JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print)

1

AbstrakDeteksi mata merupakan langkah awal yang penting dalam proses pengenalan wajah dan analisis ekspresi. Banyak penelitian yang telah dilakukan untuk menghindari kasus kesalahan deteksi mata. Kasus kesalahan deteksi mata menyebabkan kinerja sistem dalam pengenalan wajah menjadi kurang akurat. Jadi, metode yang mampu mendeteksi mata secara optimal perlu dikembangkan. Oleh karena itu, artikel ini menyajikan metode deteksi mata otomatis berdasarkan informasi intensitas untuk memecahkan masalah tersebut. Metode ini berisi tiga tahap utama meliputi tahap awal praproses analisis histogram, tahap proses transformasi Gabor wavelet dan K-means clustering, dan tahap akhir neighborhood operator untuk menentukan posisi yang tepat dari pusat pupil mata. Uji coba dilakukan terhadap 60 data uji dari citra LFW (Labeled Face in the Wild). Metode ini menghasilkan akurasi sebesar 93,33% dengan menggunakan nilai correction error < 0,16. Berdasarkan uji coba yang dilakukan, dapat disimpulkan bahwa metode yang diusulkan cukup bagus untuk pendeteksian pupil mata.

Kata KunciAnalisis histogram, K-means clustering,

Neigborhood operator, Transformasi Gabor wavelet

I. PENDAHULUAN eteksi mata merupakan langkah awal yang penting dalam pengenalan wajah dan analisis ekspresi. Dalam beberapa

tahun terakhir, upaya penelitian pada bidang pengenalan wajah telah dilakukan untuk meningkatkan efektivitasnya. Secara umum algoritma deteksi mata dapat diklasifikasikan menjadi dua kategori yaitu citra berbasis inframerah aktif dan citra berbasis pasif. Kategori pendekatan berbasis inframerah aktif menggunakan sifat fisiologis pupil mata di bawah penerangan inframerah. Pendekatan ini dapat memperoleh posisi mata yang sangat akurat. Akan tetapi, pendekatan ini memerlukan perangkat keras tambahan untuk pengaturan tahap akuisisi citra sehingga membatasi potensi aplikasi. Pendekatan metode pasif juga menghasilkan hasil yang baik dalam beberapa percobaan tetapi hal tersebut juga memiliki keterbatasan. Ketika pendekatan metode pasif diaplikasikan dalam ekspresi wajah, kondisi pencahayaan menjadi tidak bagus dan resolusi citra rendah. Hal tersebut mempengaruhi kinerja algoritma deteksi mata.

Sehubungan dengan masalah tersebut, banyak penelitian yang telah dilakukan. Peneliti melakukan integrasi segmentasi tekstur untuk menghindari over-segmentasi benda heterogen spektral. Selain itu, kasus fenomena deteksi mata yang hilang disebabkan daerah mata diklasifikasikan sebagai daerah bukan

mata dapat mempengaruhi kinerja pengenalan wajah menjadi kurang akurat. Akan tetapi, penelitian terakhir menemukan bahwa metode yang cukup akurat untuk pendeteksian mata yaitu dengan menggunakan pendekatan informasi intensitas citra [1].

Dalam artikel ini, metode deteksi mata disajikan berdasarkan informasi intensitas. Dalam metode ini informasi intensitas dianggap sebagai properti paling penting. Informasi ini digambarkan dengan kondisi mata manusia yang lebih gelap dari bagian lain dari bagian wajah. Sedangkan pupil mata merupakan bagian yang lebih gelap dari daerah sekitar bola mata. Berdasarkan dua isyarat informasi tersebut, maka metode ini dapat diaplikasikan sebagai strategi deteksi yang optimal dalam aplikasi deteksi mata. Secara khusus, metode ini berisi 3 tahap mulai dari tahap awal praproses analisis histogram, tahap proses menggunakan transformasi Gabor wavelet dan K-means clustering digunakan untuk melokalisasi sekitar mata, dan tahap akhir neighborhood operator untuk menentukan posisi yang tepat dari pusat pupil mata [1].

II. METODOLOGI

A. Data Masukan Data masukan merupakan data yang digunakan oleh

pengguna perangkat lunak dalam proses pendeteksian citra wajah. Data masukan yang digunakan dalam proses pendeteksian lokasi pupil mata ini berasal dari dataset citra wajah LFW (Labeled Face in the Wild) dalam format RGB dengan file ekstensi Joint Photographic experts Group (JPG). Ukuran dari input citra wajah adalah 130x150 piksel [2].

Proses uji coba dan evaluasi dilakukan dengan mengambil 60 dataset secara acak dari citra LFW. Citra yang telah dipilih tersebut akan digunakan sebagai data uji coba. Data uji coba merupakan data yang digunakan untuk menguji perangkat lunak. Hasil data uji coba tersebut akan digunakan untuk proses evaluasi akurasi dari metode pendeteksian mata.

B. Praproses Citra Wajah Tahap praproses merupakan tahap yang bertujuan untuk

mengurangi pengaruh-pengaruh dari banyak faktor (misalnya, kondisi pencahayaan, bayangan wajah, dan lain-lain). Pada tahap ini, terdapat beberapa proses yaitu merubah citra ke dalam bentuk citra grayscale, analisis histogram, dan image enhancement. Adapun penjelasan tentang praproses pendeteksian deteksi mata dipaparkan sebagai berikut:

Implementasi Deteksi Mata Otomatis Menggunakan Pemfilteran Intensitas dan K-Means Clustering

Ahmad Kadiq, Arya Yudhi Wijaya, dan Wijayanti Nurul Khotimah

Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya 60111 Indonesia

e-mail: arya@if.its.ac.id

D

JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print)

2

1. Proses Analisis Histogram Pada proses ini, citra masukan berupa citra wajah RGB

yang dirubah menjadi citra grayscale. Persamaan (1) merupakan formula untuk merubah citra RGB menjadi citra grayscale.

Gray = 0,299*Red+0,587*Green+0,114*Blue (1)

dimana Gray adalah citra grayscale yang akan digunakan sebagai citra input. Proses analisis histogram ini akan menghasilkan keluaran berupa nilai intensitas skin area (Si). Skin area (Si) ini akan digunakan sebagai nilai ambang dalam image enhancement. Adapun langkah-langkah proses analisis histogram dijelaskan sebagai berikut: Langkah 1: Potong input untuk mendapatkan test windows

berupa daerah persegi panjang (31 x 13 piksel) dengan posisi di tengah citra input.

Langkah 2: Bagi citra input dari 256 intentitas yang berbeda (0-255) menjadi 13 grup yang dinotasikan sebagai g1(0-19), g2(20-39), , g12(220-239), g13(240-255). Carilah nilai maksimum m1, m2, , m12, m13 untuk setiap grup dalam histogram dari citra input.

Langkah 3: Hitung rata-rata intensitas test windows dan tentukan gi berdasarkan grup yang sesuai dengan intensitas rata-rata. Nilai intensitas Si daerah kulit sama dengan mi [1].

2. Proses Image Enhancement

Proses ini merupakan lanjutan dalam tahap praproses. Tahap ini menggunakan citra grayscale sebagai citra masukan. Citra grayscale tersebut ditajamkan kontrasnya dengan image enhancement. Tujuan dari tahap ini adalah untuk meningkatkan kualitas citra, yaitu dengan meningkatkan tampilan visual dari citra input atau mengonversikan citra ke dalam bentuk yang lebih cocok untuk analisa mata. Citra keluaran dari image enhancement ini berupa citra yang telah ditajamkan kontrasnya. Persamaan (2) merupakan proses image enhancement.

=