sebuah
bahasa dengan kinerja tinggi untuk komputasi masalah teknik. Matlab
mengintegrasikan komputasi, visualisasi, dan pemrograman dalam suatu model
yang sangat mudah untuk pakai dimana masalah-masalah dan penyelesaiannya
diekspresikan dalam notasi matematika yang familiar.
Gambar 2.12 Logo Matlab
2.10 Webcam
Webcam alias ‘web camera’ merupakan perangkat yang berupa sebuah
kamera digital yang dihubungkan ke komputer atau laptop. Layaknya kamera
pada umumnya, sebuah webcam dapat mengirimkan gambar-gambar
secara live dari manapun ia berada ke seluruh penjuru dunia dengan bantuan
internet. Awal kemunculannya, webcam ini masih merupakan barang mahal. Tapi,
seiring dengan kemajuan teknologi, sudah banyak laptop yang layarnya telah
dilengkapi oleh webcam. Untuk komputer, jarang ada yang
secara default dilengkapi dengan webcam, pemilik komputer harus membelinya
terlebih dahulu secara terpisah.
27
UIN Syarif Hidayatullah Jakarta
Gambar 2.13 Webcam
2.11 Pengambilan Sampel menurut Gay dan Diehl
Gay dan Diehl (1992) berpendapat bahwa sampel haruslah sebesar-
besarnya. Pendapat Gay dan Diehl (1992) ini mengasumsikan bahwa semakin
banyak sampel yang diambil maka akan semakin representatif dan hasilnya dapat
digenelisir. Namun ukuran sampel yang diterima akan sangat bergantung pada
jenis penelitiannya.
Ada empat sampel minimum menurut jenis penelitian, yaitu (Gay dan
Diehl, 1992) :
1. Jika penelitiannya bersifat deskriptif, maka sampel minimumnya adalah
10% dari populasi
2. Jika penelitianya korelasional, sampel minimunya adalah 30 subjek
3. Apabila penelitian kausal perbandingan, sampelnya sebanyak 30 subjek
per grup
4. Apabila penelitian eksperimental, sampel minimumnya adalah 15 subjek
per grup
2.12 Metode Penelitian
Metode penelitian sangat diperlukan untuk mendapatkan bukti kebenaran
suatu konsep dan teori yang diperoleh serta untuk menemukan dan menguji suatu
pengetahuan. Metode penelitian yang digunakan dalam pembuatan deteksi
kebohongan adalah sebagai berikut:
28
UIN Syarif Hidayatullah Jakarta
1. Studi Kepustakaan
Mencari dan mengumpulkan data / referensi dari berbagai jurnal penelitian
dan buku-buku ilmiah yang dapat digali dan dipelajari sebagai landasan dan
kerangka acuan dalam melaksanakan penelitian. (Moh. Kasiram, 2012)
2. Studi Lapangan
Mengumpulkan data dengan terjun langsung kelapangan dengan metode :
A. Wawancara
Wawancara merupakan pertemuan dua orang untuk bertukar informasi dan
ide melalui tanya jawab, sehingga dapat dikontruksikan makna dalam suatu topik
tertentu. (Sugiyono, 2013).
B. Observasi
Observasi merupakan suatu proses yang kompleks, suatu proses yang
tersusun dari berbagai proses biologis dan psikologis. Dua di antara yang
terpenting adalah proses-proses pengamatan dan ingatan. (Sugiyono, 2013).
3. Studi Literatur
A. Penelitian Sejenis
Salah satu kegiatan yang dilakukan untuk menganalisa perbandungan
antara penelitian yang sudah pernah dibuat sebelumnya dengan peneliti yang
dibuat oleh sebagai landasan dan kerangka acuan dalam melaksanakan penelitian.
(Moh. Kasiram, 2012)
B. Internet
Mencari data dengan cara browsing dan mengambil informasi yang ada di
internet dari website lokal tentang topik yang dibahas di atas sehingga dapat
dijadikan data tambahan yang berguna dan membantu dalam melaksanakan
penelitian. (Arie, 2012)
2.13 Studi Literatur Sejenis
Pada studi literatur sejenis, telah dikumpulkan 7 penelitian sejenis berupa
jurnal penelitian yang berasal dari penulusuran online. Jurnal-jurnal tersebut
dipilih berdasar persamaan proses, metode dan tools. Pada sub bab ini dipaparkan
29
UIN Syarif Hidayatullah Jakarta
kelebihan dan kekurangan dari 7 penelitian tersebut untuk dijadikan bahan
pertimbangan dan acuan dalam penelitian.
Literatur teknologi pertama yaitu Pelacakan dan Deteksi Wajah
Menggunakan Video Langsung pada Webcam yang ditulis oleh Dhanar Intan
Surya Saputra dkk pada tahun 2017. Dalam penelitian ini dilakukan pendeteksian
wajah manusia melalui video langsung seperti video yang terdapat pada
Webcam/CCTV menggunakan Matlab, sedangkan untuk metodenya sendiri
menggunakan metode Viola-Jones. Setelah dilakukan berbagi pengujian dapat
disimpulkan bahwa penelitian ini menghasilkan sebuah aplikasi Deteksi Wajah
yang bisa mendeteksi wajah lebih dari 9 orang dalam jarak 300 cm dan jarak
terjauh yang dapat terdikteksi mencapai 600 cm pada pencahayaan yang bagus
sedangkan untuk kondisi gelap hanya mampu pada jarak 100 cm.
Yang kedua Perancangan Pendeteksian Kebohongan Melalui Perubahan
Diameter Pupil Mata Dengan Teknik Thresholding yang ditulis oleh Abdul Jabbar
Lubis pada tahun 2010. Sistem yang dapat mengetahui perubahan diameter pupil
mata seseorang yang akan dianalisa untuk mengetahui kebohongan yang
dilakukan oleh seseorang. Proses yang dilakukan meliputi penerangan mata oleh
sumber cahaya infra merah agar pupil mata dapat ditangkap oleh kamera secara
online. Dari kamera disambungkan ke PC menggunakan bantuan bahasa VB
untuk proses selanjutnya. Melalui proses thresholding, pupil mata akan dipisahkan
dari bagian mata yang lain dan dihitung luas kemudian dihitung diameter pupil.
Dari hasil perhitungan diameter pupil mata, dibuat grafik perubahan diameter
pupil mata terhadap waktu. Dari grafik perubahan diameter pupil mata terhadap
waktu dapat dianalisa dan ditentukan apakah seseorang berbohong atau tidak.
Penentuan berbohong tidaknya seseorang dengan memberikan suatu range batas
tertentu, yaitu bila grafik perubahan diameter pupil mata melewati garis batas
tersebut seseorang dinyatakan telah berbohong. Hasil uji coba menunjukkan
keberhasilan dalam mendeteksi orang yang berbohong sebesar 74.44 %, Orang
yang berbohong terdeteksi jujur sebesar 25.55 %, Orang jujur yang terdeteksi
berbohong sebesar 57.27 % dan orang jujur yang terdeteksi jujur sebesar 42.72 %.
30
UIN Syarif Hidayatullah Jakarta
Yang ketiga Eye Location and Eye State Detection in Facial Images Using
Circular Hough Transform yang ditulis oleh Omer Faruk S¨oylemez dan Burhan
Ergen pada tahun 2013. Dalam penelitian ini, sistem pendeteksi keadaan mata
menggunakan Circular Hough Transform (CHT). Mulanya, gambar wajah dan
mata diekstrak dari gambar gray-level yang diberikan. Setelah beberapa langkah
preprocessing, keberadaan struktur iris melingkar dicari dalam gambar mata yang
diekstraksi menggunakan CHT. Keberadaan lingkaran iris struktur dicari dalam
gambar mata dengan bantuan Circular Hough Transform. Mata dikatakan terbuka
jika iris bisa diidentifikasi sebagai lingkaran.
Yang keempat Sistem Deteksi Wajah dengan Menggunaka Metode Viola-
Jones yang ditulis oleh M. Dwisnanto Putro pada tahun 2012. Penelitian ini
berisikan tentang suatu sistem deteksi wajah pada manusia dengan menggunakan
metode Viola-Jones. Data yang digunakan pada penelitian ini berupa sampel
gambar yang diambil dari internet secara acak sebanyak 30 citra yang terdiri atas
22 citra manusia dan 8 citra hewan. Dalam penelitian ini ditampilkan gambar-
gambar yang terdeteksi sebagai wajah dan tidak terdeteksi sebagai wajah. Hasil
penelitian ini mendapatkan nilai akurasi sistem deteksi wajah sebesar 90,9%.
Hasil lain yang didapatkan adalah posisi wajah yang tegak/tidak tegak
menentukan keberhasilan deteksi wajah tersebut.
Literatur teknologi terakhir yaitu Driver’s Drowsiness Detection Using
Circular Hough Transform and Iris Visibility Ratio Analysis yang ditulis oleh
Sruthy. R. pada tahun 2014. Penelitian ini menyajikan sistem yang pendeteksi
kelelahan bagi pengemudi. Pendeteksi kelelahan bagi pengemudi berguna untuk
mencegah situasi berbahaya yang disebabkan oleh kurangnya perhatian
pengemudi. Penelitian ini terdiri dari empat langkah yaitu: Deteksi wajah, deteksi
mata, deteksi iris dan deteksi kantuk. Hasil eksperimen menunjukkan bahwa
metode yang diusulkan memberikan tingkat deteksi yang tinggi.
Literatur psikologi pertama yaitu Eye Movements and Other Cues to the
False Answers of “Witnesses” to Crimes yang ditulis oleh Jeffrey J. Walczyk, dkk
pada tahun 2012. Penelitian ini mendeteksi kebohongan dengan cara psikologi.
Ada empat parameter yang diteliti yaitu: waktu respon, jawaban konsisten,
31
UIN Syarif Hidayatullah Jakarta
pergerakan mata yang cepat, dan ukuran pupil. Melakukan eksperimen dengan
partisipan diminta untuk jadi saksi. Menonton video kriminal hanya sekali lalu
diminta untuk menjawab pertanyaan. Ada tiga skenario dalam eksperimen ini
yaitu: bohong terencana, bohong tidak terencana dan jujur.
Literatur psikologi terakhir yaitu Cognitive Lie Detection: Response Time
and Consistency of Answers as Cues to Deception yang ditulis oleh Jeffrey J.
Walczyk, dkk pada tahun 2009. Tujuan dari penelitian ini adalah untuk menguji
metode deteksi kebohongan yang menggunakan waktu respon dan inkonsistensi di
seluruh jawaban sebagai petunjuk untuk penipuan. Melakukan eksperimen dengan
partisipan duduk didepan penanya dengan microphone. Diminta untuk menjawab
pertanyaan umum.
Dari lima penelitian berbasis teknologi dan dua berbasis psikologi
tersebut, ditarik garis besar sistem yang akan dibuat menggunakan metode Viola-
Jones untuk mendeteksi wajah dan Hough Transform untuk mendeteksi pupil
mata. Digunakan tools Matlab R2015a dalam membuat aplikasi.
32 UIN Syarif Hidayatullah Jakarta
BAB III
METODOLOGI PENELITIAN
3.1 Metode Pengumpulan Data
Metode penelitian sangat diperlukan untuk mendapatkan bukti kebenaran
suatu konsep dan teori yang diperoleh serta untuk menemukan dan menguji suatu
pengetahuan. Metode penelitian yang digunakan dalam pembuatan sistem adalah
sebagai berikut:
3.1.1 Studi Kepustakaan
Mencari dan mengumpulkan data / referensi dari 35 sumber, yaitu 18
buku, 13 jurnal / skripsi dan 4 referensi internet yang relevan dengan topik yang
akan dibahas.
Buku yang dijadikan sebagai pedoman penelitian ini adalah “How to Spot
Lies Like the FBI” yang ditulis oleh Mark Bouton dan “Instant Fact: How To Get
The Truth Out of Anyone!” yang ditulis oleh John J. Webster. Kedua buku
tersebut menjelaskan hubungan kebohongan dengan beberapa gesture, tindakan
dan ucapan. Kesimpulan dari dua buku tersebut tentang hubungan berbohong
dengan arah tatapan mata adalah ketika seseorang berpikir, maka dia mengakses
bagian-bagian berbeda dari otaknya tergantung pada informasi yang sedang
diakses. Proses ini bisa diamati dengan mengawasi mata. Kita bisa menggunakan
teknik ini untuk menentukan apakah orang tersebut mengada-ada atau mengingat
informasi. Cukup amati matanya dan kita akan tahu apakah ia mengingat
peristiwa yang sudah terjadi atau mengarang cerita tentang sesuatu yang belum
pernah terjadi. Untuk orang yang menggunakan tangan kanan, memori visual
diakses oleh mata yang naik dan ke kiri. Untuk orang yang kidal, sebaliknya: mata
naik dan ke kanan. Ketika orang yang kidal berusaha mengada-ada gambar atau
fakta, matanya naik dan ke kanan. Dan sebaliknya berlaku untuk orang kidal.
3.1.2 Studi Literatur
Beberapa penelitian sejenis yang berkaitan dengan penelitian ini dipaparkan dalam tabel berikut:
Tabel 3.1 Studi Literatur
No Judul Proses Metode Tools Kelebihan Kekurangan
1
Pelacakan dan Deteksi Wajah
Menggunakan Video Langsung pada
Webcam.
(Dhanar Intan Surya Saputra, Wahyu
Septi Anjar, Kurnia Aswin Nuzul
Ramadhan dan Riki Aji Pamungkas,
2017)
Menggunakan
metode Viola-
Jones untuk
mendeteksi wajah
pada webcam
secara real-time.
Viola-
Jones
Matlab
R2016a
Bisa mendeteksi
wajah secara real-
time.
Hanya bisa
menangkap objek
sampai 600 meter
saja.
2
Perancangan Pendeteksian
Kebohongan Melalui Perubahan
Diameter Pupil Mata Dengan Teknik
Thresholding.
(Abdul Jabbar Lubis, 2010)
Menggunakan
hardware untuk
mendeteksi pupil.
Thresholdi
ng
Webcam,L
ampu
LED
Berhasil
mendeteksi
kebohongan
sebesar 74.44%
Tidak
menggunakan
algoritma untuk
mendeteksi mata
33
UIN
Syarif H
idayatu
llah
Jakarta
No Judul Proses Metode Tools Kelebihan Kekurangan
3
Eye Location and Eye State Detection
in Facial
Images Using Circular Hough
Transform
(Omer Faruk S¨oylemez dan Burhan
Ergen, 2013)
Menggunakan
Viola-Jones untuk
deteksi mata. Dan
Circular Hough
Transform, untuk
menemukan pupil.
Hough
Transform,
Viola-
Jones
Matlab
R2010a
Berhasil
menggabungkan
Viola-Jones dan
Hough Transform
untuk mendeteksi
lokasi mata.
Hanya
mendeteksi lokasi
mata.
4
Sistem Deteksi Wajah dengan
Menggunakan
Metode Viola-Jones
(M. Dwisnanto Putro, 2012)
Menggunakan
metode Viola-
Jones untuk
mendeteksi wajah.
Viola-
Jones
Matlab
R2010a
dan
Opencv
2.2.
Akurasi deteksi
wajah sebesar
90.9%
Belum bisa real-
time
5
Driver’s Drowsiness Detection Using
Circular
Hough Transform and Iris Visibility
Ratio
Analysis
(Sruthy. R, 2014)
Menggunakan
Viola-Jones dan
Hough Transform
untuk mendeteksi
kantuk.
Viola-
Jones,
Hough
Transform
IR
Illuminati
on
Camera
Berhasil
mendeteksi
kantuk.
Tidak
menjelaskan tools
apa yang
digunakan.
34
UIN
Syarif H
idayatu
llah
Jakarta
No Judul Proses Metode Tools Kelebihan Kekurangan
6
Eye Movements and Other Cues to the
False Answers
of “Witnesses” to Crimes
(Jeffrey J. Walczyk, Diana A. Griffith,
Rachel Yates, Shelley R. Visconte,
Byron Simoneaux dan Laura L.
Harris, 2012)
Menggunakan
video untuk objek
mendeteksi
kebohongan
melalui gerakan
mata.
Mengguna
kan
statistika
Berhasil
mendeteksi
kebohongan
melalui gerakan
mata.
Masih
menggunakan
teknik manual.
7
Cognitive Lie Detection: Response
Time and Consistency of Answers as
Cues to Deception
(Jeffrey J. Walczyk, Kevin T.
Mahoney, Dennis Doverspike, Diana
A. Griffith, 2009)
Mendeteksi
kebohongan
melalui waktu
respon.
Mengguna
kan
statistika
Berhasil
mendeteksi
kebohongan
melalui waktu
respon.
Masih
menggunakan
teknik manual.
Dari lima penelitian berbasis teknologi dan dua berbasis psikologi tersebut, ditarik garis besar tools eksperimen yang
akan dibuat menggunakan metode Viola-Jones untuk mendeteksi wajah dan Hough Transform untuk mendeteksi pupil mata.
Digunakan tools Matlab R2015a dalam membuat tools eksperimen.
35
UIN
Syarif H
idayatu
llah
Jakarta
36
UIN Syarif Hidayatullah Jakarta
3.1.3 Studi Lapangan
Mengumpulkan data dengan terjun langsung kelapangan dengan
mengadakan Observasi. Metode observasi yang dilakukan adalah dengan cara
melakukan pengamatan langsung pada saat eksperimen. Eksperimen yang
dilakukan adalah membuktikan pendapat Mark Bouton, John J. Webster dan
beberapa jurnal psikologi tentang kebohongan dan arah lirikan mata dengan
menggunakan Matlab.
1. Perancangan Tools eksperimen
Tools eksperimen dibuat menggunakan Matlab 2015a. Tools eksperimen
memiliki 3 subimage dalam satu figure. Subimage pertama menampilkan video
wajah partisipan yang telah diubah menjadi grayscale (keabuan) dan dideteksi
secara real-time. Subimage kedua menampilkan mata yang telah dideteksi dengan
mengambil video mata yang paling besar dan jelas dari sepasang mata. Mata kiri
ataupun kanan yang berhasil dideteksi dipotong dari subimage pertama untuk
ditampilkan di subimage kedua. Dalam subimage kedua ini juga ditampilkan
lingkaran pupil yang telah dideteksi.
Jika partisipan melirik kearah kiri maka tools eksperimen akan
menampilkan keterangan berupa gambar dengan tulisan ‘kiri-mengingat’. Jika
partisipan melirik kearah kanan maka tools eksperimen akan menampilkan
keterangan ‘kanan-berbohong’. Jika mata terdeteksi berada di tengah, maka
subimage ketiga akan menampilkan gambar dengan tulisan ‘lurus’. Namun jika
mata dan wajah tidak terdeteksi, maka subimage ketiga akan menampilkan
gambar dengan tulisan ‘tidak ada wajah terdeteksi’.
2. Perencanaan Eksperimen
Partisipan berjumlah 30 orang, dimana pengambilan sampel dilakukan
secara random. Eksperimen dilakukan dari tanggal 30 Mei sampai dengan 20
Agustus 2018. Eksperimen dilakukan dengan dua kategori yaitu jujur dan bohong.
Kategori jujur diberi dua skenario yaitu umum dan jujur. Sedangkan kategori
bohong diberi dua skenario yaitu bohong terencana dan bohong spontan. Jadi
setiap partisipan diberi masing-masing empat skenario yaitu umum, jujur,
37
UIN Syarif Hidayatullah Jakarta
kebohongan terencana dan kebohongan spontan. Pengambilan sampel partisipan
sesuai dengan pendapat Gay dan Diehl (1992) tentang penelitian eksperimental,
sampel minimumnya adalah 15 subjek per kategori. Karena ada dua kategori yaitu
jujur dan bohong, maka sampel yang digunakan adalah 30 orang.
Pada kategori jujur, pertama partisipan diberi beberapa pertanyaan umum
seputar keseharian partisipan. Kedua partisipan harus memberikan kesaksian jujur
karena partisipan merupakan saksi mata dalam skenario jujur. Kategori bohong
terbagi menjadi dua skenario yaitu spontan dan terencana. Dalam skenario bohong
spontan, partisipan menjawab bohong saat diberikan pertanyaan tanpa
perencanaan sebelumnya. Sedangkan skenario bohong terencana, setelah
diberikan beberapa pertanyaan partisipan diberikan waktu 5 menit untuk berpikir
sebelum menjawab pertanyaan.
Sebelum diberikan pertanyaan, partisipan diberikan video kriminal yang
menampilkan rekaman CCTV pencurian sepeda motor. Lalu partisipan duduk
didepan sebuah laptop yang telah dilengkapi dengan webcam dan menjawab
pertanyaan yang diajukan. Tools eksperimen mendeteksi arah tatapan mata
partisipan. Disaat tools eksperimen dijalankan, layar direkam menggunakan VLC
Player untuk dianalisis.
3.2 Alur Kerangka Berpikir
Kerangka pemikiran menjelaskan tahap demi tahap yang dilakukan dalam
penelitian. Berikut merupakan kerangka penelitian yang digunakan:
38
UIN Syarif Hidayatullah Jakarta
Mulai
Identifikasi Masalah
Studi Pustaka
18 Buku, 13 Jurnal/
Skripsi dan 4 Referensi
Internet
Analisis Image
Processing
Preprocessing
Akuisisi dan
Konversi Citra
Deteksi Wajah
dan Mata
Pelaksanaan Eksperimen
30 Partisipan dengan 4 Skenario
Verifikasi dan Validasi
Menganalisis hasil eksperimen
Kesimpulan dan Saran
Selesai
Gambar
Wajah/Bukan
Wajah
Haar-Like Feature
Cascade Classifier Adaboost
Integral Image
Ekstrak Nilai Fitur
Klasifikasi
Metode Viola-Jones
Gambar 3.1 Kerangka Berpikir
39
UIN Syarif Hidayatullah Jakarta
Dimulai dari mengidentifikasi masalah. Lalu mencari dan mengumpulkan
data / referensi dari 35 sumber. Yaitu 18 Buku, 13 Jurnal/Skripsi dan 4 Referensi
Internet yang relevan dengan topik yang akan dibahas. Lalu membuat tools
eksperimen menggunakan Matlab R2015a yang apabila partisipan melirik kearah
kiri dan lurus maka tools eksperimen akan menampilkan keterangan berupa
gambar. Bila partisipan melirik kearah kiri atau pandangan tetap lurus, maka tools
eksperimen akan menampilkan keterangan ‘sedang mengingat’. Jika partisipan
melirik kearah kanan maka tools eksperimen akan menampilkan keterangan
‘berbohong’. Lalu mengumpulkan data dengan terjun langsung kelapangan
dengan mengadakan Observasi dengan cara melakukan pengamatan langsung
pada saat eksperimen. Eksperimen yang dilakukan adalah membuktikan pendapat
Mark Bouton, John J. Webster dan beberapa jurnal psikologi tentang kebohongan
dan arah lirikan mata dengan menggunakan Matlab. Setelah dilakukan
pengambilan data maka dilakukan analisis yaitu mengukur tingkat ke akuratan
metode Viola-Jones dan tools eksperimen pendeteksi kebohongan menggunakan
matlab, dan apakah pendapat Mark Bouton, John J. Webster dan beberapa jurnal
psikologi tentang kebohongan dan arah lirikan mata terbukti.
40
UIN Syarif Hidayatullah Jakarta
BAB IV
IMPLEMENTASI EKSPERIMEN
Sesuai dengan tujuan dari penelitian ini yaitu menganalisis deteksi
kebohongan melalui arah tatapan mata dengan menggunakan metode Viola-Jones,
maka untuk melakukan eksperimen dan menganalisis arah tatapan mata
diperlukan tools eksperimen deteksi kebohongan melalui arah tatapan mata. Tools
eksperimen dibuat dengan menggunakan Matlab R2015a dengan fitur dapat
mendeteksi wajah, mata, pupil dan memberikan keterangan sesuai dengan arah
tatapan mata.
4.1 Tools Eksperimen
4.1.1 Gambaran Umum Deteksi Kebohongan
Tools eksperimen ini memiliki 3 subimage dalam satu figure. Subimage
pertama menampilkan video wajah partisipan yang telah diubah menjadi
grayscale (keabuan) dan dideteksi secara real-time. Subimage kedua
menampilkan mata yang telah dideteksi dengan mengambil video mata yang
paling besar dan jelas dari sepasang mata. Mata kiri ataupun kanan yang berhasil
dideteksi dipotong dari subimage pertama untuk ditampilkan di subimage kedua.
Dalam subimage kedua ini juga ditampilkan lingkaran pupil yang telah dideteksi.
Lalu menghitung jarak dari bagian kiri mata ke pupil dan juga bagian
kanan mata ke pupil. Apabila jarak kanan ke tengah lebih banyak maka mata
melirik ke kiri. Jika jarak kiri ke tengah lebih banyak maka mata melirik ke kanan.
Jika partisipan melirik kearah kiri maka tools eksperimen akan
menampilkan keterangan berupa gambar dengan tulisan ‘kiri-mengingat’. Jika
partisipan melirik kearah kanan maka tools eksperimen akan menampilkan
keterangan ‘kanan-berbohong’. Jika mata terdeteksi berada di tengah, maka
subimage ketiga akan menampilkan gambar dengan tulisan ‘lurus’. Namun jika
mata dan wajah tidak terdeteksi, maka subimage ketiga akan menampilkan
gambar dengan tulisan ‘tidak ada wajah terdeteksi’.
41
UIN Syarif Hidayatullah Jakarta
4.1.2 Analisis Kebutuhan
Perancangan tools eksperimen ini harus memenuhi syarat-syarat yang
meliputi kelengkapan data, software, dan hardware. Kelengkapan yang digunakan
untuk perancangan tools eksperimen ini adalah:
1. Data:
a. Pendapat psikologi tentang kebohongan dari arah tatapan mata
b. Gambar keterangan berbohong, sedang mengingat, lurus dan tidak ada
wajah terdeteksi yang dibuat menggunakan Photoscape.
2. Software:
a. Windows 7
b. Matlab R2015a
c. VLC player
d. Photoscape
3. Hardware
a. Laptop Acer tipe Aspire E14
b. RAM 2 GB
c. Processor AMD E1-6010 APU, 1.35 GHz
Flowchart tools eksperimen mulai dari input sampai output terdapat pada gambar
4.1 :
42
UIN Syarif Hidayatullah Jakarta
Mulai
Deteksi Wajah
dan Mata
Menghitung jarak
pupil dari ujung
mata
Selesai
Preprocessing - Konversi Citra
Ubah ke grayscale
Preprocessing - Akuisisi Citra
Input Webcam
Gambar
Wajah/Bukan
Wajah
Haar-Like Feature
Cascade Classifier Adaboost
Integral Image
Ekstrak Nilai Fitur
Klasifikasi
Metode Viola-Jones
Deteksi Pupil
Menggunakan
Hough Transform
Pupil ke kiriPupil ke
kanan
Pupil
ditengah
Kiri-
MengingatLurus
Kanan-
Berbohong
Gambar 4.1 Flowchart Tools Eksperimen
43
UIN Syarif Hidayatullah Jakarta
4.1.3 Deteksi Wajah
Dalam penelitian ini digunakan Viola-Jones sebagai pendeteksi bagian
tubuh, yaitu wajah dan mata. Tahapan pembuatan menggunakan Viola-Jones
adalah :
4.1.3.1 Preprosessing – Akuisisi dan Konversi Citra
Sesuai dengan teori dasar pengolahan citra, pertama dilakukan akuisisi
citra yaitu mengambil secara real-time video wajah partisipan dengan
menggunakan webcam yang disambungkan ke Matlab.
cam=webcam();
Lalu dilakukan konversi jenis citra, yaitu mengubah video menjadi
grayscale dengan menjumlahkan seluruh nilai R (nilai komponen merah), G (nilai
komponen hijau) dan B (nilai komponen biru). Kemudian dibagi 3, sehingga
diperoleh nilai rata-rata dari R G B, nilai rata-rata itulah yang dapat dikatakan
sebagai grayscale.
vid = rgb2gray(vid);
Setelah diubah ke grayscale, video diputar sehingga menimbulkan efek
cermin. Operasi yang digunakan disini adalah flipping horizontal. Flipping
horizontal adalah pencerminan pada sumbu-Y (cartesian) dari citra A menjadi
citra B.
img = flip(vid, 2);
4.1.3.2 Deteksi Ciri Wajah Menggunakan Metode Viola-Jones
Setelah itu dilakukan ekstraksi fitur dan klasifikasi sesuai dengan teori
pengolahan citra. Ekstraksi fitur dan klasifikasi yang digunakan adalah dengan
menggunakan algoritma Viola-Jones untuk mendeteksi wajah. Dalam empat
tahapan Viola-Jones, proses Haar-Like Feature dan Integral Image dilakukan
untuk ekstraksi nilai fitur. Sedangkan untuk klasifikasi dilakukan proses Adaboost
dan Cascade Classifier.
44
UIN Syarif Hidayatullah Jakarta
Gambar 4.2 Tahapan metode Viola-Jones
A. Haar-Like Feature
Ekstraksi nilai fitur yang pertama yaitu penggunaan fitur Haar untuk
memproses image menjadi beberapa subwindow yg berisi fitur. Penggunaan fitur
dilakukan karena pemrosesan fitur berlangsung lebih cepat dibandingkan
pemrosesan citra perpixel. Digunakan empat jenis fitur seperti gambar 2.5 untuk
mendeteksi wajah. Contohnya salah satu fitur pada gambar 4.3. Fitur pada gambar
4.3 mempunyai 4 x 4 pixel. Maka didapatkan beberapa pixel yang tergabung
dalam satu fitur.
Gambar 4.3 Fitur yang berisi beberapa pixel
B. Integral Image
Lalu untuk gambar bergerak (video), perhitungan dan penjumlahan pixel
terjadi secara terus menerus dan membutuhkan waktu yang lama. Oleh karena itu,
pixel diubah menjadi integral sehingga didapatkan hasil lebih cepat.
45
UIN Syarif Hidayatullah Jakarta
Gambar 4.4 Contoh 1 Mencari Integral Image
Cara menghitung nilai integral image adalah dengan rumus (1). Maka
untuk pixel masukan pada gambar 4.4 untuk menghitung integral image dari pixel
yang dilingkari pada gambar adalah :
i(x,y) = 3
s(x-1,y) = 0 (di luar batas matrix)
s(x,y-1) = 0 (di luar batas matrix)
s(x-1,y-1) = 0 (di luar batas matrix)
s(x,y) = i(x,y) + s(x,y-1) + s(x-1,y) – s(x-1,y-1)
= 3 + 0 + 0 – 0 = 3
Maka didapat nilai integral image dari pixel yang dilingkari adalah 3.
Gambar 4.5 Hasil Contoh 1
Untuk contoh yang lain, misal pada gambar 4.6.
(a) (b)
Gambar 4.6 Contoh 2 Mencari Integral Image
46
UIN Syarif Hidayatullah Jakarta
Untuk menghitung integral image dari pixel yang dilingkari pada gambar 4.6 (a)
untuk mengisi nilai kotak merah pada gambar 4.6 (b) adalah :
i(x,y) = 9
s(x,y-1) = 24
s(x-1,y) = 28
s(x-1,y-1) = 14
s(x,y) = i(x,y) + s(x,y-1) + s(x-1,y) – s(x-1,y-1)
= 9 + 24 + 28 – 14 = 47
Maka didapat nilai integral image dari pixel yang dilingkari adalah 47.
Gambar 4.7 Hasil Contoh 2
Keseluruhan image yang telah diubah ke integral image dapat dilihat pada gambar
4.8 :
Gambar 4.8 Image dan Integral Image
47
UIN Syarif Hidayatullah Jakarta
Matriks pixel image saat dimasukkan ke Command Window MATLAB dapat
dilihat pada gambar 4.9 :
Gambar 4.9 Image dalam Command Window MATLAB
Matriks pixel image saat dimasukkan ke Command Window MATLAB yang telah
diubah ke integral image dapat dilihat pada gambar 4.10 :
Gambar 4.10 Integral Image dalam Command Window MATLAB
48
UIN Syarif Hidayatullah Jakarta
Setelah didapatkan nilai integral image dari pixel masukan, maka dapat dicari nilai
fitur dengan menggunakan nilai integral image.
Gambar 4.11 Fitur dengan Integral Image
Dengan mendapatkan nilai dari citra integral maka setiap fitur Haar
diproses dan dihitung nilai fiturnya (F) dengan rumus (2).
Nilai pada area putih (W) adalah 9+28+47+56+12+37+62+74 = 325
Nilai pada area hitam (B) adalah 3+10+17+20+4+14+24+28 = 120
F = W – B
= 325 – 120 = 205
Maka nilai dari fitur dalam gambar 4.11 adalah 205.
C. Adaboost
Tahapan klasifikasi pertama yaitu adaboost. Dilakukan pemilihan fitur-
fitur penting. Pada tahap ini digunakan perbedaan nilai fitur yang dicari
menggunakan rumus (2). Jika nilai perbedaannya itu diatas nilai ambang atau
threshold (antara 0 sampai 255), maka dapat dikatakan bahwa fitur tersebut ada.
Jika nilai tidak diatas nilai ambang (<0 atau >255) maka fitur dibuang (tidak
dipakai lagi) untuk mempercepat deteksi.
Maka fitur dalam gambar 4.9 dapat dikatakan ada karena nilainya adalah
205 (diantara 0 sampai 255).
49
UIN Syarif Hidayatullah Jakarta
Gambar 4.12 Contoh Proses Fitur Kedua
Contoh fitur yang dibuang adalah pada gambar 4.12. Dengan mendapatkan
nilai dari citra integral maka setiap fitur Haar diproses dan dihitung nilai fiturnya
(F) dengan rumus (1).
Nilai pada area putih (W) adalah 3+10+4+14+9+28+12+37 = 117
Nilai pada area hitam (B) adalah 17+20+24+28+47+56+62+74 = 328
F = W – B
= 117 – 328 = -211
Nilai dari fitur dalam gambar 4.12 adalah -211. Maka fitur dalam gambar
4.12 dapat dibuang (tidak dipakai lagi) untuk mempercepat deteksi karena
nilainya tidak berada diantara 0 sampai 255. Fitur-fitur yang dapat dikatakan ada
setelah melalui proses Adaboost akan diklasifikasikan per subwindow melalui
Cascade Classifier untuk mendeteksi wajah.
D. Cascade Classifier
Klasifikasi yang terakhir yaitu membuang subwindow yang diyakini bukan
wajah pada Cascade Classifier seperti pada gambar 2.9. Pada proses klasifikasi
tingkat pertama, tiap subwindow akan diklasifikasi menggunakan satu fitur. Hasil
dari klasifikasi pertama ini berupa T (True) untuk gambar yang memenuhi fitur
Haar tertentu dan F (False) bila tidak.
Seperti pada gambar 4.13. Kotak merah melambangkan subwindow yang
berisi fitur-fitur yang dapat dikatakan ada setelah melalui proses Adaboost. Kotak
akan berjalan perpixel dari kiri ke kanan, sampai kebawah. Disaat kotak ada di
50
UIN Syarif Hidayatullah Jakarta
bagian bukan wajah, prosesnya akan cepat terlewati karena di cascade sudah
dibuang. Mendekati wajah, proses semakin lambat karena semakin banyak fitur
yang di cek dan cascade yang dilalui. Proses ini terus berlanjut sampai wajah
terdeteksi.
Gambar 4.13 Deteksi Wajah
wajah = vision.CascadeObjectDetector();
Setelah wajah terdeteksi maka video wajah dipotong lalu ditampilkan dalam
subimage pertama.
Gambar 4.14 Subimage pertama
4.1.4 Deteksi Mata
4.1.4.1 Deteksi Ciri Mata Menggunakan Metode Viola-Jones
Langkah selanjutnya adalah deteksi mata. Dilakukan ekstraksi fitur dan
klasifikasi sesuai dengan teori pengolahan citra. Ekstraksi fitur dan klasifikasi
yang digunakan adalah dengan menggunakan algoritma Viola-Jones untuk
mendeteksi mata dan dicari dari video wajah dari subimage pertama. Alur
mendeteksi mata sama dengan cara mendeteksi wajah.
51
UIN Syarif Hidayatullah Jakarta
Yang pertama tahapan ekstraksi nilai fitur dengan penggunaan fitur Haar
untuk memproses image menjadi beberapa subwindow yg berisi fitur. Digunakan
empat jenis fitur seperti gambar 2.5 untuk mendeteksi mata. Maka didapatkan
beberapa pixel yang tergabung dalam satu fitur.
Lalu untuk gambar bergerak (video), perhitungan dan penjumlahan pixel
terjadi secara terus menerus dan membutuhkan waktu yang lama. Oleh karena itu,
penjumlahan diganti dengan integral sehingga didapatkan hasil lebih cepat.
Selanjutnya pemilihan fitur-fitur penting dengan Adaboost.
Lalu tahap klasifikasi dengan membuang subwindow yang diyakini bukan
mata pada Cascade Classifier seperti pada gambar 2.9. Pada klasifikasi tingkat
pertama, tiap subwindow akan diklasifikasi menggunakan satu fitur. Hasil dari
klasifikasi pertama ini berupa T (True) untuk gambar yang memenuhi fitur Haar
tertentu dan F (False) bila tidak.
Kotak merah melambangkan subwindow yang berisi fitur-fitur yang dapat
dikatakan ada setelah melalui proses Adaboost. Kotak akan berjalan perpixel dari
kiri ke kanan, sampai kebawah. Disaat kotak ada di bagian bukan mata, prosesnya
akan cepat terlewati karena di cascade sudah dibuang. Mendekati mata, proses
semakin lambat karena semakin banyak fitur yang di cek dan cascade yang
dilalui. Proses ini terus berlanjut sampai mata terdeteksi.
Gambar 4.15 Deteksi Mata
Setelah mata berhasil terdeteksi, dicari mata yang gambarnya paling jelas
dari kedua mata. Mata kiri ataupun kanan yang paling jelas dipotong dari
subimage pertama untuk ditampilkan di subimage kedua setelah pupil berhasil di
deteksi menggunakan Hough Transform.
mata = vision.CascadeObjectDetector('EyePairSmall');
52
UIN Syarif Hidayatullah Jakarta
4.1.4.2 Deteksi Ciri Pupil Menggunakan Hough Transform
Dalam penelitian ini digunakan Hough Transform sebagai metode untuk
mendeteksi pupil mata. Mata yang berhasil ditampilkan di subimage kedua lalu
diproses untuk mendeteksi pupil menggunakan Hough Transform. Hough
Transform mendeteksi pupil yang berupa lingkaran.
Pada video mata yang berhasil dideteksi menggunakan Viola-Jones, dicari
pupil mata yang berupa lingkaran. Hough Transform mendeteksi tiap titik dari
citra, dimulai dari ujung kiri bawah. Lalu menghitung (xi,yi) dengan persamaan
(8) dan (9).
Gambar 4.16 Mendeteksi tiap titik
Proses ini diulangi untuk pixel-pixel tepi yang lain dengan = 0 hingga 360 .
Gambar 4.17 Pupil terdeteksi
[centers, radii, metric] = imfindcircles(mata2, [floor(r-r/4)
floor(r+r/2)], 'ObjectPolarity','dark', 'Sensitivity', 0.93);
Gambar 4.18 Subimage kedua
53
UIN Syarif Hidayatullah Jakarta
4.1.5 Penentuan Arah Tatapan Mata
Selanjutnya tahapan klasifikasi yaitu penentuan arah tatapan mata
digunakan untuk memilih gambar dengan keterangan mana yang akan
ditampilkan di subimage ketiga. Penentuan arah tatapan mata ini menggunakan
ketentuan pergeseran 15 pixel. Ketentuan ini didapat dari hasil uji coba dari nilai
10 sampai 20. Nilai dibawah 15 tidak dipilih menjadi ketentuan karena terlalu
sensitif terhadap pergerakan mata. Nilai dibawah 15 mendeteksi pergerakan mata
yang sangat kecil. Sedangkan nilai diatas 15 tidak dipilih karena tidak terlalu peka
terhadap pergerakan mata. Nilai diatas 15 hanya bisa mendeteksi pergerakan mata
jika pergerakan yang dilakukan besar.
Jika terdapat pergeseran mata sebanyak 15 pixel ke kiri maka mata melirik
ke kiri. Subimage ketiga akan menampilkan gambar dengan tulisan ‘kiri-sedang
mengingat’. Begitu pula sebaliknya, jika terdapat pergeseran mata sebanyak 15
pixel ke kanan maka mata melirik ke kanan dan subimage ketiga akan
menampilkan gambar dengan tulisan ‘kanan-berbohong’. Jika mata terdeteksi
berada di tengah, maka subimage ketiga akan menampilkan gambar dengan
tulisan ‘lurus’. Namun jika mata dan wajah tidak terdeteksi, maka subimage
ketiga akan menampilkan gambar dengan tulisan ‘tidak ada wajah terdeteksi’.
Gambar 4.19 Tampilan Lurus
54
UIN Syarif Hidayatullah Jakarta
Gambar 4.20 Tampilan Kiri
Gambar 4.21 Tampilan Kanan
Gambar 4.22 Tampilan Tidak Ada Wajah Terdeteksi
4.2 Pelaksanaan Eksperimen
Eksperimen dilakukan dari tanggal 30 Mei sampai dengan 20 Agustus
2018. Partisipan berjumlah 30 orang dengan diberi masing-masing empat skenario
berbeda. Pengambilan sampel partisipan sesuai dengan pendapat Gay dan Diehl
(1992) tentang penelitian eksperimental.
Dalam penelitian ini, sebelum diberikan pertanyaan partisipan diberikan
sebuah video kriminal yang menampilkan rekaman CCTV pencurian sepeda
55
UIN Syarif Hidayatullah Jakarta
motor dan dibagi menjadi dua kategori yang menjalankan empat skenario
berbeda. Pertama partisipan diberi beberapa pertanyaan umum seputar keseharian
partisipan. Kedua partisipan harus memberikan kesaksian jujur karena partisipan
merupakan saksi mata dalam skenario jujur. Dalam kategori bohong partisipan
harus menjawab jawaban yang bohong karena pelaku kriminal mengancam
partisipan jika memberikan keterangan jujur pada kepolisian.
Kategori bohong ini terbagi menjadi dua skenario yaitu spontan dan
terencana. Dalam skenario bohong spontan, partisipan menjawab bohong saat
diberikan pertanyaan tanpa perencanaan sebelumnya. Sedangkan skenario bohong
terencana, setelah diberikan beberapa pertanyaan partisipan diberikan waktu 5
menit untuk berpikir sebelum menjawab pertanyaan.
Proses yang dilakukan meliputi partisipan duduk didepan sebuah laptop
yang telah dilengkapi dengan webcam. Lalu partisipan diberikan beberapa
pertanyaan umum dan seputar video kriminal. Kamera merekam mata partisipan
ketika menjawab pertanyaan. Tools eksperimen mendeteksi arah tatapan mata
partisipan setelah penulis memberikan beberapa pertanyaan yang harus dijawab
partisipan. Sesuai dengan pendapat Mark Bouton, John J. Webster dan beberapa
jurnal psikologi tentang kebohongan dan arah lirikan mata, jika partisipan melirik
kearah kiri dan lurus maka tools eksperimen akan menampilkan keterangan bahwa
partisipan ‘sedang mengingat’. Jika partisipan melirik kearah kanan maka tools
eksperimen akan menampilkan keterangan ‘berbohong’.
Pertanyaan yang diberikan pada setiap skenario adalah 5 buah pertanyaan
dan berjumlah 20 pertanyaan. 5 pertanyaan umum tentang kehidupan partisipan, 5
pertanyaan skenario jujur, 5 pertanyaan skenario bohong spontan dan 5
pertanyaan skenario bohong terencana.
56
UIN Syarif Hidayatullah Jakarta
BAB V
HASIL DAN PEMBAHASAN
5.1 Implementasi Hasil Eksperimen
Gambar 5.1 Implementasi Hasil Eksperimen
57
UIN Syarif Hidayatullah Jakarta
5.2 Proses Pelaksanaan Eksperimen
Berikut proses pelaksanaan eksperimen dari salah satu partisipan (skenario
pertanyaan bohong spontan) :
A. Partisipan duduk di depan sebuah laptop yang telah dilengkapi webcam.
B. Partisipan diberikan sebuah video kriminal yang menampilkan rekaman
CCTV pencurian sepeda motor. Partisipan diminta untuk fokus menonton
video tersebut.
C. Partisipan diberikan 5 pertanyaan tentang video seperti dibawah ini :
1. Apakah Anda melihat wajah pelaku?
2. Berapa orang pelaku yang Anda lihat?
3. Bagaimana cara pelaku membawa kabur sepeda motor?
4. Berapa jumlah sepeda motor yang berhasil dicuri?
5. Apakah pelaku membawa senjata tajam?
D. Pada skenario bohong spontan, partisipan harus menjawab bohong karena
pelaku kriminal mengancam partisipan jika memberikan keterangan jujur
pada kepolisian.
Gambar 5.2 Pelakasanaan Eksperimen Skenario Bohong Spontan
E. Tools eksperimen deteksi kebohongan merekam wajah partisipan selama
eksperimen berlangsung.
58
UIN Syarif Hidayatullah Jakarta
Gambar 5.3 Tampilan Tools Eksperimen
F. Subimage pertama menampilkan video wajah partisipan yang telah diubah
menjadi grayscale (keabuan) dan dideteksi secara real-time. Subimage
kedua menampilkan mata yang telah dideteksi. Dan subimage ketiga akan
menampilkan gambar dengan tulisan ‘kiri-mengingat’, ‘kanan-berbohong’,
‘lurus’ atau ‘tidak ada wajah terdeteksi’ sesuai dengan arah tatapan
partisipan saat menjawab pertanyaan.
G. Layar saat menjalankan tools eksperimen akan direkam dengan
menggunakan VLC Player kemudian disimpan setelah selesai dilakukan
eksperimen.
H. Video rekaman saat tools eksperimen berjalan dibuka untuk dianalisis. Lalu
dihitung frekuensi arah tatapan mata selama partisipan melakukan
eksperimen.
I. Jika lebih banyak frekuensi ke arah kanan maka aplikasi deteksi kebohongan
melalui arah tatapan mata menggunakan Matlab dalam penelitian ini
berhasil.
59
UIN Syarif Hidayatullah Jakarta
5.3 Verifikasi dan Validasi
5.3.1 Skenario Pertanyaan Umum
Pada skenario pertanyaan umum partisipan diberikan pertanyaan umum
tentang keseharian partisipan. Dengan rata-rata rekaman video 35 detik,
didapatkan hasil berikut:
Tabel 5.1 Kategori Pertanyaan Umum
Responden
Frekuensi per 5 detik
Kiri Lurus Kanan Tak Terdeteksi
1 6
2 4 1 1
3 2 3 4
4 6
5 1 5 2
6 3 1
7 5 1
8 6 1
9 4 4
10 2 2 3
11 4 3
12 3 3
13 5 1 1 1
14 2 4
15 4 3
16 5 3
17 2 3 2
18 3 2 1
19 4 3 1 1
20 3 3
21 4 2
22 3 4
23 3 3 2
24 2 3 1
25 6
26 1 5
27 2 3 1
28 2 3 2
29 3 4
30 3 3
Total 55 111 27 9
60
UIN Syarif Hidayatullah Jakarta
Skenario Pertanyaan Umum
55
111
27
9
Kiri
Lurus
Kanan
Tak Terdeteksi
Gambar 5.4 Diagram skenario pertanyaan umum
Untuk menghitung persentase akurasi sampel total skenario pertanyaan
umum, kita misalkan jumlah total sampel adalah total kiri dan kanan dari
frekuensi. Sesuai dengan buku pedoman yang dipakai pada penelitian ini, jika
mata melirik ke kiri maka sedang mengingat dan ke kanan maka berbohong. Jadi
total kanan dari skenario pertanyaan umum adalah error.
Maka persentase akurasi sampel total skenario pertanyaan umum adalah :
Keterangan:
T = Akurasi sampel
N = Jumlah total frekuensi kiri dan kanan
a = Jumlah yang tidak cocok (frekuensi kanan)
Jadi persentase akurasi sampel total skenario pertanyaan umum adalah 67,1%
5.3.2 Skenario Pertanyaan Jujur
Pada skenario pertanyaan jujur partisipan diberikan pertanyaan tentang
video kriminal yang telah diberikan sebelumnya. Partisipan harus menjawab
pertanyaan dengan jujur. Dengan rata-rata rekaman video 35 detik, didapatkan
hasil berikut:
61
UIN Syarif Hidayatullah Jakarta
Tabel 5.2 Kategori Pertanyaan Jujur
Responden Frekuensi per 5 detik
Kiri Lurus Kanan Tak Terdeteksi
1 3 4 1
2 6 1
3 5 3 1
4 5 1
5 1 4 4 2
6 4
7 4 5 1
8 4 2 5
9 2 5 1
10 5 2
11 4 3
12 4 3
13 4 4 2 2
14 2 4 2
15 5 4
16 4 4
17 4 4 1
18 4 3 1
19 4 4 1
20 3 3
21 3 4
22 2 3
23 6 4
24 3 4
25 6
26 3 4
27 4 4
28 2 3
29 2 4 1
30 2 4
Total 64 119 40 9
62
UIN Syarif Hidayatullah Jakarta
Skenario Pertanyaan Jujur
64
119
40
9
Kiri
Lurus
Kanan
Tak Terdeteksi
Gambar 5.5 Diagram scenario pertanyaan jujur
Untuk menghitung persentase akurasi sampel total skenario pertanyaan
jujur, kita misalkan jumlah total sampel adalah total kiri dan kanan dari frekuensi.
Sesuai dengan buku pedoman yang dipakai pada penelitian ini, jika mata melirik
ke kiri maka sedang mengingat dan ke kanan maka berbohong. Jadi total kanan
dari skenario umum adalah error.
Maka persentase akurasi sampel total skenario pertanyaan jujur adalah :
Keterangan:
T = Akurasi sampel
N = Jumlah total frekuensi kiri dan kanan
a = Jumlah yang tidak cocok (frekuensi kanan)
Jadi persentase akurasi sampel total skenario pertanyaan jujur adalah 61,54%
5.3.3 Skenario Pertanyaan Bohong Spontan
Pada skenario pertanyaan bohong spontan partisipan diberikan pertanyaan
tentang video kriminal yang telah diberikan sebelumnya. Partisipan harus
menjawab pertanyaan dengan mengada-ada. Dengan rata-rata rekaman video 35
detik, didapatkan hasil berikut:
63
UIN Syarif Hidayatullah Jakarta
Tabel 5.3 Kategori Pertanyaan Bohong Spontan
Responden
Frekuensi per 5 detik
Kiri Lurus Kanan Tak Terdeteksi
1 4 4 2
2 4 3 1
3 3 3 2 1
4 1 5
5 2 3 2 1
6 1 3 2
7 3 4
8 1 4 4
9 3 4
10 3 3 1
11 2 5
12 4 3 1
13 4 3 1
14 2 4 3
15 4 3
16 5 3
17 5 5 1
18 3 2 1 4
19 1 5 2
20 3 3
21 3 3 3
22 2 5
23 6 1
24 1 5
25 6
26 5 4
27 3 3 3
28 1 3 4
29 1 6
30 2 4 3
Total 43 122 56 15
64
UIN Syarif Hidayatullah Jakarta
Skenario Pertanyaan Bohong Spontan
43
122
56
15
Kiri
Lurus
Kanan
Tak Terdeteksi
Gambar 5.6 Diagram skenario pertanyaan bohong spontan
Untuk menghitung persentase akurasi sampel total skenario pertanyaan
bohong spontan, kita misalkan jumlah total sampel adalah total kiri dan kanan dari
frekuensi. Sesuai dengan buku pedoman yang dipakai pada penelitian ini, jika
mata melirik ke kiri maka sedang mengingat dan ke kanan maka berbohong. Jadi
total kiri dari skenario bohong spontan adalah error.
Maka persentase akurasi sampel total skenario pertanyaan bohong spontan adalah:
Keterangan:
T = Akurasi sampel
N = Jumlah total frekuensi kiri dan kanan
a = Jumlah yang tidak cocok (frekuensi kiri)
Jadi persentase akurasi sampel total skenario pertanyaan bohong spontan adalah
56,56%
5.3.4 Skenario Pertanyaan Bohong Terencana
Pada skenario pertanyaan bohong terencana sebelumnya partisipan
diberikan daftar pertanyaan tentang video kriminal yang telah diberikan.
Partisipan diberikan waktu untuk memikirkan jawaban mengada-ada sebelum
dilakukan eskperimen. Partisipan harus menjawab pertanyaan dengan mengada-
65
UIN Syarif Hidayatullah Jakarta
ada sesuai dengan jawaban yang telah dipikirkan sebelumnya. Dengan rata-rata
rekaman video 35 detik, didapatkan hasil berikut:
Tabel 5.4 Kategori Pertanyaan Bohong Terencana
Responden Frekuensi per 5 detik
Kiri Lurus Kanan Tak Terdeteksi
1 5 2
2 7
3 3 3
4 5 1
5 1 3 2 1
6 4 1 1
7 2 3 2
8 2 4 1
9 2 4 1
10 4 4
11 2 5
12 2 5
13 5 3
14 4 3
15 2 4 2
16 1 4 2
17 4 3
18 4 3 1 1
19 3 3 1
20 3 4
21 2 5
22 2 5
23 2 4 1
24 1 5
25 1 5
26 1 5 3
27 2 4 1
28 5 3
29 2 4 2
30 4 3
Total 37 128 45 4
66
UIN Syarif Hidayatullah Jakarta
Skenario Pertanyaan Bohong Terencana
37
128
45
4
Kiri
Lurus
Kanan
Tak Terdeteksi
Gambar 5.7 Diagram skenario pertanyaan bohong terencana
Untuk menghitung persentase akurasi sampel total skenario pertanyaan
bohong terencana, kita misalkan jumlah total sampel adalah total kiri dan kanan
dari frekuensi. Sesuai dengan buku pedoman yang dipakai pada penelitian ini, jika
mata melirik ke kiri maka sedang mengingat dan ke kanan maka berbohong. Jadi
total kiri dari skenario bohong terencana adalah error.
Maka persentase akurasi sampel total skenario pertanyaan bohong terencana
adalah :
Keterangan:
T = Akurasi sampel
N = Jumlah total frekuensi kiri dan kanan
a = Jumlah yang tidak cocok (frekuensi kiri)
Jadi persentase akurasi sampel total skenario pertanyaan bohong terencana adalah
54,88%
67
UIN Syarif Hidayatullah Jakarta
5.3.5 Analisis Total
Tabel 5.5 Analisis Total
Skenario
Pertanyaan
Frekuensi
Kiri Lurus Kanan Tak Terdeteksi
Umum 55 111 27
37 Jujur 64 119 40
Bohong Spontan 43 122 56
Bohong Terencana 37 128 45
Berikut diagram kategori jujur (gabungan skenario pertanyaan umum dan jujur) :
Kategori Jujur
55
27
Kiri
Kanan
Gambar 5.8 Diagram kategori jujur
Berikut diagram kategori bohong (gabungan skenario pertanyaan bohong spontan
dan bohong terencana) :
Kategori Bohong
43
56
Kiri
Kanan
Gambar 5.9 Diagram kategori bohong
68
UIN Syarif Hidayatullah Jakarta
Dari hasil pengamatan selama melakukan eksperimen dan analisis video
yang direkam saat eksperimen, maka dapat diambil beberapa faktor kemungkinan
wajah, mata dan pupil tidak terdeteksi, yaitu :
1. Kapasitas prosessor laptop yang rendah menyebabkan aplikasi lambat
ketika dijalankan.
2. Berdasarkan analisis video eksperimen, implementasi metode Viola-Jones
tidak dapat mendeteksi wajah ketika partisipan dengan posisi wajah tidak
tegak atau frontal kedepan.
3. Berdasarkan analisis video eksperimen, implementasi metode Viola-Jones
dalam mendeteksi wajah dan mata berhasil, baik ditempat yang
penerangannya baik maupun agak redup. Namun ditemukan kemungkinan
tingkat error dari metode Hough Transform dalam mendeteksi pupil saat
penerangan agak redup atau saat ada bayangan yang masuk. Sehingga
deteksi pupil kurang maksimal.
4. Berdasarkan analisis video eksperimen, implementasi metode Viola-Jones
dan Hough Transform ketika mendeteksi mata partisipan yang memakai
kacamata atau ketika mata tertutup rambut memiliki kemungkinan menjadi
faktor penyebab error.
5. Saat merekam layar menggunakan 10 frame/detik. Berdasarkan
eksperimen yang telah dilakukan jika lebih dari 10 frame per detik maka
program di laptop yang sedang berjalan, terutama Matlab akan melambat.
Karena hanya 10 frame/detik maka kemungkinan ada kondisi ketika mata
partisipan bergerak tidak tertangkap.
69
UIN Syarif Hidayatullah Jakarta
BAB VI
KESIMPULAN DAN SARAN
6.1 Kesimpulan
Dengan adanya penelitian ini diharapkan dapat memberikan beberapa
informasi bagi mahasiswa dan masyarakat pada umumnya.
Berdasarkan pembahasan yang telah dijelaskan pada penelitian ini, dapat
diambil kesimpulan bahwa :
1. Tools eksperimen deteksi kebohongan melalui arah tatapan mata
menggunakan Matlab dalam penelitian ini telah berhasil dirancang dan
dibuat.
2. Dengan menganalisis data eksperimen yang telah dilakukan, maka tools
eksperimen deteksi kebohongan melalui arah tatapan mata dengan
menggunakan Viola-Jones dan Hough Transform berhasil membuktikan
pendapat psikologi tentang hubungan berbohong dengan arah tatapan
mata. Tingkat akurasi skenario umum dan jujur adalah 67,1% dan 61,54%.
Sedangkan tingkat akurasi skenario bohong spontan dan bohong terencana
adalah 56,56% dan 54,88%.
3. Viola-Jones dan Hough Transform dapat diterapkan dalam pembuatan
tools eksperimen deteksi kebohongan.
70
UIN Syarif Hidayatullah Jakarta
6.2 Saran
Dalam penulisan ini masih terdapat banyak kekurangan, adapun saran
yang layak untuk menjadi bahan pertimbangan dalam membangun penelitian yang
lebih baik di masa yang akan datang, yaitu :
1. Membuat tools eksperimen deteksi kebohongan dengan menambah
parameter lain sesuai dengan hubungan kebohongan dengan gesture tubuh
lain dalam buku yang digunakan penulis dalam pedoman untuk penelitian
ini.
2. Dilihat dari frekuensi tatapan mata dari penelitian yang telah dilakukan,
kebohongan terencana lebih sulit terdeteksi ‘bohong’ dari kebohongan
spontan. Maka dari itu penulis menyarankan untuk penelitian selanjutnya
meneliti tentang hubungan bohong spontan dan bohong terencana.
71
DAFTAR PUSTAKA
Admin. Arti Kata Bohong - Kamus Besar Bahasa Indonesia (KBBI).
Diakses pada https://kbbi.web.id/bohong, 1 Mei 2018
Admin. Arti Kata Jujur - Kamus Besar Bahasa Indonesia (KBBI)
Diakses pada https://kbbi.web.id/jujur, 3 Mei 2018
Admin. Pengertian Kebohongan.
Diakses pada https://id.wikipedia.org/wiki/Kebohongan, 1 Mei 2018
Bouton, Mark. 2010. How to Spot Lies Like the FBI. Kansas: Cosmic Wind Press
Gay, L.R. & Diehl, P.L. 1992. Research Methods for Business and Management,
New York : MacMillan Publishing Company
Guritno, Suryo, dkk. 2011. Theory and Application of IT Research. Yogyakarta: Andi
Ilyas, Sidarta & Ramatjandra. 1988. Penyakit Mata : Ringkasan & Istilah. Jakarta:
Penerbit PT Pustaka Utama Grafiti.
Jeffrey J. Walczyk, Diana A. Griffith, Rachel Yates, Shelley R. Visconte, Byron
Simoneaux dan Laura L. Harris. 2012. Eye Movements and Other Cues to the
False Answers of “Witnesses” to Crimes.
Jeffrey J. Walczyk, Kevin T. Mahoney, Dennis Doverspike, Diana A. Griffith. 2009.
Cognitive Lie Detection: Response Time and Consistency of Answers as Cues to
Deception.
Kasirman, M. 2012. Metodologi Penelitian Refleksi Pengembangan Pemahaman dan
Penguasaan Metodologi Penelitian. UIN-Malang Press : Malang.
Latifa, Rena. 2011. Perilaku Berbohong. UIN : Jakarta
Lubis, Abdul Jabbar. 2010. Pendeteksian Kebohongan Melalui Perubahan Diameter
Pupil Mata Dengan Teknik Thresholding.
Mahon, J. E. 2008. The Definition of Lying and Deception. Stanford Encyclopedia of
Philosophy
McAndrew, Alasdair. 2004. Introduction to Digital Image Processing with Matlab.
USA: Thomson Course Technology
72
Munir, Rinaldi. 2004. Pengolahan Citra Digital dengan Pendekatan Algoritmik.
Bandung : Informatika
Prasetyo, Arie. 2012. Perancangan Aplikasi Estimasi Penerimaan Siswa Baru
Sekolah Menengah Atas Wilayah Jakarta Pusat Berdasarkan Hasil Nilai Ujian
Nasional Berbasis Mobile Web Android.
Putro, M. Dwisnanto. 2012. Sistem Deteksi Wajah dengan Menggunaka Metode
Viola-Jones.
Riduwan. 2013. Belajar Mudah Penelitian Untuk Guru, Karyawan dan Peneliti
Pemula. Bandung : Alfabeta
Roger S. Pressman, P. D. 2010. Rekayasa Perangkat Lunak : Pendekatan Praktisi.
Yogyakarta : ANDI
Rosenfeld, J. Peter. 2018. Detecting Concealed Information and Deception: Recent
Developments. Academic Press.
S¨oylemez, Omer Faruk & Ergen, Burhan. 2013. Eye Location and Eye State
Detection in Facial Images Using Circular Hough Transform.
Saputra, Dhanar Intan Surya; Anjar, Wahyu Septi; Ramadhan, Kurnia Aswin Nuzul
dan Pamungkas, Riki Aji. 2017. Pelacakan dan Deteksi Wajah Menggunakan
Video Langsung pada Webcam.
Saut, Erik. 2007. Kecenderungan Berbohong, Sasaran Kebohongan dan
Perbedaannya Berdasarkan Jenis Kelamin.
Sianipar, R.H. 2013. Pemograman Matlab dalam Contoh dan Penerapan. Bandung:
Penerbit Informatika.
Sianipar, R.H.; Mangiri; Herry S. & Wityajati, I.K. 2013. Matlab untuk Pemprosesan
Citra Digital. Bandung: Penerbit Informatika.
Solana, Farid. Pengertian dan Fungsi Webcam.
Diakses pada https://www.nesabamedia.com/pengertian-webcam-dan-fungsi-
webcam/, 9 Mei 2018
Sruthy, R. 2014. Driver’s Drowsiness Detection Using Circular Hough Transform
and Iris Visibility Ratio Analysis.
73
Staf Departemen Ilmu Kesehatan Mata Fakultas Kedokteran UNAIR. 2013. Buku
Ajar Ilmu Kesehatan Mata. Surabaya: Penerbit Airlangga University Press.
Sugiyono. 2013. Metode Penelitian Kuantitatif, Kualitatif dan R&D. Bandung:
Penerbit Alfabeta.
Tabrani, Rusyan A. 2006. Pendidikan Budi Pekerti. Jakarta : Inti Media Cipta
Nusantara.
Umam, Khairul. 2016. Deteksi Obyek Manusia Pada Basis Data Video
Menggunakan Metode Background Subtraction Dan Operasi Morfologi.
Vrij, Aldert. 2001. Detecting Lies And Deceit: The Psychology Of Lying and The
Implications for Professional Practice. New York: John Wiley & Sons, Ltd
Vrij, Aldert. 2011. Detecting Lies and Deceit: Pitfalls and Opportunities. New York :
John Wiley & Sons, Ltd
Webster, John J. 2009. How to Get the Truth Out of Anyone
Zainal, Hasibuan. 2007. Metodologi Penelitian Pada Bidang Ilmu Komputer dan
Teknologi Informasi. Depok: Fakultas Ilmu Komputer
Daftar Pustaka : 35 (18 Buku + 13 Jurnal/Skripsi + 4 Referensi Internet)
74
LAMPIRAN
Lampiran 1. Penulisan Kode
%Syaifa Amanda Putri Lubis - 11140910000057
clear all
clf('reset');
cam=webcam();
%Viola-Jones
wajah = vision.CascadeObjectDetector(); %deteksi wajah
mata = vision.CascadeObjectDetector('EyePairSmall'); %deteksi mata
while true
vid=snapshot(cam);
vid = rgb2gray(vid);
img = flip(vid, 2); %efek cermin
bbox = step(wajah, img);
if ~ isempty(bbox) %Jika wajah terdeteksi
biggest_box=1;
for i=1:rank(bbox) %Mencari wajah terbesar
if bbox(i,3)>bbox(biggest_box,3)
biggest_box=i;
end
75
end
wajah2 = imcrop(img,bbox(biggest_box,:)); % Crop wajah
bboxeyes = step(mata, wajah2); % Cek mata
for i=1:size(bbox,1)
rectangle('position', bbox(i, :), 'lineWidth', 2,
'edgeColor', 'y');
end
if ~ isempty(bboxeyes) %Jika mata terdeteksi
biggest_box_eyes=1;
for i=1:rank(bboxeyes) %Cari mata paling besar
if bboxeyes(i,3)>bboxeyes(biggest_box_eyes,3)
biggest_box_eyes=i;
end
end
bboxeyeshalf=[bboxeyes(biggest_box_eyes,1),bboxeyes(biggest_box_eyes
,2),bboxeyes(biggest_box_eyes,3)/3,bboxeyes(biggest_box_eyes,4)];
mata2 = imcrop(wajah2,bboxeyeshalf(1,:)); %Crop mata
dari wajah
mata2 = imadjust(mata2);
r = bboxeyeshalf(1,4)/4;
%Hough Transform
[centers, radii, metric] = imfindcircles(mata2,
[floor(r-r/4) floor(r+r/2)], 'ObjectPolarity','dark', 'Sensitivity',
0.93);
[M,I] = sort(radii, 'descend');
76
eyesPositions = centers;
subplot(1,3,1),subimage(wajah2); hold on;
subplot(1,3,2),subimage(mata2); hold on;
viscircles(centers, radii,'EdgeColor','b');
kanan=imread('Kanan-lie.jpg');
kiri=imread('Kiri-rem.jpg');
lurus=imread('lurus.jpg');
%mencari arah tatapan mata
if ~isempty(centers)
pupil_x=centers(1);
disL=abs(0-pupil_x); %jarak dari kiri ke tengah
disR=abs(bboxeyes(1,3)/3-pupil_x); %jarak dari kanan
ke tengah
subplot(1,3,3);
if disL>disR+16 %jika ke kanan
subimage(kanan);
else if disR>disL %jika ke kiri
subimage(kiri);
else
subimage(lurus); %jika lurus
end
end
end
end
else
noface=imread('tidak.jpg');
subplot(1,3,3);
subimage(noface); %jika tidak ada wajah terdeteksi
end
set(gca,'XtickLabel',[],'YtickLabel',[]);
77
hold off;
end
78
Lampiran 2. Daftar Pertanyaan
Tigapuluh partisipan diberikan masing-masing empat skenario, yaitu :
Skenario Umum. Menjawab pertanyaan seputar keseharian dengan jujur.
Skenario Jujur. Perannya menjadi saksi. Menjawab semua pertanyaan
dengan jujur.
Skenario Bohong Terencana. Perannya menjadi teman dari pelaku.
Melindungi pelaku. Diberikan pertanyaan dan waktu 5 menit untuk menjawab
sebelum diwawancarai.
Skenario Spontan. Perannya menjadi teman dari pelaku. Melindungi pelaku.
Menjawab bohong atau “tidak tahu”
Berikut daftar pertanyaan untuk masing-masing skenario :
Umum
1. Siapa nama Anda?
2. Tahun berapa Anda lahir?
3. Apakah Anda menempuh pendidikan di UIN Jakarta?
4. Tahun berapa Anda masuk UIN Jakarta?
5. Kapan Indonesia merdeka?
Jujur
1. Berapa orang pelaku yang Anda lihat?
2. Apakah sepeda motor berhasil dicuri?
3. Bagaimana cara pelaku membawa kabur sepeda motor?
4. Apakah pelaku membawa senjata tajam?
5. Apakah Anda melihat wajah pelaku?
Bohong Terencana
1. Berapa jumlah sepeda motor yang berhasil dicuri?
2. Apakah pelaku membawa senjata tajam?
3. Apakah ada saksi mata selain Anda di TKP?
4. Apakah saat kejadian, korban berada di TKP?
5. Apakah korban sadar atas tindakan percurian atau dalam pengaruh hipnotis?
Bohong Spontan
1. Apakah Anda melihat wajah pelaku?
79
2. Berapa orang pelaku yang Anda lihat?
3. Bagaimana cara pelaku membawa kabur sepeda motor?
4. Berapa jumlah sepeda motor yang berhasil dicuri?
5. Apakah pelaku membawa senjata tajam?
Lampiran 3. Pelaksanaan Eksperimen
(a)
(b)
80
(c)
Gambar 7. Pelaksanaan Eksperimen
(a) Gambar pelakasanaan eksperimen skenario jujur, (b) Gambar pelakasanaan
eksperimen skenario bohong terencana, (c) Gambar pelakasanaan eksperimen skenario
bohong spontan.