Identifikasi Kepribadian Berbasis Eigenface Untuk Mendukung
Personalisasi Pada Sistem E-Pembelajaran
Dwi Sudharmono Wanudyatanto
NRP 2206 100 012
Dosen Pembimbing
Prof. Dr. Ir. Achmad Jazidie, M.Eng.
Yusuf Bilfaqih, S.T., M.T
Pendahuluan
• E-Pembelajaran telah menjadi
kebutuhan
• E-Pembelajaran belum fleksibel dalam
menyampaiakan informasi
• E-Pembelajaran belum mampu
mengenali Kepribadian
• E-Pembelajaran belum memiliki
layanan pembelajaran yang sesui
dengan personalisasi peserta didik
Latar Belakang
• Untuk meningkatkan kemampuan kerja E-
learning, dibutuhkan sistem cerdas yang
mampu mengidentifikasi kepribadian secara
detail dengan menggunakan prinsip-prinsip
psikologi.
• menghadirkan modul Moodle yang mampu
mengidentifikasi kepribadian dengan
menggunakan pemetaan daerah wajah.
Permasalahan
Pendahuluan
• Modul dirancang untuk memberikan
keluaran berupa keterangan kepribadian
pada database moodle.
• Metode pemetaan daerah wajah
mengadopsi metode yang dipublikasikan
Sunar P dalam bukunya yang berjudul
‘Rahasia Wajah‘.
• Metode tersebut diterjemahkan dalam
bahasa digital menggunakan metode eigen
value yang populer dengan nama egenface.
• Prangkat lunak yang digunakan adalah Java
scrib, Flahs scrib, MySql, PHP dan HTML.
Batasan Masalah
Pendahuluan
Tugas akhir ini bertujuan untuk dapat
menghasilkan program identifikasi
kepribadian pada E-learning yang bekerja
untuk memetakan kepribadian peserta didik,
sehingga pengguna E-learning bisa
mendapatkan kenyamanan dalam belajar
dan mampu mencapai pemahaman dengan
mudah.
Tujuan
Pendahuluan
1 2 3
Teori Penunjang
• Kepribadian adalah sikap hakiki individu yang
tercermin dalam perbuatan seseorang, yang
membedakan dirinya dengan orang lain.
• Menurut Mc Leod, mengartikan kepribadian
(Personality) sebagai sifat khas yang dimiliki
seseorang.
• Menurut Florence ada empat pendekatan
kepribadian dasar, yaitu :
1. Koleris
(Ekstrovet, Pelaku (Actor), dan Optimis)
2. Sangwinis
(Ekstrovert, Membicara, dan Optimis )
3. Melankolis
(Introvet, Pemikir, dan Pesimis)
4. Plegmatis
(Introvet, Pengamat, dan Pesimis)
Gaya Belajar Berbasis Kepribadian
1 2 3
• Pembelajar dengan berbagai latar belakang
perlu diberi fasilitas untuk meningkatkan
efektifitas kegiatan belajar.
• Formulasi gaya belajar yang sudah
dirumuskan para ahli antara lain :
1. Berdasarkan prefensi instruksional dan
linkungan adalah model Dunn dan Dunn.
2. Berdasarkan model pemrosesan informasi
adalah Model Kolb
3. Belajar berdasarkan kepribadian seseorang
adalah model Myers-Briggs.
Gaya Belajar Berbasis Kepribadian
Teori Gaya Belajar
1 2 3
Gaya Belajar Berbasis Kepribadian
Enam dasar proses belajaran
• Belajar bukanlah hasil atau produk, tetapi
sebuah proses.
• Belajar adalah proses terganggu sesuai
dengan pengalaman.
• Belajar memerlukan resolusi antara bentuk
sesuai dengan dunia yang bertentangan satu
sama lain.
• Belajar adalah proses holistik sesuai dengan
alam.
• Belajar mencakup interksi antara individu dan
lingkungannya.
• Belajar adalah proses dimana pengetahuan
adalah diciptakan sebagai hasil interaksi
antara pengetahuan sosial dan pengetahuan
pribadi.
1 2 3
Teori PenunjangMetode Penyampaian Informasi Berbasis Kepribadian
• Belajar adalah proses mengubahpengetahuan itu sendiri menjadi prilaku.
• Pembelajar memerlukan empatkemampuan yang berbeda untuk belajarefektif , diataranya yaitu :
1.Pengalaman nyata didasarkan padaperasaan.
2.Reflektif obserfasi didasarkan padavisual
3.Abstrak konseptualis didasarkan padappemikir
4.Aktif eksperimentasi didasarkan padatindakan
1 2 3
Metode Penyampaian Informasi Berbasis Kepribadian
• Sensing Learner (Kongkrit, praktis, berorenasi pada
fakta dan prosedural) atau Intuitive Learner (Konseptual,
inovatif, berorentasi pada teori dan makna)
• Visual Learner (Lebih menyukai representasi visual yang
direpresentasikan dalam bentuk gambar, diagram, flow
chart) atau Verbal Learners (lebih menyukai penjelasan
tertulis dan lisan).
• Inductive Learnes (Lebih menyukai presentasi yang
diproses dari spesifik ke umum) atau Deductive Learners
(Lebih menyukai presentasi yang berangkat dari yang
bersifat umum kepada bentuk khusus)
• Active Learners (Belajar dengan jalan mencoba, bekerja
sama dengan lingkungan) atau Reflective Learners
(belajar dengan jalan memikirkan sesuatunya, lebih
menyukai bekerja sendiri)
• Sequential Learners (Liner, mengerjakan sesuatu secara
terurut, belajar dengan langkah setahap demi setahap)
atau Global Learners (Holistic, berpikir menyeluruh,
belajar dengan langkah atau tahapan yang besar).
Gaya belajar dengan menggunakan media online
1 2 3
Metode Penyampaian Informasi Berbasis Kepribadian
Keterkaitan gaya belajar menurut Myers-Briggs dengan E-learning
1 2 3
• Pendekatan Pengenalan Pola Statistikal
(StarPR)
berdasarkan model statistik dari fitur dan
model statistik didefinisikan sebagai
sebuah fungsi
• Sistem feature base
Pada sistem ini menggunakan ekstrasi
dari komponen citra wajah (mata, alis,
bentuk kepala, hidung mulut dan
sebagainya.)
Teori PenunjangAlgoritma Pengenalan Citra
1 2 3
1. Membuat eigen vektor
2. Menggabungkan setiap image dalam WH
elemen vektor dengan menggabungkan
semua baris.
3. Menjumlahkan semua baris pada
ImageMatrix dan membaginya dengan N
untuk mendapatkan rataan gabungan
gambar (R).
4. Mengurangi ImageMatrix dengan
average image R. Kemudian membentuk
matriks baru ukuran N x WH sebagai R’.
5. Jika pada elemen-elemen dari matrik R’
ditemukn nilai negatif, maka ganti nilai
tersebut dengan 0.
.
Menghitung Eigenface
Algoritma Pengenalan Citra
1 2 3
Berikutnya adalah identifikasi yang dilakukan dengan proyeksi, digunakan alogaritma sebagai berikut:
1. Membuat FaceSpace (image): image berukuran W x H pixel.
2. Menggabungkan elemen vektor WH kemudian disebut file img.
3. load nilai rataan R dari database, kurangi img dengan R, kita dapatkan R’ img’.
4. Jika pada img’ ditemukan elemen dengan nilai negatif, ganti dengan nilai 0 untuk mendapatkan vektor ukuran img’.
Menghitung Eigenface
1 2 3
Proses selanjutnya adalah identifikasi, yaitu :
1. memproyeksikan test image ke FaceSpace dan memghitung score.
2. Load semua wajah yang sudah diproyeksikan dari data base.
3. Dapatkan secore dari setiap image
4. Lakukan oprasi pengurangan, secor imagedengan semua wajah yang telah diproyeksikan.
5. Ambil nilai absolutnya dan jumlakan, hasilnya adalah score
6. Mengambil score terkecil sebagai hasil dari wajah yang telah diproyeksikan, Wajah ini menjadi model identifikasi
Menghitung Eigenface
1 2 3
Cotoh Eigenface
1 2 3
input
Cotoh Eigenface
=7
1 2 3
Training setCotoh Eigenface
PERANCANGAN
Bagian ini menjelaskan tentang desain sistem identifikasi kepribadian, berdasarkan model dan karakteristik
beberapa bagian wajah
1. Jumlah kepribadian pada data base.
2. Jumlah sifat pada data base.
3. Fitur wajah yang diekstrasi.
4. Jumlah eigen value pada data base.
5. Koordinat mata.
6. Koordinat alis.
7. Koordinat kepala.
Parameter sistem
PERANCANGAN
1. Citra masukan yang ditangkap oleh
kamera.
2. Nilai RGB setiap pixsel pada citra.
3. Nilai eigenface.
4. Sifat yang teridentifikasi.
5. Kepribadian yang teridentifikasi.
Variabel sistem
1. Warna background relatif berbeda dengan
wajah.
2. Pembelajar diasumsikan sebagai orang
mongoloid.
3. Pembelajar diasumsikan memiliki wajah
yang normal dan simetris.
4. Sistem hanya mampu mengidentifikasi
kepribadian saat pengambilan gambar
sesuai dengan parameter yang ditentukan.
Batasan sistem
Fungsi oprasional perangkat lunak yang dirancang dan dikembangkan adalah sebagai berikut:
1. Pengambilan gambar : sistem mampu mengambil gambar dengan koordinat yang sudah ditentukan titik referensinya.
2. Kalkulasi citra wajah : sistem mampu mendapatkan nilai eigen dari daerah mata, alis dan kepala degan algoritma eigenface.
3. Identifikasi sifat : sistem mampu mengidentifikasi sifat - sifat yang menyertai model alis, mata, dan kepala sesuai dengan nilai eigen yang didapatkan.
4. Identifikasi kepribadian : sistem mampu mengidentifikasi kepribadian pembelajar (user) dengan cara membandingkan banyaknya sifat dari sifat empat dasar tipe kepribadian.
Perancangan fungsional
PERANCANGAN
PERANCANGANPerancangan Detail
Memisahkan bagian wajah
Pengambilan gambar
Menampilkan Hasil
Identifikasi
Kalkulasi eigen value Alis
Kalkulasi eigen value Mata
Kalkulasi eigen value Kepala
Data Base
Proses Matching
Mencari Nilai eigen value yang paling mendekati
Skema identifikasi kepribadian
Start
Stop
Memangil fungsi
camera
Tampilkan Vidio
Tidak
Vidio
Ya
Mengambil Gambar
Gambar (Image)
Perancangan Detail
Perangkat Lunak Pengambilan Gambar
Perancangan Detail
Perangkat Lunak Identifikasi WajahStart
Training set
ImageMemuat Image
Menghitung
EigenFace
Eigenface
image
Mengenali objek
Mendapat Image
yang sama
image
Dikenali
YA
Tidak
Stop
Daftar sifat
Daftar sifat
Citra WajahMenghimpun Sifat
Mencocokan sifat
Nilai Eigenface
Dapat Sifat
Tidak
Ya
Cocok
Daftar
Kepribadian
Kepribadin
start
Stop
Tidak
Perancangan Detail
Perangkat Lunak Identifikasi Kepribadian
IMPLEMENTASI DAN PENGUJIAN
Pada bagian ini dilakukan pengujianterhadap sistem yang telah dirancangdan diimplementasikan. Pengujianawalnya dilakuan pada pengambilancitra wajah, ekstrasi daerah wajah, danpengujian identifikasi kepribadian.
Pengujian Pengambilan Gambar
Ekstraksi, alis, mata, dan bagian kepala
Pengambilan Gambar
IMPLEMENTASI DAN PENGUJIAN
Hasil Pengujian Pengambilan Gambar
Pengujia pada pengambilan gambar memiliki akurasi yang cukup bagus, namun masi memiliki kekurangan, yaitu memerlukan waktu yang relatif lama untuk menempatkan bagian mata pada titik referensi yang di sediakan.
Pengujian Eigenface Pada matlab
Pengujian simulasi pada matlab dan perangkat lunak identifikasi kepribadian, didapatkan hasil yang sama pada uji coba salah satu
sampel mata
IMPLEMENTASI DAN PENGUJIAN
Grafik citra training set dan grafik input citra
Pengujian Eigenface Pada matlab
Contoh :
Pengujian bagian alis pada perangkat lunak identifikasi kepribadian
Contoh :
Pengujian bagian mata pada perangkat lunak identifikasi kepribadian
Pengujian perangkat Lunak identifikasi Kepribadian
Contoh :
Pengujian bagian kepala padaperangkat lunak identifikasikepribadian
Pengujian perangkat Lunak identifikasi Kepribadian
IMPLEMENTASIPengujian Identifikasi Kepribadian
Didapatkan hasil 9 tepat dan 6 tidak tepat dengan hasil uji kuisioner yang dibuat oleh Florece
RENCANA IMPLEMENTASI
• Jika identifikasi kepribadian yang didapatkan adalah koleris,maka secara garis besar pembelajar ini memiliki sifat ekstrofet,pelaku, dan optimis. Dalam teori gaya belajar Myers-Briggs,kepribadian tersebut sangat tepat menggunaka fitur pada E-learning berupa Forum diskusi dan beberapa konten berupaSimulasi, multimedia interaktif. Sedangkan cara memberikanmateri hanya dengan memberikan tantangan - tantangan barupada materi pembelajaran tersebut.
• Jika identifikasi kepribadian yang didapatkan adalah melankolis,maka secara garis besar pembelajar ini memiliki kepribadianyang introvet, pemikir dan pesimis. Merujuk pada teori Myers-Briggs, kepribadian tersebut tepat mengunakan media belajarjurnal, blog, dan roodmap pembelajaran, serta memberikankonten berupa referensi - referensi materi yang cukup sertameberikan beberapa fasilitas multimedia.
• Jika identifikasi kepribadian yang didapatkan adalah plagmatis,maka secara garis besar pembelajar ini memiliki sifat introvet,pengamat, dan pesimis. Menurut Myers-Briggs mediapembelajaran yang tepat bagi pembelajar ini adalah jurnal, blog,dan forum diskusi serta diberikan konten berupa simulasi danreferensi materi.
• Jika kepribadian yang didapat adalah sangwinis, maka secaragaris besar kepribadian ini memiliki sifat ekstrofet, pembicara,dan optimis. Pada teori pembelajaran Myers-Briggs tipekepribadian ini disarankan untuk diberikan fitur berupa forumdiskusi dengan menyediakan konten referensi materi yangcukup.
Kepribadian dan Strategi Pembelajaran
Penutup
Kesimpulan
Ekstrasi fitur wajah dengan teknik memotong(crop) pada citra memiliki kesulitan yang relatif,sehingga dalam ujicoba yang dilakukan diperolehakurasi 80 %. Untuk algoritma eigenfacemerupakan algoritma yang cukup baik dalammengenali fitur-fitur wajah, dan dapatmepresentasikan citra dalam bentuk karakteristik.Dari 15 percobaan identifikasi kepribadianmenggunkan prangkat lunak didapatkan hasil 9tepat dan 6 tidak tepat dengan caramembandingkan hasil identifikasi pada kuisioner.Oleh karena itu prangkat lunak tersebut dapatdinilai cukup baik dalam mengidentifikasikepribadian dengan akurasi 60 %.
Top Related