PENGENALAN WAJAH DENGAN MENGGGUNAKAN METODE PRINCIPLE

COMPONEN ANALYSIS

(Face Recognition Using Principal Component Analysis)

Halimah, Tekad Matulatan,M.info Tech

Jurusan Informatika, Fakultas Teknik, Universitas Maritim Raja Ali Haji

Jl. Politeknik Senggarang, Tanjungpinang 29115

Email : halimah.suka.pink@gmail.com; tekad.matulatan@stimednp.ac.id

ABSTRAK

Keamanan dalam membuat suatu sistem merupakan hal yang sangat penting. Pesatnya

perkembangan software menjadikan keamanan sebagai kebutuhan dasar. Tidak ada sistem

komputer yang dapat diamankan secara total, yang dapat dilakukan adalah membuat

kesulitan bagi orang lain untuk mengganggu sistem komputer kita. Aplikasi yang banyak

menggunakan keamanan yang tinggi salah satunya pengenalan diri. Pengenalan diri yang

banyak dikembangkan sekarang ini lebih mengarah ke bagian biometrik manusia, salah

satunya adalah mengenali wajah manusia. Sistem bisa mengenali wajah manusia yang telah

terekam di dalam database. Dengan adanya pengenalan wajah ini, data seseorang tidak dapat

dipalsukan. Aplikasi yang dibangun dalam penelitian ini digunakan untuk meneliti

keakuratan pengenalan wajah. Metode yang digunakan dalam mengenali wajah seseorang

adalah Principle Component Analisist. Dalam metode ini algoritma yang dipakai adalah

Algoritma Eigenface. Berdasarkan penelitian yang dilakukan diperolah tingkat keberhasilan

mengenali wajah sebesar 88% dari 25 kali ujicoba yang dilakukan.

Kata Kunci : Pengenalan Wajah, Principle Component Analysis(PCA), Algoritma Egenface

ABSTRACT

Safety in making a system is very important. The rapid development makes software security

as a basic necessity. No computer system can be completely secure, which can be done is to

make it difficult for others to disrupt our computer systems. Many applications use high

security one of them is self reconigtion. The reconigtion of self is much more developed now

leads to the biometric humans, one of which is to recognize human faces. The system can

recognize a human face that has been recorded in the database. With face recognition, one

data cannot be faked. An application built in this study is used to examine the accuracy of

face recognition. The method used to recognize a person's face is the Principle Component

Analysis. In this method the algorithm is used Eigenface Algorithm. Based on the research

conducted to recognize faces obtained a success rate of 88% of the 25 times the test is

performed.

Keywords: face recognition, Principle Component Analysis(PCA), Algorithm Egenface

I. PENDAHULUAN

Pengenalan wajah merupakan proses

identifikasi suatu benda yang sudah terdeteksi

sebagai wajah atau bukan wajah dan

kemudian di ketahui siapa yang terdapat

dalam wajah tersebut. Dalam pengenalan

wajah ini, terlebih dahulu mendeteksi letak

suatu wajah dalam gambar. Deteksi wajah itu

sendiri adalah proses pendeteksian wajah dan

pencarian fitur yang selanjutnya ditandai

menjadi citra terlacak sehingga bisa

mengenali pola sebagai wajah atau bukan

wajah.

Viola dan jones, sudah mengembangkan

penelitian mengenali deteksi wajah ini.

metode yang di usung oleh keduanya adalah

metode haar. Metode ini menjelaskan cara

mencari objek wajah pada gambar sehingga

dapat diketahui objek tersebut memiliki wajah

atau bukan. Dan untuk mengenali wajah

seseorang tersebut, penulis menggunakan

metode Principle Component Analysis.

II. METODE PENELITIAN

A. Metode Pengembangan Sistem

Metodologi yang digunakan dalam

penelitian ini adalah metodologi RUP

(Rational Unified Process) digunakan

sebagai landasan dasar dalam melakukan

pengembangan sistem.

Fase-fase dalam metodologi RUP terdiri

dari:

1. Fase Inception (Permulaan)

Fase ini merupakan permulaan tahap

pengembangan yaitu mendefinisikan

batasan kegiatan, melakukan analisis

kebutuhan pengguna, dan melakukan

perancangan awal perangkat lunak

(perancangan arsitektural dan use case).

2. Fase Elaboration (Perencanaan)

Pada fase ini dilakukan perancangan

sistem. Tahap ini menggunakan flowchart

dan UML (Unified Modelling Language).

Flowchart untuk menyatakan aliran data

atau proses sementara UML (Unified

Modelling Language) digunakan untuk

membantu manggambarkan diagram

sistem yang akan dibangun.

3. Fase Construction (Konstruksi)

Pada fase ini dilakukan pembangunan

sistem sesuai dengan perancangan yang

telah dibuat dengan menggunakan bahasa

pemrograman java.

4. Fase Transition (Transisi)

Pada fase ini dilakukan proses instalasi,

deployment dan sosialisasi perangkat

lunak. Dalam tahap transisi akan

diperoleh umpan balik dari pengguna

yang dapat dimanfaatkan oleh perbaikan

perangkat lunak.

B. Perancangan Sistem

Untuk memperoleh gambaran proses

dalam sistem yang akan dibangun, maka

sistem dimodelkan dengan use case

diagram. Berikut rancangan sistem

dengan use case diagram.

User

Input Gambar

pengenalan Wajah

Pengenalan Wajah

Gambar 1. Use Case Pengenalan Wajah Keterangan : Pada pengenalan wajah hanya ada satu

actor yaitu user. User menginput gambar

yang akan di kenali wajahnya. Kemudian

actor akan mendapatkan hasil berupa

wajah yang diketahui atau tidak.

Data Pelatihan

User

Input Gambar

Pelatihan

Penympanan Data

Gambar 2. Use Case Data Pelatihan Keterangan :

Actor menginput wajah yang akan di

jadikan gambar training. Gambar

mengalami proses grayscale. Actor

kemudian menyimpan gambar ke dalam

database gambar.

Gambar 3. Flowchart Data Pelatihan

Keterangan :

Mengaktifkan kamera yang akan menjadi data

pelatihan. Kamera ini bisa mengenali warna

RGB yang terakses. Hasil capture kemudian

dirubah ke dalam warna grayscale sehingga

berubah menjadi hitam, keabuan sampai

putih. Sistem akan mencari objek wilayah

wajah pada gambar yang ditampilkan dengan

metode Haar. Data wajah yang terdeteksi

kemudian di ekstraksi atau di crop ke dalam

picture box. Hasil perhitungan ini kemudian

di simpan ke dalam database.

Gambar 4.Flowchart Pengenalan Wajah

Keterangan :

Mengaktifkan kamera yang menjadi data test.

Kamera ini bisa mengenali warna RGB yang

terakses. Sistem akan mencari objek wilayah

wajah pada gambar yang ditampilkan dengan

metode haar. Data wajah yang ditangkap

kemudian di rubah dalam bentuk Grayscale

yang menghasilkan warna hitam keabuan dan

putih. Proses yang terjadi sama dengan proses

pada saat pelatihan image. Hasil perhitungan

ini kemudian di bandingkan dengan nilai yang

ada di database. Nilai yang paling rendah

dalam perbandingan ini yang di anggap mirip

oleh sistem.

III. PEMBAHASAN

A. Deteksi Objek Wajah

Hal pertama yang dilakukan dalam

mendeteksi wajah adalah penginputan

gambar yang berasal dari kamera atau

upload file. RGB gambar dirubah

kedalam bentuk grayscale untuk

wajah

Berhenti

Mulai

Deteksi Objek wajah

dengan haar

Filter Gray

Capture Objek Wajah

Ekstraksi / Crop

wajah

wajah

Membandingkan

image test

dengan image

database

Wajah tidak dikenali

atau belum terdata Informasi

Pemilik Wajah

Not found Found

Berhenti

Mulai

Deteksi

objek

wajah

dengan

haar

Capture

Object Test

Filter Gray

mempermudah dalam pemrosesan

image.

Dari hasil grayscale tersebut, sistem

mencari bagian yang terang dan gelap

dan sistem akan melakukan scanning

sehingga didapat fitur haar pada

gambar.

Untuk menentukan nilai fitur tersebut

digunakan integral image. Nilai ini

kemudian digunakan dalam proses

klasifikasi haar cascade. Sehingga

bagian yang memiliki unsur muka

dikelompokan sehingga menghasilkan

wajah pada gambar.

B. Pengenalan Wajah

Dalam mengenali objek wajah, hasil

deteksi wajah kemudian dibandingkan

dengan wajah yang tersimpan di

database.

1. Mengambil Data

Menyiapkan data dengan membuat

suatu himpunan S yang terdiri dari

seluruh pelatihan gambar.

S = (Γ1, Γ2, …, ΓM)

2. Mencari Rata-rata

Ψ = 1

𝑀 Г𝑛

𝑀𝑛=1

Keterangan :

Ψ = rata – rata

M = Jumlah Data

Γ = data satu pelatihan gambar

3. Mencari Selisih antara Nilai Image

dengan Nilai Rata-rata

𝛷𝑖 = Г𝑖 – 𝛹 Keterangan :

Φi = Nilai Selisih

Г𝑖 = Satu data pelatihan

4. Tahap Pengenalan

Untuk mengenali wajah baru,

caranya dengan membandingkan

image test dengan yang ada di

database. sebelumnya image test

terlebih dahulu di cari nilai

egenfacenya dengan persamaan :

𝑊𝑢𝑗𝑖 = ( 𝑊 − 𝛹)𝜇

Keterangan :

𝑊𝑢𝑗𝑖 : Eigenface image tes

W : Data tes

5. Langkah terakhir dengan

mengurangkan antara nilai egenface

test dengan nilai egenface di

database.

𝐷𝑗 = 𝑊𝑢𝑗𝑖 − 𝑊𝑗

Keterangan :

𝐷𝑗 : jarak

𝑊𝑗 : eigenface data pelatihan

C. Ujicoba

Ujicoba dilakukan sebanyak 25 kali.

Dimana setiap objek melakukan 5 kali

pengetesan dengan ekspresi yang

berbeda.

Tabel 1. Hasil Ujicoba Pengenalan Wajah

dengan 3 Wajah Berbeda

No Kondisi Pengetesan Ujicoba Wajah 1

Ujicoba Wajah 2

Ujicoba Wajah 3

1. Siang hari jam 14.00 dengan menggunakan lampu putih 15 watt dan tanpa menggunakan aksesoris ( topi dan kacamata)

2. Siang hari pada jam 14.00 dengan menggunakan lampu kuning 15 watt dan tanpa menggunakan aksesoris ( topi dan kacamata)

3. Siang hari pada jam 14.00 dengan menggunakan lampu putih 15 watt dan menggunakan aksesoris ( topi dan aksesoris )

4. Siang hari pada jam 14.00 dengan menggunakan lampu kuning 15 watt dan menggunakan aksesoris ( topi dan kacamata )

X X

5 Siang hari pada jam 14.00, tanpa menggunakan lampu dan aksesoris ( topi dan kacamata )

Tabel 2 Hasil Ujicoba Pengenalan Wajah dengan

Satu Wajah

IV. KESIMPULAN DAN SARAN

A. Kesimpulan

Penelitian yang dilakukan dalam

menganalisis pengenalan wajah

menggunakan metode Principle

Component Analysis diperoleh bahwa :

1. Pengujian pada siang hari pukul 14.00

dengan tidak menggunakan lampu

atau menggunakan lampu putih 15

watt dan lampu kuning 15 watt dan

tanpa menggunakan aksesoris

(kacamata dan topi) atau dengan

aksesoris, objek bisa di kenali.

2. Pengujian pada siang hari pukul 14.00

dengan menggunakan lampu kuning

dan dengan aksesoris (kacamata dan

topi), pengenalan mengalami

kegagalan. Dari 3 objek, 2 objek

pengujian tidak dapat dikenali.

3. Hasil ujicoba 1 yang dilakukan

sebanyak 15 kali dengan 3 objek

wajah dan kondisi yang berbeda

memiliki tingkat keberhasilan

sebanyak 86,6667% dan hasil ujicoba

2 yang dilakukan sebanyak 15 kali

dengan penambahan 5 kondisi yang

berbeda pada database memiliki

tingkat keberhasilan 86,6667%.

B. Saran

Untuk pengembangan topik penelitian ini

lebih lanjut, ada beberapa saran yang perlu

disampaikan dengan harapan akan menjadi

saran yang bermanfaat, yaitu :

1. Pengembangan aplikasi masih sangat

mungkin dipergunakan untuk Sistem

Absensi, Surat Keimigrasian, pembuatan

Passport, Kartu Tanda Penduduk, bahkan

pada bidang kedokteran dimana

pengenalan sel kanker maupun

identifikasi profil pasien.

2. Penelitian pengenalan wajah masih

sangat mungkin untuk diteliti dengan

membandingkan dengan metode

pengenalan wajah lainnya, misalnya

membandingakan metode Principle

Component Analysis dengan metode

Jaringan Syaraf Tiruan untuk

memperoleh hasil yang lebih akurat.

Daftar Pustaka

Bradski, Gray And Andrian Kaehler.2008.

“Learning Opencv: Computer Vision

With The Opencv Library”. O’Relly

Media: United State Of America.

Dmytro Peleshko And Kateryna Soroka.

2013. Research Of Usage Of Haar-Like

Features And Adaboost Algorithm In

Viola-Jones Method Of Object Detection,

Publishing Information Technology

Department. Lviv Polytechnic National

University, Ukraine

No

Nama Data base

wajah

Kondisi Ujicoba Ujicoba ke-1

Ujicoba Ke-2

Ujicoba Ke-3

1. Data1 Siang hari jam 14.00 dengan menggunakan lampu putih 15 watt dan tanpa menggunakan aksesoris ( topi dan kacamata)

2. Data4 Siang hari pada jam 14.00 dengan menggunakan lampu kuning 15 watt dan tanpa menggunakan aksesoris ( topi dan kacamata)

3. Data3 Siang hari pada jam 14.00 dengan menggunakan lampu putih 15 watt dan menggunakan aksesoris ( topi dan aksesoris )

4. Data5 Siang hari pada jam 14.00 dengan menggunakan lampu kuning 15 watt dan menggunakan aksesoris ( topi dan kacamata )

X X

5 Data2 Siang hari pada jam 14.00 , tanpa menggunakan lampu dan aksesoris ( topi dan kacamata )

Emgu, “Main Page Emgucv”,

Http://Www.Emgu.Com/Wiki/Index.Php/

Main_Page. Diakses Pada Tanggal 4

Maret 2013.

Erik Hjelmas And Boon Kee Low. 2001.

Face Detection :A Survey. Computer

Vision And Image Understanding

83,236-274. University Of Oslo,

Nowway And University Of Edinburgh,

United Kingdom.

Fewtutorials.Bravesites, “Emgucv With C#-

Tutorials List”,

Http://Fewtutorials.Bravesites.Com/Tutor

ials. Diakses Pada Tanggal 02 Juni 2012.

Paul Viola And Michael J.Jones.2004. Robust

Real-Time Face Detection. Internasional

Journal Of Computer Vision 57(2).137-

154. Netherlands.

Paul Viola Dan Michael Jones. 2001. Rapid

Object Detection Using A Boosted

Cascade Of Simple Features. Accepted

Conference On Computer Vision And

Pattern Recognition. Cambridge, MA.

Porwik, Piotr And Agnieszka Lisowska.

2004. The Haar-Wavelet Transform In

Digital Image Processing: Its Status And

Achievements. Machine Graphics And

Vision Vol.13, No.1/2,2004,Pp.79-98.

University Of Silesia, Poland.

Putra, Dharma. 2010. Pengolahan Citra

Digital. Andi Yogyakarta: Yogyakarta.

Rainer Lienhart, Alexander Kuranov And

Vadim Pisarevsky. 2002. Empirical

Analysis Of Detection Cascade Of Bosted

Classifiers For Rapid Object Detection.

MRL Technical Report. USA

Rational the Software Development. 1998.

Rational Unified Process. Lexington,

MA.

RD. Kusumanto, Wahyu S. Pamudi Dan Alan

N.Tompunu. 2012. Aplikasi Sensor

Vision Untuk Deteksi Multiface Dan

Menghitung Jumlah Orang. Seminar

Nasional Teknologi Informasi &

Komunikasi Teapan 2012 (Sematik

2012). Politeknik Negri Sriwijaya Dan

Universitas Internasional Batam,

Semarang.

Ni Wayan Marti. 2010. Pemanfaatan GUI

Dalam Pengenbangan Perangkat Lunak

Pengenalan Citra Wajah Manusia

Menggunakan Metode Eigenfaces.

Seminar Nasional Aplikasi Teknologi

Informasi 2010. Universitas Pendidikan

Ganesha, Yogyakarta.

Kang-Seo Park, Rae-Hong Park, Young-Gon

Kim. 2011. Face Detection Using the 3x3

Block Rank Patterns of Gradient

Magnitude Images and a Geometrical

Face Model. IEEE International

Conference on Consumer

Electronics(ICCE).

Abdul Fadlil dan Surya Yeki. 2010. Sistem

Verivikasi Wajah Menggunakan Jaringan

Saraf Tiruan Learning Vector

Quantization. Jurnal Informatika Vol 4,

No 2. Universitas Ahmad Dahlan,

Yogyakarta.

Atik Mardiyani, Mauridhi Hery Purnomo dan

I Ketut Eddy Purnama. 2005. Pengenalan

Bahasa Isyarat Menggunakan Metode

PCA dan Haar Like Feature. Jurusan

Teknik Elektro FTI-ITS, Surabaya.

Setyo Nugroho dan Agus Harjoko. 2005.

Penerapan Jaringan Syaraf Tiruan Untuk

Mendeteksi Posisi Wajah Manusia Pada

Citra Digital. Universitas Gajah Mada,

Yogyakarta.