ABSTRAK -...
Click here to load reader
Transcript of ABSTRAK -...
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 : [email protected]; [email protected]
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.