Pengenalan Citra Wajah Sebagai Identifier Menggunakan Metode Principal Component Analysis (PCA)

| 166

JURNAL TEKNIK INFORMATIKA VOL 9 NO. 2, OKTOBER 2016

Pengenalan Citra Wajah Sebagai Identifier Menggunakan Metode Principal Component Analysis (PCA) Aris Budi S1, Suma'inna2, Hata Maulana3 1,2

Matematika,3Teknik Multimedia Digital Fakultas Sains dan Teknologi, 3Jurusan Teknik Informatika dan Komputer 1,2 Universitas Islam Negeri Jakarta, 3Politeknik Negeri Jakarta

1,2

[email protected], [email protected], [email protected]

ABSTRAK Pengenalan wajah merupakan sebuah sistem identifikasi pribadi yang menggunakan karakteristik wajah seseorang. Pengenalan wajah sendiri merupakan suatu cabang ilmu biometrik, yaitu suatu bidang keilmuan yang menggunakan karakteristik fisik dari seseorang untuk menentukan atau mengungkapkan identitasnya. Sistem yang dikembangkan dalam tugas akhir ini adalah sebuah sistem pengenalan wajah yang menggunakan ekstraksi fitur berbasis Principal Component Analysis (PCA). Teknik ini melibatkan pengambilan komponen utama dari database wajah. Untuk mengetahui keakuratan sistem pengenalan wajah manusia yang dirancang pada tugas akhir ini, telah dilakukan uji coba sistem dengan menggunakan input sebanyak 60 citra wajah dari database. Dari hasil pengujian sistem ini, didapatkan hasil performansi sistem adalah 80% dalam mengenali citra input dengan benar. Kata kunci : pengenalan wajah, biometrik, PCA.

ABSTRACT Face recognition is a personal identification system that uses a person's facial characteristics. Facial recognition is itself a branch of biometrics, which is a science that uses physical characteristics of a person to determine or disclose his identity. The system developed in this thesis is a system that uses face recognition feature extraction based on Principal Component Analysis (PCA). This technique involves taking a major component of facial database. To determine the accuracy of human face recognition system designed in this final project, has conducted trials using the system with as many as 60 input facial image of the database. From the results of testing this system, the result is a 80% system performance in recognizing the input image correctly. Keywords : pengenalan wajah, biometrik, PCA.

Aris Budi: Pengenalan Citra Wajah….

166-175

ISSN 1979-9160

167 |


I. PENDAHULUAN Sistem biometrika merupakan teknologi pengenalan diri dengan menggunakan bagian tubuh atau perilaku manusia. Sistem akan mencari dan mencocokan identitas seseorang dengan suatu basis data acuan yang yang telah disiapkan sebelumnya melalui proses pendaftaran. Sidik jari dan tanda tangan, masing-masing merupakan contoh biometrika berdasarkan bagian tubuh dan tingkah laku manusia. Sistem pengenalan diri adalah sistem untuk mengenali identitas seseorang secara otomatis dengan menggunakan teknologi komputer dan bertujuan untuk meningkatkan keamanan sistem sehingga kemampuan sistem pengenalan diri dalam mengenali target secara tepat adalah sangat penting[6]. Pemanfaatan pengolahan citra pada bidang biometrika telah mengalami kemajuan yang sangat pesat. Salah satu bidang yang banyak diteliti dan dikembangkan adalah kemampuan komputer untuk dapat mengenali identitas seseorang melalui citra wajah. Pengenalan wajah (face recognition) tentu sangat mudah apabila dilakukan oleh manusia. Namun tidak bagi teknologi komputer yang belum dilengkapi sistem cerdas. Oleh karena itu, dibutuhkan suatu sistem cerdas yang dapat melakukan pemrosesan pengenalan wajah. Sistem pengenalan wajah dibagi menjadi tiga bagian yaitu segmentasi/deteksi, ekstraksi ciri dan pengenalan wajah[4]. Hal yang terpenting dalam pengenalan wajah adalah ekstraksi semua informasi yang relevan pada citra wajah. Ekstrasi fitur ciri wajah dibagi menjadi dua, yaitu Holistik (mengenal wajah secara keseluruhan) dan Parsial (mengenal wajah secara bagian per bagian, misalnya mata, hidung, mulut dan sebagainya). Pendekatan yang terbukti mampu memberikan hasil terbaik dalam melakukan ekstraksi ciri wajah adalah pemrosesan citra wajah secara keseluruhan [6]. Salah satu metode pengenalan citra wajah secara holistik adalah PCA (Principal Component Analisis) atau juga dikenal sebagai Karhunen-Loeve (KL). Metode PCA untuk pengenalan wajah dikenalkan oleh M Turk & Pentland, 1991. Pada dasarnya metode PCA mengambil eigenface dengan cara mengekstraksi informasi-informasi penting dalam citra wajah. Melalui perhitungan matriks Aris Budi: Pengenalan Citra Wajah….

vektor rata-rata dan matriks kovarian didalam database citra wajah maka akan menghasilkan eigenface yang digunakan untuk pengenalan. Eigenface tersebut menjadi dasar perhitungan jarak wajah yang merepresentasikan nilai bobot individu yang mewakili satu atau lebih citra wajah. Perhitungan jarak nilai bobot dilakukan dengan perhitungan jaraka Euclidian (Euclidian Distance). Menurut M Turk & Pentland, perlu diperhatikan bahwa banyak aplikasi pengenalan wajah yang tidak dapat mengidentifikasi dengan sempurna. Untuk database yang sangat besar, tentu akan menjadi lebih baik menggunakan database yang lebih kecil. Seperti penerapannya dalam bidang keamanan sistem atau interaksi manusia dengan komputer, sistem seharusnya bisa melakukan pengenalan dalam waktu yang relatif singkat dalam hitungan detik atau menit. 2.1 Definisi Biometrika 2.1.1 Biometrika Secara harfiah, biometrika atau biometrics berasal dari kata bio dan metrics. Bio berarti sesuatu yang hidup, dam metrics berarti mengukur. Biometrika berarti mengukur karakteristik pembeda ( distinguishing traits) pada badan atau perilaku seseorang yang digunakan untuk melakukan pengenalan secara otomatis terhadap identitas orang tersebut, dengan membandingkannya dengan karakteristik yang sebelumnya telah disimpan pada suatu database[6]. Secara umum karakteristik pembeda tersebut dapat dikelompokan menjadi 2, yaitu karakteristik fisiologis atau fisik (physiological/physical characteristic) dan karakteristik perilaku (behavioral characteristic). Biometrika berdasarkan karakteristik fisiologis/fisik menggunakan bagian-bagian fisik dari tubuh seseorang sebagai kode unik untuk pengenalan, seperti DNA, telinga, jejak panas pada wajah, geometri tangan, pembuluh tangan, sidik jari, iris, telapak tangan, retina, gigi dan bau (komposisi kimia) dari keringat tubuh. Sedangkan biometrik berdasarkan karakteristik perilaku menggunakan perilaku seseorang sebagai kode unik untuk melakukan pengenalan, seperti gaya berjalan, hentakan tombol, tanda tangan dan suara [5]. Karakteristik psikologi/behaviour setiap manusia berbeda-beda. Oleh karena itu,

166-175

ISSN 1979-9160


identifier biometrik dianggap lebih reliable dibandingkan berdasarkan pemasukan token dan pengenalan knowledge [2]. II. TINJAUAN PUSTAKA 2.1.2 Sistem Biometrika Sistem biometrika merupakan teknologi pengenalan diri dengan menggunakan bagian tubuh atau perilaku manusia. Sistem pengenalan diri adalah sistem untuk mengenali identitas seseorang secara otomatis dengan menggunakan teknologi komputer. Sistem akan mencari dan mencocokan identitas seseorang dengan suatu basis data acuan yang yang telah disiapkan sebelumnya melalui proses pendaftaran. Sistem pengenalan diri bertujuan untuk meningkatkan keamanan sistem sehingga kemampuan sistem pengenalan diri dalam mengenali target secara tepat adalah sangat penting [6].

Gambar 1. Mekanisme Sistem Biometrik [2] Mekanisme sistem biometrik dapat digambarkan dengan beberapa fase, pertama fase penggolongan (enrollment). Seperti yang terlihat pada Gambar 1, Pada fase penggolongan masukan wajah akan dipindai (scan) oleh sensor biometrik, yang merupakan representasi karakteristik digital. Selanjutnya fase pencocokan, dalam fase ini inputan database akan dicocokkan dengan identifikasi data. Dapat dimungkinkan adanya reduksi, sehingga dihasilkan representasi digital. Hasil ini akan diproses dengan ekstraktor ciri untuk menghasilkan suatu representasi yang ekspresif dalam bentuk template. Bergantung aplikasinya template dapat disimpan dalam database di sistem biometrik atau dapat direkam pada kartu magnetik (atau smartcard). Sedang pada fase pengenalan, karakteristik individu dibaca oleh Aris Budi: Pengenalan Citra Wajah….

| 168

pembaca biometrik (reader). Selanjutnya dikonversi dengan format digital, untuk diproses sebagai ekstraktor ciri (template). Hasil template ini selanjutnya dicocokkan dengan identifikasi individu [2]. 2.2 Citra dan Pengolahannya 2.2.1 Definisi Citra Secara harfiah, citra (image) adalah gambar pada bidang dwimatra (dua dimensi). Ditinjau dari sudut pandang matematis, citra merupakan fungsi menerus (continue) dari intesitas cahaya pada bidang dwimatra. Sumber cahaya menerangi objek, objek memantulkan kembali sebagian dari berkas cahaya tersebut. Pantulan cahaya ini ditangkap oleh alat-alat optic, seperti mata pada manusia, kamera, pemindai (scanner), dan lain-lain sehingga bayangan objek dalam bentuk citra dapat terekam. Citra dapat dikelompokkan menjadi dua bagian yaitu citra diam (still images) dan citra bergerak (moving images). Citra diam adalah citra tunggal yang tidak bergerak. Sedang citra bergerak adalah rangkaian citra diam yang ditampilkan secara beruntun (sekuensial), sehingga memberi kesan pada mata sebagai gambar yang bergerak. Setiap citra didalam rangkaian itu disebut frame. Gambar-gambar yang tampak pada film layar lebar atau televisi pada hakekatnya terdiri dari ratusan sampai ribuan frame[8]. Citra digital adalah sebuah fungsi 2D, f(x,y), yang merupakan fungsi intensitas cahaya, dimana nilai x dan y merupakan koordinat spasial dan nilai fungsi di setiap titik (x,y) merupakan tingkat keabuan citra pada titik tersebut. Citra digital dinyatakan dengan sebuah matriks dimana baris dan kolomnya menyatakan suatu titik pada citra tersebut dan elemen matriksnya (yang disebut sebagai elemen gambar atau piksel) menyatakan tingkat keabuan pada titik tersebut. Matriks dari citra digital berukuran NxM (tinggi x lebar), dimana: N = jumlah baris 0
166-175

ISSN 1979-9160

169 |


Gambar 5. Citra Warna Dengan Komposisi RGB

Gambar 2 Gambaran matriks dari citra digital Dimana indeks baris (x) dan indeks kolom (y) menyatakan suatu koordinat titik pada citra, sedangkan f(x,y) merupakan intensitas (derajat keabuan) pada titik (x,y). Berdasarkan jenisnya, citra digital dapat dibagi menjadi tiga [5], yaitu: 1. Citra Biner (Monokrom) Memiliki 2 buah warna, yaitu hitam dan putih. Warna hitam bernilai 1 dan warna putih bernilai 0. Untuk menyimpan kedua warna ini dibutuhkan 1 bit di memori. Contoh dari susunan piksel pada citra monokrom adalah sebagai berikut:

Gambar 3. Citra Biner 2. Citra Grayscale (skala keabuan) Citra grayscale mempunyai kemungkinan warna hitam untuk nilai minimal dan warna putih untuk nilai maksimal. Banyaknya warna tergantung pada jumlah bit yang disediakan di memori untuk menampung kebutuhan warna tersebut. Semakin besar jumlah bit warna yang disediakan di memori, maka semakin halus gradasi warna yang terbentuk.

Gambar 4. Citra Grayscale 3. Citra Warna (true color)

Setiap piksel pada citra warna mewakili warna yang merupakan kombinasi tiga warna dasar, yaitu merah, hijau, dan biru (RGB = Red, Green, Blue). Setiap warna dasar menggunakan penyimpanan 8 bit = 1 byte (nilai maksimum 255 warna), jadi satu piksel pada citra warna diwakili oleh 3 byte. 2.2.2 Pengolahan Citra Digital Pengolahan citra digital adalah salah satu bentuk pemrosesan informasi dengan inputan berupa citra (image) dan keluaran yang juga berupa citra atau dapat juga bagian dari citra tersebut. Tujuan dari pemrosesan ini adalah memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau mesin komputer. Operasi-operasi pada pengolahan citra digital secara umum dapat diklasifikasikan sebagai berikut[11]: 1.Perbaikan kualitas citra (image enhancement), contohnya perbaikan kontras gelap/terang, penajaman (sharpening), dan perbaikan tepian objek (edge enhancement). 2.Restorasi citra (image restoration), contohnya penghilangan kesamaran (deblurring). 3.Pemampatan citra (image compression). 4.Segmentasi citra (image segmentation). 5.Pengorakan citra (image analysis), contohnya pendeteksian tepi objek (edge enhancement) dan ekstraksi batas (boundary). 6.Rekonstruksi citra (image recronstruction). 2.3 Pengenalan Wajah Secara umum sistem pengenalan citra wajah dibagi menjadi dua jenis, yaitu sistem feature based dan sistem imaged based. Pada sistem pertama digunakan fitur yang diekstraksi dari komponen citra wajah (mata, hidung, mulut, dll.) yang kemudian hubungan antara fitur-fitur tersebut dimodelkan secara geometris. Sedangkan sistem kedua menggunakan informasi mentah dari piksel citra yang kemudian direpresentasikan dalam metode tertentu, misalnya Principal Component Analysis (PCA) [1]. 2.4 Metode Deteksi Wajah Proses deteksi wajah merupakan bagian yang penting. Sistem harus mendeteksi keberadaan wajah pada citra dengan berbagai variasi pose, pencahayaan, ekspresi wajah, penghalang (kaca


166-175

ISSN 1979-9160


mata, kumis dan jenggot) serta ukuran. Pengolahan citra berfungsi untuk menonjolkan ciri tertentu serta mengurangi derau sehingga citra siap digunakan untuk keperluan analisis. Pengolahan citra yang dilakukan meliputi deteksi kulit, normalisasi cahaya, serta normalisasi dimensi. Terdapat empat jenis deteksi wajah [7]: 2.4.1 Metode Knowledge based Metode ini berdasarkan aturan yang sederhana. Fitur wajah dideskripsikan menjadi sekumpulan aturan-aturan sederhana. Aturanaturan tersebut menggambarkan hubungan antara fitur wajah. Algoritma pencarian akan mencari wajah yang dimaksud dengan aturan ini. Pengetahuan manusia sulit diubah ke dalam bentuk aturan secara umum. Dalam hal citra wajah akan sulit menjelaskan sebuah wajah berdasar pengetahuan yang dimiliki. Jika wajah dideskripsikan secara detail maka akan dihasilkan aturan dalam jumlah yang sangat besar, sedangkan aturan yang sedikit tidak mampu menjelaskan wajah secara tepat. Adanya variasi pose akan mengurangi performa deteksi wajah jenis ini. 2.4.2 Metode Template Matching Metode ini merepresentasikan seluruh wajah menggunakan template tunggal. Pola standar suatu wajah ini mampu menggambarkan sebuah wajah utuh atau fitur wajah. Korelasi diantara citra masukan dan pola yang tersimpan kemudian dibandingkan untuk melokalisasi wajah. Keuntungan model ini yaitu pendekatan yang sederhana namun membutuhkan memori yang besar dan tidak efektif. Metode ini tidak dapat mengatasi variasi skala dan pose. 2.4.3 Metode Featured Based Metode ini pertama kali bertujuan untuk menemukan fitur invarian dari wajah. Sejumlah metode digunakan yang berdasar pada fitur wajah, tekstur dan warna kulit. Beberapa fitur yang sering digunakan antara lain mata, lubang hidung, mulut, jarak hidung dan bibir yang diperhitungkan untuk membentuk sebuah wajah. Metode ini unggul dalam hal rotasi dan skala. Memori yang digunakan lebih sedikit dan prosesnya lebih cepat dibandingkan metode template matching. Metode ini tidak berhasil dalam mengatasi perbedaan pose dan pencahayaan. Adanya penghalang seperti kaca mata dan topi juga sulit untuk di deteksi. 2.4.4 Metode Appearance based


| 170

Metode ini banyak dipergunakan akhirakhir ini karena tingkat akurasi dan efisiensi yang tinggi. Metode menggunakan analisis statistik untuk memperoleh fitur dari wajah yang relevan. Fitur ini terdiri dari informasi geometrik maupun informasi tentang citra itu. Informasi dari citra ini kemudian direpresentasikan dengan metode tertentu (misalnya PCA, transformasi wavelet, dll) yang kemudian digunakan untuk pelatihan dan klasifikasi indentitas citra. Metode ini menggunakan pemilah (classifier) untuk membedakan wajah dan bukan wajah misalkan jaringan syaraf tiruan, SVM maupun diskriminan statistik. 2.5 Ekstraksi Fitur Pada dasarnya pengenalan wajah membutuhkan memori yang banyak dan perhitungan yang kompleks. Reduksi komponen atau fitur wajah dilakukan untuk mengurangi memori yang dibutuhkan dan waktu komputasi. Ada dua cara yang digunakan yaitu pemilihan fitur (feature selecion ) dan ekstraksi fitur (feature extraction ). Pemilihan fitur bertujuan untuk memilih sejumlah fitur yang banyak berpengaruh dari n fitur yang ada. Sedangkan ekstraksi fitur didapat dengan memproyeksikan fitur ke dalam dimensi yang lebih rendah. Fitur adalah segala jenis aspek pembeda, kualitas atau karakteristik. Fitur bisa berupa simbolik (misal warna) atau numerik (misal intensitas). Kombinasi dari d buah fitur dinyatakan sebagai vektor kolom dimensi-d disebut vektor fitur. Kualitas vektor fitur dilihat dari kemampuanya membedakan objek yang berasal dari kelas yang berbeda- beda. Objek dalam kelas yang sama harus memiliki nilai vektor fitur yang sama dan objek yang berada dalam kelas yang berbeda harus memiliki nilai vektor fitur yang berlainan pula [1]. Terkadang fitur dari suatu citra tidak berhubungan langsung dengan bagian-bagian yang terdapat pada citra tersebut, tetapi masih mencerminkan karakteristik tertentu dari citra, Fitur wajah merupakan hasil suatu algoritma ekstraksi terhadap citra wajah. Ekstraksi fitur dilaksanakan dengan alasan[9]: 1.Mengurangi data masukan (sehingga mempercepat proses dan mengurangi kebutuhan data) 2.Menyediakan sekumpulan fitur yang relevan untuk proses klasifikasi

166-175

ISSN 1979-9160

171 |


3. Mengurangi redudansi. 4.Menemukan variabel fitur yang menjelaskan data 5.Menghasilkan representasi dalam dimensi yang lebih kecil dengan sedikit informasi yang hilang. 2.6 Principal Component Analysis (PCA) Penggunaan wajah sebagai identifier mempunyai banyak manfaat, terutama kepraktisannya karena memerlukan kartu atau foto untuk identifikasi. Masalah utamanya adalah sebuah image yang mewakili sebuah gambar yang teerdiri dari vektor yang berukuran relatif besar. Ada banyak teknik untuk mereduksi dimensi dari image yang akan diproses. Salah satunya eigenface algorithm. Eigenface merupakan algoritma yang didasarkan pada Principal Componen Analysis (PCA) [1]. PCA mencari eigenface yang merupakan kumpulan dari vector eigen. Eigenface adalah principal component (ciri-ciri penting) dari distribusi citra wajah yang didapatkan dari vector eigen. Untuk mendapatkan eigenface, PCA melakukan perhitungan matriks kovarian dari kumpulan citra wajah latih. Eigenface tersebut akan menjadi dasar perhitungan jarak wajah yang merepresentasikan nilai bobot invidu yang mewakili satu atau lebih citra wajah. Nilai bobot inilah yang digunakan untuk mengenali citra wajah uuji dengan mencari jarak nilai bobot citra wajah uji dengan nilai bobot citra wajah latih. Perhitungan jarak nilai bobot dilakukan dengan perhitungan jarak Euclidian (Euclidian Distance). Alan Brooks pernah mengembangkan sebuah penelitian yang membandingkan dua algoritma yaitu Eigenface dan Fisherface. Penelitian ini difokuskan pada apakah perubahan pose wajah mempengaruhi akurasi pengenalan wajah. Diberikan database latih berupa foto wajah manusia, kemudian digunakan untuk melatih sebuah sistem pengenalan wajah, setelah proses latihan selesai, diberikan sebuah masukan image yang sebenarnya sama dengan salah satu image wajah pada fase latihan tetapi dengan pose yang berbeda. Sistem juga diharapkan punya sensitifitas minimal terhadap pencahayaan. Sistem dikembangkan dengan dua algoritma yaitu Eigenface dan Fisherface, dan dibandingkan hasilnya. Kedua teknik menghasilkan hasil yang memuaskan tetapi ada beberapa perbedaan Pada Eigenface Aris Budi: Pengenalan Citra Wajah….

kompleksitas komputasi lebih sederhana daripada Fisherface. Dari segi efektifitas karena perubahan pose Fisherface memberikan hasil yang lebih baik, bahkan dengan data yang lebih terbatas. Teknik Eigenface juga lebih sensitif terhadap pencahayaan dibandingkan dengan Fisherface [3]. Sasaran dari PCA adalah untuk menangkap variasi total dalam kumpulan karakter yang dilatih dan untuk menjalaskan variasi ini dengan sedikit variabel. Suatu observasi yang dijabarkan dengan variabel yang sedikit akan lebih mudah untuk ditangani dan tidak hanya berarti mengurangi kompleksitas dan waktu komputasi tetapi juga mengatur skala tiap variabel sesuai dengan kedudukan dan kepentingan relatifnya didalam menjabarkan observasi tersebut. Berikut representasi citra dengan PCA [10]: 1.Buatlah citra berukuran sama pada gambar wajah 2.Baca tiap-tiap citra wajah pelatihan, =( ) 3.Ubah dimensi citra wajah menjadi vektor berukuran: dan lambangkan setiap gambar sebagai vektor 4. Hitung rata-rata matriks

5.Kurangkan setiap matriks citra wajah dengan rata-ratanya 6. Menghitung matriks Covarians

7. Menghitung nilai eigen dan vector eigen Nilai eigen

Det (C

Vector eigen (C 8. Mencari nilai eigenface (

) ) )

Setelah eigenface wajah pelatihan di hasilkan, maka selanjutnya dilakukan tahap pengenalan. Berikut ini adalah tahap-tahapannya :

166-175

ISSN 1979-9160

| 172


1.Misalkan ada citra wajah yang akan dikenali new 2.Cari selisih

antara citra wajah uji

new

dengan nilai tengah 3. Cari nilai eigenface dari citra wajah uji

new

4.Gunakan Euclidean Distance untuk mencari selisih terkecil antara eigenface training image dalam database dengan eigen test image.

III. HASIL DAN PEMBAHASAN 3.1 Komponen Database Citra Wajah Untuk melakukan proses pengenalan wajah dibutuhkan database training yang terdiri dari citra wajah 6 individu dengan variasi pose. Citra ini berukuran 180 x 200 pixel berektensi .jpg dan dilakukan konversi citra dari format RGB menjadi grayscale. Sedangkan untuk database testing setiap sampel berisi 30 citra wajah yang terdiri dari 6 individu. Kondisi citra wajah yang digunakan dari sudut pose, ekspresi dan pencahayaan masing-masing berbeda. Oleh karena itu, pada saat pelatihan dilakukan penyamaan intesitas warna agar setiap citra mempunyai kondisi yang sama.

merupakan tahap yang paling penting dari sistem pengenalan wajah ini karena dari sinilah kita dapat mengetahui tingkat keakuratan sistem. Pengujian metode PCA ini dilakukan dengan cara memberikan wajah uji yang variasi posenya berbeda dari data training. Berikut ini adalah penjelasan mengenai proses pengujian: 3.2.1 Proses Input Citra Uji Jika sudah menentukan database yang dibutuhkan dalam proses pengenalan wajah, langkah selanjutnya adalah melakukan pengujian. Pengujian dilakukan dari semua individu yang ada pada data testing. Citra uji diubah warnanya dari citra RGB menjadi citra grayscale untuk mempercepat dan memudahkan proses selanjutnya. Setelah citra sudah berada pada tingkat keabuan tertentu, citra uji akan dideteksi bagian wajahnya saja. Gambar 8. dibawah ini adalah proses pengujian dari salah satu citra uji dengan nama sampel T6-5.

Gambar 8. Citra Wajah Uji Langkah awal untuk memulai pengujian adalah dengan menjalankan program Matlab R2009a. Pastikan bahwa current directory yang terdapat di Matlab sesuai dengan peletakan m-file beserta database dari citra wajah.

Gambar 6. Contoh Data Training Citra Wajah

Gambar 7. Contoh Citra Uji Data Testing Wajah 3.2 Pengujian Sistem Pengenalan Wajah Dalam pengenalan wajah dengan metode PCA ada tiga tahapan utama yaitu deteksi, ekstraksi dan pengenalan wajah. Proses pengenalan


3.2.2 Proses Deteksi M-file akan memproses citra uji yang di masukan dari database testing dengan metode PCA. Sebelumnya akan dilakukan pelatihan pada database training. Prosesnya yaitu dengan cara menyamakan intesitas cahaya dari data training agar kondisi dari citra pelatihan sama dan kemudian mengkonversinya menjadi citra grayscale. Hal ini berguna untuk mendapatkan ekstrasi fitur wajah dengan menghilangkan informasi-informasi yang tidak dibutuhkan dalam proses pengenalan. Pada Gambar 4.6 merupakan citra pelatihan yang telah dilakukan proses penambahan level intesitas warna.

166-175

ISSN 1979-9160

173 |


Dalam proses penambahan intesitas warna ini bertujuan untuk mendapatkan candidate face region dimana nantinya hanya skin region yang didapatkan. Intinya adalah melakukan pengambilan skin region dari wajah sehingga proses pengenalan wajah akan jauh lebih mudah untuk dikenali.

Gambar 9. Hasil Pendeteksian Skin Wajah 3.2.3 Proses Ekstraksi dan Pengenalan Wajah Tahap pengenalan merupakan tahapan terakhir dari metode PCA. Setelah berhasil mendeteksi skin wajah untuk seluruh data training dan data testing. Hasil ekstraksi skin wajah direpresentasikan dalam bentuk matriksmatriks wajah. Dalam hal ini dilakukan perhitungan mencari eigenface masing-masing wajah. Untuk mendapatkan eigenface, PCA melakukan perhitungan matriks kovarian dari kumpulan citra wajah latih. Eigenface tersebut akan menjadi dasar perhitungan jarak wajah yang merepresentasikan nilai bobot invidu yang mewakili satu atau lebih citra wajah. Nilai bobot inilah yang digunakan untuk mengenali citra wajah uji dengan mencari jarak nilai bobot citra wajah uji dengan nilai bobot citra wajah training. Perhitungan jarak nilai bobot dilakukan dengan perhitungan jarak Euclidian (Euclidian Distance). Jarak nilai bobot yang terkecil merupakan representasi dari citra training yang mirip dengan citra wajah uji. Pada Gambar 10. menunjukan hasil pengenalan yang telah berhasil mengidentifikasi wajah sesuai dengan kemiripannya.

Gambar 10. Hasil Proses Pengenalan Citra Uji 3.3 Analisis Hasil Pengujian Pada penelitian ini penulis akan menguji coba pengenalan wajah dengan varian jumlah database training yang berbeda untuk mengetahui tingkat akurasi, waktu komputasi dan kesalahan yang terjadi pada saat melakukan pengenalan wajah. Database terdiri dari 18 citra dengan komposisi 6 individu dan masingmasing mempunyai 3 varian pose. Varian ini terdiri dari perbedaan wajah (jenis kelamin, rambut, dan warna kulit), perbedaan pose, perbedaan ekspresi sederhana dan salah satu database citra terdapat halangan seperti kacamata. Keragaman database ini diperlukan untuk menguji tingkat keberhasilan metode PCA dalam melakukan pengenalan. Berikut hasil beberapa pengujian. 1. Database dengan 1 citra pelatihan Tabel 1. Hasil Pengenalan Citra Wajah Dengan 1 Citra Training

Citra Uji

Hasil Pengamatan

TI-1 B TI-2 B TI-3 B TI-4 B TI-5 B Rata-rata Keterangan: B=Benar, S=Salah

Waktu Pengenalan (detik) 4.7442 4.7877 5.0614 4.7224 4.7381 4.9663

• Waktu rata-rata yang dibutuhkan untuk melakukan pengenalan wajah dengan 1 citra training adalah 4.9663. • Akurasi = • Error = Tabel 2. Hasil Pengenalan Citra Wajah Dengan 2 Citra Training


166-175

Citra Uji

Hasil Pengamatan

TI-1 TI-2 TI-3 TI-4

B B B B

Waktu Pengenalan (detik) 13.5531 14.2911 14.1708 13.4822

ISSN 1979-9160

| 174


TI-5 B Rata-rata Keterangan: B=Benar, S=Salah

13.0746 13.7287

• Waktu rata-rata yang dibutuhkan untuk melakukan pengenalan wajah dengan 1 citra training adalah 13.7287 detik. • Akurasi = • Error = 3. Database dengan 3 citra pelatihan Tabel 3. Hasil Pengenalan Citra Wajah Dengan 3 Citra Training

Citra Uji

Hasil Pengamatan

TI-1 B TI-2 B TI-3 B TI-4 B TI-5 B Rata-rata Keterangan: B=Benar, S=Salah

Waktu Pengenalan (detik) 26.8093 25.6767 25.2710 25.1341 25.0376 26.0622

• Waktu rata-rata yang dibutuhkan untuk melakukan pengenalan wajah dengan 1 citra training adalah 26.0622 detik.

Kinerja PCA dalam melakukan pengenalan wajah yang meliputi sistem deteksi dan sistem pengenalan sebesar 80% dari 30 data citra uji. Tingkat akurasi tersebut menunjukkan kinerja PCA dalam melakukan pengenalan cukup baik. Namun perlu juga diperhatikan penggunaan database citra latih yang dapat mempengaruhi waktu komputasi. Semakin besar database maka akan semakin lama PCA melakukan pengenalan. Kualitas pengenalan wajah PCA dipengaruhi oleh kondisi dari citra itu sendiri. Pecahayaan yang terlalu tinggi, perubahan pose wajah, dan perubahan latar dapat mempengaruhi kualitas pengenalan wajah. Jika citra yang digunakan sebagai training set maupun sebagai citra uji memiliki intensitas cahaya yang berbeda dan tidak berada pada posisi yang sama dengan citra training set maka proses tersebut belum tentu dapat memberikan hasil yang akurat. Perlunya peningkatan kinerja sistem terutama dalam bagian pengolahan citra. Bagian pengolahan citra memerlukan waktu yang paling lama dibanding proses yang lain.Namun hal itu jangan sampai mengurangi kinerja pengolahan citra terutama untuk menyesuaikan citra masukan agar memiliki kondisi yang serupa dengan citra pada basis data.

• Akurasi =

V. DAFTAR PUSTAKA

• Error = Pengenalan citra wajah dengan menggunakan metode PCA cukup berhasil. Sekitar 24 dari 30 data uji wajah berhasil dikenali dan sisanya 6 data wajah tidak dapat dikenali. Sedangkan untuk waktu komputasinya dari penggunaan jumlah data training yang berbeda menunjukan bahwa semakin banyak jumlah di database pengenalan wajah maka akan semakin lama waktu pengenalannya. VI. PENUTUP Metode Principal Component Analysis (PCA) merupakan metode untuk mengambil ciri-ciri penting dari sekumpulan data set. Ciri-ciri penting tersebut didapatkan dari ekstraksi fitur dari setiap citra wajah yang digunakan sebagai identifier. Semakin banyak ciri-ciri khusus yang didapatkan maka metode ini akan lebih mampu melakukan pengenalan.


[1] Al Fatta, Hanif. Rekayasa Sistem Pengenalan Wajah: Membangun Sistem Presensi Karyawan Menggunakan Microsoft Visual Basic 6.0 dan Micrososft Access, Yogyakarta: Penerbit Andi, 2009. [2] Anil K Jain, et. al., Biometric Identification, Communications of The ACM, Vol 43, No 2, pp. 91-99, 2000. [3] Broks, Alan. Face Recognition: Eigenface and Fisherface Performance Across Pose. 2004, diakses pada tanggal 7 maret 2012, Pukul 15:00 WIB. http://dailyburrito.com/projects/facerecog/ FaceRecReport.html. [4] Chellappa, Rama and Wenyi zhao. Face Processing: Advanced Modelling And Metods. Burlington:elsevier, 2006. [5] Chellappa, Rama and Wenyi zhao. Unsconstrained Face Recognition. NewYork: Springer, 2008. [6] Darma Putra. C, Widya Hermawan. Sistematika Biometrika : Konsep Dasar, Tekhnik Analisis Citra Dan Tahapan

166-175

ISSN 1979-9160

175 |


Membangun Aplikasi Sistem Biometrika, Yogyakarta: Penerbit Andi, 2009. [7] Febrian. Sistem Pengenalan Wajah Berbasis Metoda Fisherface, Laporan Tugas Akhir, ITB, 2007. [8] Rinaldi Munir. Pengolahan Citra Digital dengan Pendekatan Algoritmik, Bandung: Penerbit informatika, 2004. [9] S. Theodoridis, K. Koutroumbas. Pattern Recognition 2nd Edition. San Diego: Elsevier, 2003. [10] Sutojo, T., Bowo, Erna, dkk. Teori dan Aplikasi Aljabar Linier dan Matriks.Yogyakarta : Penerbit Andi, 2010. [11] Sutoyo, T., Mulyanto, Edi, dkk. Teori Pengolahan Citra Digital. Yogyakarta: Penerbit Andi, 2009. [12] Zayuman Hidayat, Imam, dkk. Pengenalan Wajah Menggunakan Analisis Komponen Utama Dan Jaringan Syaraf Tiruan Perambatan Balik. Seminar tugas akhir, UNDIP, 2007.


166-175

ISSN 1979-9160

Pengenalan Citra Wajah Sebagai Identifier Menggunakan Metode Principal Component Analysis (PCA)

Recommend Documents