LAPORAN PENELITIAN MANDIRI PENDETEKSIAN...
Transcript of LAPORAN PENELITIAN MANDIRI PENDETEKSIAN...
-
LAPORAN PENELITIAN MANDIRI
PENDETEKSIAN TARGET WAJAH MANUSIA DENGAN METODE VIOLA-
JONES
Oleh :
I G.A. Widagda, S.Si, M.Kom
I Ketut Sukarasa, S.Si., M.Si
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS UDAYANA
2017
-
iii
ABSTRAK
Dewasa ini pendeteksi target wajah manusia menjadi salah satu bidang yang
sangat berkembang. Beberapa pemakaian alat yang mempunyai kemampuan tersebut
terbentang luas seperti : pencarian pelaku kriminal, sistem pengaksesan ruangan, interface
antara manusia dengan komputer. Banyak metode yang dapat dipakai untuk mendeteksi
target wajah pada manusia salah satunya adalah algoritma Viola-Jones.
Algoritma Viola-Jones adalah sebuah algoritma yang dapat dipakai untuk
medeteksi objek pada citra. Pada penelitian ini telah dirancang program aplikasi
pendeteksi wajah dengan algoritma Viola-Jones. Program aplikasi diimplementasikan
dengan MATLAB R2015α. Hasil penelitian menunjukkan dari 10 citra sampel maka ada
8 citra berhasil terdeteksi wajah dan 2 citra gagal. Kegagalan dua citra tersebut
disebabkan karena objek wajah yang terkandung dalam citra tersebut berada pada posisi
menghadap ke samping sekitar 45° sampai 90°.
Kata Kunci : Algoritma Viola-Jones, Wajah, Deteksi
-
iv
ABSTRACT
Nowadays the detection of human faces is one of the most developed fields. The
applications of tools with such capabilities extend from searching criminals, room acces
systems, to human interaction with computers. There are many ways to detect human
faces with various existing methods, one of them is the Viola-Jones algorithm.
Viola-Jones method is an algorithm that can be used to detect object in the image.
In this work, It has been designed a face detection application base on Viola-Jones
algorithm. The application is implemented by using MATLAB R2015α. The results
showed from 10 samples image the 8 images succesfully detected faces and 2 images
failed. The failure of the two images is due to the contained face object in the image being
in a side-facing position around 45° to 90°.
Keywords : The Viola-Jones algorithm, Face, Detection
-
v
KATA PENGANTAR
Puji syukur penulis haturkan kehadapan Tuhan Yang Maha Esa karena berkat
rahmatNya sehingga karya tulis dengan judul”Pendeteksian Target Wajah Manusia
Dengan Metode Algoritma Viola-Jones” dapat diselesaikan seperti yang diharapkan.
Penulis sadar bahwa tanpa dukungan dan saran dari beberapa pihak, maka karya
tulis ini tidak bisa penulis selesaikan. Oleh karena itu, pada kesempatan ini penulis
mengucapkan terima kasih kepada :
1. Bapak Ketua Program Studi Fisika, FMIPA, Unud
2. Teman-teman, Bapak dan Ibu Dosen Prodi Fisika, FMIPA, Unud yang telah
memberikan masukan dan saran kepada penulis.
Penulis juga sadar bahwa karya tulis ini masih banyak kekurangannya. Penulis
sangat mengharapkan kritik serta saran yang bersifat konstruktif dari semua pihak demi
penyempurnaan dari karya tulis ini.
Bukit Jimbaran, Desember 2017
Penulis
-
vi
DAFTAR ISI
Halaman
HALAMAN JUDUL .................................................................................................. i
LEMBAR PENGESAHAN ....................................................................................... ii
ABSTRAK .................................................................................................................. iii
ABSTRACT ................................................................................................................ iv
KATA PENGANTAR ................................................................................................ v
DAFTAR ISI .............................................................................................................. vi
DAFTAR TABEL ...................................................................................................... vii
DAFTAR GAMBAR .................................................................................................. viii
BAB I PENDAHULUAN ........................................................................................... 1
1.1 Latar Belakang ........................................................................................... 1
1.2 Rumusan Masalah ...................................................................................... 2
1.3 Batasan Masalah ........................................................................................ 2
1.4 Tujuan ........................................................................................................ 2
1.5 Manfaat ...................................................................................................... 2
1.6 Sistematika ................................................................................................. 2
BAB II TINJAUAN PUSTAKA ............................................................................... 4
2.1 Wajah ........................................................................................................ 4
2.2 Biometrik .................................................................................................. 4
2.2.1 Definisi Biometrik ......................................................................... 4
2.2.2 Penerapan Teknologi Biometrik ................................................... 5
2.3 Matlab ....................................................................................................... 6
2.4 Deteksi Wajah ........................................................................................... 6
2.5 Algoritma Viola-Jones .............................................................................. 8
2.6 Prinsip Kerja Deteksi Wajah Dengan Viola ............................................. 8
2.6.1 Haar-Like Feature ........................................................................ 10
2.6.2 Integral Image ............................................................................... 12
2.6.3 Adaptive Boosting ......................................................................... 13
2.6.4 Cascade Classifier ........................................................................ 14
-
vii
BAB III METODE PENELITIAN ........................................................................... 16
3.1 Waktu dan Tempat .................................................................................... 16
3.2 Sumber Data .............................................................................................. 16
3.3 Alat dan Bahan .......................................................................................... 16
3.4 Diagram Alir ............................................................................................. 17
BAB IV HASIL DAN PEMBAHASAN ................................................................... 17
4.1. Hasil .......................................................................................................... 18
4.2. Tampilan Graphical User Interface (GUI) ............................................... 18
4.3. Pengujian ................................................................................................... 18
4.4. Pembahasan ............................................................................................... 20
BAB V KESIMPULAN DAN SARAN ..................................................................... 23
5.1 Kesimpulan ............................................................................................... 23
5.2 Saran ......................................................................................................... 23
DAFTAR PUSTAKA ................................................................................................. 24
-
ix
DAFTAR TABEL
Halaman
Tabel 4.1 Hasil deteksi wajah dengan Viola-Jones ................................................... 20
-
x
DAFTAR GAMBAR
Halaman
Gambar 2.1 Pendeteksian Wajah ................................................................................. 7
Gambar 2.2 Skema Proses Pendeteksian Wajah dengan Metode Viola-Jones ............ 9
Gambar 2.3 Jenis Haar-Like Feature .......................................................................... 11
Gambar 2.4 Contoh Citra Integral ............................................................................... 12
Gambar 2.5 Perhitungan Integral Image ..................................................................... 13
Gambar 2.6 Tahap-tahap Cascade Classifier ............................................................... 14
Gambar 3.1 Diagram Alir Metode Viola-Jones ........................................................... 17
Gambar 4.1 Tampilan GUI Aplikasi Viola-Jones ....................................................... 18
Gambar 4.2 Hasil Aplikasi terhadap 1 target wajah .................................................... 19
Gambar 4.3 Hasil Aplikasi terhadap 4 target wajah .................................................... 19
Gambar 4.4 Hasil Aplikasi terhadap target wajah miring 450-900 .............................. 19
-
1
BAB I
PENDAHULUAN
1.1 Latar Belakang
Dewasa ini perkembangan ilmu serta teknologi dari sistem pendeteksi objek
sudah berkembang dengan sangat pesat. Sistem pendeteksian objek ini bisa
diaplikasikan pada sebuah benda atau pada anggota tubuh manusia. Teknologi
biometrik merupakan teknologi yang memanfaatkan anggota tubuh manusia sebagai
objek pendeteksian. Teknologi inilah yang dipakai sebagai dasar sistem pendeteksi
pada anggota tubuh manusia. Dalam bidang medis sudah diketahui bahwa beberapa
anggota tubuh manusia bersifat unik atau berbeda dengan manusia lainnya. Salah
satu bagian tubuh tersebut adalah wajah. Perbedaan wajah manusia disebabkan
karena perubahan atau perbedaan ekspresi wajah seperti : tertawa, senyum, marah,
sedih, dan lain-lain.
Banyak metode-metode yang telah diaplikasikan untuk mendeteksi atau
mengenali wajah manusia. Metode-metode itu adalah Artificial Neural Network,
Fourier Decomposition, Eigenface, Fisherface, Hidden Markov Models, Principal
Component Analysis. Yanti (2013), menggunakan metode Fourier Decomposition
atau Dekomposisi Fourier untuk mengenali wajah.
Media sosial seperti Facebook merupakan salah satu media aplikasi yang
telah menerapkan pendektesian wajah manusia. Dimana sebuah foto yang di-upload
maka secara otomatis akan mendeteksi wajah manusia tersebut.
Dewasa ini banyak penelitian tentang pendeteksian wajah berkembang
dengan sangat cepat. Aplikasi komersial tentang pendeteksian wajah telah banyak
diimplementasikan tetapi teknologi ini pada dasarnya masih belum sempurna.
Berbagai riset terus dikembangkan untuk mencapai hasil yang diharapkan. Salah satu
yang dapat ditambah atau ditingkatkan dalam pengembangan teknologi pengenalan
wajah yaitu meningkatkan kecepatan atau waktu komputasi pendeteksian wajah.
Banyak metode telah diaplikasikan pada pendeteksian target wajah, salah satunya
yaitu dengan memakai algoritma Viola-Jones. Metode Viola-Jones mempunyai
tingkat keakuratan yang cukup tinggi. Hal ini karena dalam metode ini beberapa
konsep digabungkan menjadi sebuah metode untuk mendeteksi objek (wajah)
-
2
1.2 Rumusan Masalah
Berdasarkan uraian pada latar belakang masalah maka rumusan masalah pada
penelitian ini adalah :
1. Bagaimana merancang aplikasi yang bisa mendeteksi target wajah dengan
menggunakan algoritma Viola-Jones
2. Bagaimana cara kerja algoritma Viola-Jones dalam mendeteksi target wajah dan
penerapannya dalam sebuah aplikasi.
1.3 Batasan Masalah
Adapun batasan masalahnya adalah :
1. Wajah yang dideteksi adalah posisi tegak lurus.
2. Wajah yang dideteksi hanya meliputi mata, hidung, mulut, pipi, dagu (tidak
termasuk rambut dan telinga).
1.4 Tujuan
Adapun tujuan dari penelitian ini yaitu :
1. Untuk merancang aplikasi pendeteksi target wajah dengan metode Viola-Jones.
2. Untuk memahami cara kerja dan penerapan algoritma Viola-Jones dalam
pendeteksian target wajah.
1.5 Manfaat
Manfaat dari penelitian ini adalah dapat digunakan sebagai referensi atau
acuan untuk melakukan pendeteksian wajah menggunakan sebuah aplikasi matlab.
Selain itu, juga dapat memahami langkah-langkah, cara kerja, dan penerapan
algoritma viola-jones.
1.6 Sistematika Penulisan
Berikut ini merupakan sistematika penulisan laporan penelitian ini :
BAB I PENDAHULUAN
-
3
Dalam bab ini berisi tentang penjelasan umum mengenai penelitian yang penulis
lakukan. Penjelasan tersebut meliputi latar belakang, rumusan masalah, batasan
masalah, tujuan, manfaat, dan sistematika penulisan.
BAB II TINJAUAN PUSTAKA
Dalam bab ini berisi penjelasan tentang pengertian dan pemahaman penulis yang
diperoleh dari buku, makalah dan jurnal yang terkait dengan penelitian ini.
BAB III METODOLOGI PENELITIAN
Dalam bab ini berisi tentang alat, bahan serta metode atau cara penelitian
BAB IV HASIL DAN PEMBAHASAN
Dalam bab ini berisi tentang pembahasan dan hasil meliputi pembuatan tampilan
antarmuka (User Interface), kode program dan pengujian terhadap aplikasi yang
dibangun.
BAB V KESIMPULAN DAN SARAN
Dalam bab ini berisikan kesimpulan dan saran.
-
4
BAB II
TINJAUAN PUSTAKA
2.1 Wajah
Wajah adalah merupakan salah satu bagian dari tubuh manusia yang
menjadi pusat perhatian ketika melakukan interaksi dengan orang lain. Definisi
wajah menurut kamus besar bahasa indonesia merupakan bagian dari kepala; raut
muka. Menurut Wikipedia Indonesia, wajah atau muka merupakan bagian depan
dari kepala manusia yang terdiri dari : dahi sampai dagu, rambut, alis, hidung,
pipi, mata, mulut, bibir, gigi serta kulit. Wajah biasanya dipergunakan untuk
mengekspresikan diri, penampilan, serta identitas. Wajah bersifat unik yaitu
satupun tidak ada wajah yang mutlak serupa, sekalipun pada manusia kembar
identik.
Wajah adalah bagian tubuh manusia yang dapat dikenali menggunakan
teknologi biometrik. Pada teknologi biometrik, ciri-ciri fisik dari manusia seperti
wajah dapat dipakai sebagai informasi yang unik. Informasi unik tersebut dapat
berupa karakteristik dari pola wajah dari tiap-tiap individu. Karakteristik dari pola
wajah dapat diukur dan dianalisis untuk proses deteksi. Oleh sebab itu maka wajah
dapat dijadikan ciri (feature) atau tanda untuk pengenalan seseorang.
2.2 Biometrik
2.2.1 Definisi Biometrik
Biometrik berasal dari bahasa Yunani yaitu bios dan metron. Bios artinya
hidup dan metron artinya yaitu mengukur. Jadi Biometrik bisa diartikan dengan
metode otomatis untuk mengidentifikasi seseorang individu berdasar pada satu atau
lebih bagian tubuh dari manusia atau sikap dari manusia itu sendiri yang bersifat
khusus atau istimewa. Teknologi biometrik biasanya diaplikasikan untuk
menganalisa fisik dan sikap manusia untuk tujuan autentifikasi.
Biometrik merupakan teknologi yang bisa dipakai untuk mengindentifikasi
seseorang berdasarkan pada ciri fisiologis (physiological) yaitu ciri-ciri pada tubuh
yang bersifat unik. Kenyataannya ada beberapa bagian tubuh manusia yang tidak
-
5
serupa dengan manusia lainnya, seperti wajah, sidik jari, serta retina mata. Pada
dasarnya mata manusia memiliki bentuk dan warna yang sama, akan tetapi retina
umumnya tidak sama. Demikian halnya dengan dengan suara, tekstur wajah, dan
sidik jari. Bagian-bagian tubuh inilah yang selanjutnya dikembangkan dan dipakai
sebagai atribut misalnya dalam bidang keamanan.
2.2.2 Penerapan Teknologi Biometrik
Aplikasi Teknologi Biometrik untuk tiap-tiap bidang tentunya berbeda-beda.
Beberapa aplikasi sudah dapat dijumpai di pasaran akan tetapi beberapa aplikasi
lainnya masih dalam proses penelitian. Aplikasi biometrik untuk otentikasi, maka
ciri-ciri (feature) biometrik terlebih dahulu disimpan ke dalam database dari sebuah
sistem aplikasi. Kita dapat memakai teknik biometrik ini untuk berbagai aplikasi,
akan tetapi biometrik tidak dapat dipakai untuk hal-hal sifatnya rahasia. Meskipun
biometrik sangat bermanfaat tetapi biometrik bukanlah merupakan suatu kunci,
sebab tidak bisa disembunyikan, tidak bisa diacak, dan tidak bisa diubah atau
dimusnahkan.
Ada banyak penerapan teknologi biometrik yang sudah berkembang pesat
sampai saat ini. Beberapa pemakaian biometrik yang telah diterapkan pada berbagai
alat. Dampak positif dan negatifnya ketika dipakai untuk menggantikan password
atau kata sandi.
1. Pemindaian sidik jari (finger print Scanner)
Salah satu bentuk penerapan teknologi biometrik adalah alat pemindaian
sidik jari (finger print). Alat pemindai sidik jari bekerja atas dasar pemindaian pola
alur-alur dari permukaan kulit jari. Salah satu contoh aplikasi alat pemindaian sidik
jari adalah sensor sidik jari pada smartphone.
2. Pengenalan suara (Voice Recognition)
Dewasa ini pengenalan biometrik berdasarkan suara sudah banyak
dipergunakan. Namun pada dasarnya teknologi ini masih terus disempurnakan dan
diharapkan dapat lebih berkembang pesat di tahun yang akan datang. Teknik
pengenalan suara prinsipnya berbeda dengan teknik pengenalan perkataan (speech
recognition). Teknik pengenalan suara bekerja bertujuan untuk mengenali
karakteristik suara dari seseorang. Disamping itu suara benar-benar bersifat unik dan
tidak dapat ditiru ketika dipakai untuk mengidentifikasi suara pengguna. Terdapat
-
6
kekurangan atau kelemahan dari metode pengenalan suara diantaranya yaitu : suara
latar bisa mengganggu atau mempengaruhi tingkat keakuratan identifikasi.
Disamping itu beberapa gangguan seperti penyakit iritasi tenggorokan yang bisa
menimbulkan perubahan suara sehingga menurunkan tingkat keakuratan proses
identifikasi.
3. Pengenalan wajah (Face Recognition)
Aplikasi pengenalan wajah melakukan proses pengidentifikasian wajah
seseorang yang sebelumnya telah dilakukan proses identifikasi wajah berdasarkan
ciri-ciri (feature) tertentu yaitu : lebar hidung, jarak antar mata, dan bentuk tulang
pipi. Proses pendeteksian wajah (face detection) adalah merupakan proses awal
sebelum dilakukan proses pengenalan wajah (face recognition). Kelemahan dari
metode pengenalan wajah yaitu metode ini belum aman seratus persen. Beberapa
Sistem aplikasi tertentu bisa diretas dengan memakai foto target user. Akan tetapi
tidak semua sistem memiliki kekurangan seperti ini. Faktor kenyamanan bukanlah
masalah pada metode pengenalan wajah. Namun faktor lain yang juga sangat penting
untuk diperhatikan dari metode ini adalah pemilihan perangkat lunak yang
digunakan. Perangkat lunak aplikasi yang digunakan secara khusus masih bisa
mengenali wajah pada berbagai kondisi tertentu seperti : perbedaan intensitas
pencahayaan, wajah dilengkapi dengan berbagai aksesoris seperti kacamata dan topi.
2.3 Matlab
Matlab merupakan sebuah perangkat lunak yang memiliki lingkungan
komputasi numerik. Matlab adalah merupakan salah satu bahasa pemrograman
generasi keempat. Matlab dikembangkan oleh The MathWorks Corp. Matlab bisa
melakukan manipulasi matriks, membuat plot fungsi serta data,
mengimplementasikan algoritma, perancangan Graphical User Interface dan lain-
lain. Disamping itu matlab juga banyak mempunyai fungsi pustaka (library) yang
dapat dipakai untuk menyelesaikan kasus matematika seperti : mensimulasikan
fungsi, pemodelan matematika serta perancangan Graphical User Interface.
Sehingga, matlab banyak dipakai oleh para programmer yang menginginkan
kepraktisan dalam menuliskan kode program.
-
7
2.4 Pendeteksian Target Wajah
Metode pendeteksi target wajah banyak dipergunakan pada pengolahan citra
digital. Metode ini merupakan dasar untuk melacak dan mengenali (recognition)
wajah seseorang. Metode pendeteksi target wajah dapat dipakai untuk mencari lokasi
serta ukuran objek pada citra. Pendeteksian target wajah dapat dilakukan pada
kondisi variasi wajah, perbedaan tampilan, perbedaan pencahayaan, serta variasi
pose dari wajah. Aplikasi dari metode pendeteksi wajah manusia dengan
menggunakan kamera adalah pada sistem keamanan. Pendeteksian wajah awalnya
diperkenalkan oleh Haar-Like selanjutnya dikembangkan oleh Viola-Jones. Banyak
penyempurnaan dari algoritma Haar-Like. Ada 2 metode yang bisa dipergunakan
untuk meningkatkan kualitas citra wajah. Pertama adalah perbaikan atau
penyempurnaan algoritma. Kedua adalah perbaikan ciri atau fitur. Perbaikan atau
penyempurnaan tersebut menghasilkan algoritma LBP (Local Binary Pattern).
Selanjutnya Algoritma LBP ini bisa dipergunakan dalam ekstraksi fitur atau ciri
wajah.
Gambar 2.1 Pendeteksian Wajah
Tahapan pendeteksian wajah (face detection) merupakan salah satu proses
awal yang harus dilakukan sebelum dilanjutkan ke tahap pengenalan wajah (face
recognition). Untuk kasus pengambilan foto saat pembuatan SIM, KTP, serta Kartu
Kredit, maka foto atau citra yang dihasilkan umumnya hanya mengandung satu
wajah disertai latar belakang yang sama atau seragam, serta intesitas pencahayaan
yang sudah diatur sebelumnya. Dalam kondisi citra (foto) seperti ini maka proses
pendeteksian wajah bisa dilakukan dengan lebih mudah. Namun untuk citra dengan
-
8
kondisi seperti : mengandung lebih dari satu wajah, serta berisi latar belakang yang
beragam, intensitas pencahayaan berbeda, serta ukuran wajah yang beragam. Sebagai
contoh adalah citra yang diperoleh terminal, gedung, pasar, bandara dan lain-lain.
Proses pendeteksian wajah bisa dianggap sebagai proses pengklasifikasian pola dari
citra input dimana outputnya berupa label atau katagori kelas dari citra tersebut.
Dimana dalam kasus ini ada 2 label kelas yaitu wajah dan bukan wajah.
Ada beberapa masalah dalam proses pendeteksian wajah yang disebabkan
oleh faktor – faktor berikut :
1. Terhalangi atau tertutup objek lain. Dalam hal ini citra wajah dihalangi sebagian
oleh wajah atau objek lain. Contoh: citra yang berisi sekumpulan orang.
2. Kondisi Pencahayaan. Citra yang dihasilkan sangat dipengaruhi oleh beberapa
faktor yaitu : intensitas pencahayaan dalam ruang, karakteristik lensa kamera
atau sensor.
3. Posisi wajah. Perbedaan atau variasi posisi wajah dalam citra seperti : tegak
lurus, miring, menoleh ke samping.
4. Wajah mengandung komponen-komponen seperti : jenggot, kumis, jambang
dan kaca mata.
5. Ekspresi wajah. Ekspresi wajah sangat mempengaruhi tampilan wajah
seseorang. Ekspresi tersebut seperti : tersenyum, marah, sedih, sedang berbicara
dan lain-lain.
2.5 Algoritma Viola-Jones
Proses pendeteksian target wajah dengan metode Viola-Jones adalah dengan
mengklasifikasikan objek dalam citra dengan didasarkan pada beberapa nilai ciri atau
fitur sederhana. Ada beberapa alasan untuk menggunakan fitur-fitur tersebut
daripada melakukan proses filter secara langsung. Alasan paling mendasar yaitu
fitur-fitur tersebut bisa dipakai untuk mengkodekan pengetahuan domain ad-hoc
yang komplek pada saat proses pelatihan (training) terhadap data latih yang
jumlahnya terbatas. Alasan lainnya adalah fitur tersebut berupa sistem fitur
berdasarkan operasi sehingga jauh lebih cepat jika dibandingkan dengan sistem
berbasiskan pixel. Proses klasifikasi citra didasarkan pada nilai dari sebuah fitur.
-
9
Pemakaian fitur dipilih oleh karena pemrosesan fitur berjalan lebih cepat jika
dibandingkan dengan pemrosesan digital per piksel.
Ada empat kunci utama dalam metode Viola-Jones yaitu : Haar-Like Feature,
Integral Image, Adaptive Boosting, dan Casade Classifier.
2.6 Prinsip Kerja Pendeteksian Wajah Dengan metode Viola-Jones
Pada Gambar 2.2 berikut ini adalah skema proses kerja pendeteksian target
wajah menggunakan algoritma Viola-Jones.
Gambar 2.2 Skema Proses Pendeteksian target wajah dengan metode Viola-Jones
Berikut ini adalah penjelasan dari skema proses yang dilakukan dalam
pendeteksian target wajah dengan metode Viola-Jones :
1. Proses pertama adalah membaca sampel citra berisi wajah atau membaca sampel
citra wajah yang menghadap ke kamera.
2. Citra yang sudah dibaca selanjutnya ditentukan Haar-Like Feature atau Fitur
Haar. Fitur Haar digunakan dalam mendeteksi objek pada citra digital. Fitur haar
memproses citra menjadi beberapa kotak, dimana pada satu kotak terdiri dari
beberapa pixel. Selanjutnya kotak-kotak tersebut diproses dan dihasilkan selisih
atau perbedaan nilai ambang (threshold) yang mengindikasikan daerah gelap
dan daerah terang. Nilai-nilai tersebut selanjutnya akan dipakai sebagai dasar
dalam proses pengolahan citra ( image processing).
3. Kemudian Integral Image berfungsi untuk menyatakan ada atau tidaknya dari
ratusan Fitur Haar dalam citra dan pada skala yang berbeda secara efisien
digunakan. Secara umum, proses pengintegrasian citra adalah menjumlahkan
atau menambahkan unit-unit kecil secara bersamaan. Dalam hal ini yang
Citra Haar-like
feature
Integral
Image
Wajah atau
bukan wajah
Cascade
Classifier Adaptive
Boosting
-
10
dimaksud unit-unit kecil adalah nilai-nilai pixel. Nilai integral image pada tiap-
tiap pixel adalah hasil penjumlahan dari semua pixel-pixel dari atas sampai ke
bawah. Penjumlahan diawali dari pojok kiri atas sampai pojok kanan bawah,
keseluruhan citra itu bisa dijumlahkan dengan memakai beberapa operasi
bilangan bulat untuk tiap-tiap piksel.
4. Selanjutnya untuk memilih Fitur Haar tertentu yang nantinya akan dipakai untuk
menentukan nilai ambangnya (threshold). Dalam hal ini akan digunakan sebuah
metode machine learning untuk melakukan supervised learning yang disebut
Adaptive Boosting disingkat Ada Boost. Ada Boost menggabungkan beberapa
classifier lemah menjadi classifier yang lebih kuat. Penggabungan beberapa
AdaBoost classifier menjadi rangkaian filter, akan cukup efektif untuk
melakukan proses penggolongan pada daerah image. Tiap-tiap filter berupa
sebuah AdaBoost classifier terpisah, biasanya terdiri dari classifier lemah.
Selama proses filter, jika ada sebuah filter gagal dalam meloloskan suatu daerah
citra, maka daerah tersebut langsung diklasifikasikan sebagai bukan wajah.
Akan tetapi bila filter berhasil meloloskan semua proses pada rangkaian filter,
sehingga dapat diputuskan bahwa daerah tersebut sebagai wajah.
5. Tahapan berikutnya adalah Cascade Classifier. Urutan filter pada cascade
ditentukan dengan nilai bobot yang diberikan pada proses AdaBoost. Filter yang
memiliki nilai bobot yang paling besar akan diletakkan pada urutan pertama, hal
ini tujuannya adalah untuk menghapus daerah citra secepat mungkin.
6. Tahap terakhir yaitu menampilkan objek citra apakah terdeteksi wajah atau
bukan wajah.
Berikut ini merupakan penjelasan rinci dari masing-masing proses utama
dalam pendeteksian target wajah pada metode Viola Jones.
2.6.1 Haar-Like Feature
Pada Umumnya Haar-Like Feature dapat dipakai untuk pendeteksian objek
pada citra. Nama Haar mengacu pada sebuah fungsi matematika yaitu Wavelet Haar
yang bentuknya berupa kotak, dimana secara prinsip hampir sama dengan Fungsi
Fourier. Pada mulanya proses pengolahan citra dilakukan dengan hanya
memperhitungkan nilai RGB dari setiap pixel, tapi ternyata metode ini tidak efektif.
-
11
Kemudian Viola-Jones mengembangkan metode baru sehingga terbentuklah
Haar-Like Feature. Dalam metode Viola-Jones, maka Haar-like Feature terdiri dari
tiga jenis yaitu edge features, line features, four-rectangle features seperti tampak
pada Gambar 2.3.
Gambar 2.3 Jenis Haar-Like Feature
Dalam penentuan Haar-Like Feature maka citra diproses menjadi kotak-
kotak. Yang mana dalam setiap kotak terdapat beberapa pixel. Tiap-tiap kotak
kemudian diproses dan didapatkan perbedaan atau selisih nilai ambang (threshold)
yang menyatakan antara wilayah gelap (black) dan terang (white). Selanjutnya nilai-
nilai tersebut dijadikan sebagai dasar dalam pengolahan citra.
Haar-Like Feature merupakan beda atau selisih dari jumlah piksel dari
daerah-daerah yang terdapat dalam persegi panjang. Perhitungan nilai Haar-Like
Feature didapatkan dari selisih antara jumlah nilai piksel pada daerah gelap (black)
dengan jumlah piksel pada daerah terang (white) :
F(Haar) = 𝛴 F White – 𝛴 F Black (2.1)
dimana :
F(Haar) = Nilai fitur total
Σ F White = Nilai fitur pada daerah terang
Σ F Black = Nilai fitur pada daerah gelap
-
12
Kotak segi empat Haar-Like Feature dapat ditentukan dengan cepat lewat
pemakaian Integral Image. Untuk video, proses perhitungan atau penjumlahan pixel
dilakukan secara terus-menerus dan memerlukan waktu perhitungan yang panjang.
Sehingga, proses penjumlahan digantikan dengan perhitungan integrasi sehingga
diperoleh hasil lebih cepat. Pendeteksian dengan Haar-Like Feature hasilnya
biasanya kurang akurat jika hanya dipergunakan satu fungsi saja. Maka umumnya
dipakai beberapa fungsi secara serentak. Jadi jika semakin banyak fungsi yang
dipakai maka akan memberikan hasil yang semakin akurat. Proses penentuan Haar-
Like Feature yang banyak itu diatur atau dinyatakan dalam bentuk Cascade
Classifier.
2.6.2 Integral Image
Citra Integral (Integral Image) adalah citra dimana setiap nilai pikselnya
adalah berupa hasil penjumlahan nilai piksel dari kiri atas sampai piksel kiri bawah.
Untuk memudahkan proses perhitungan nilai dari setiap fitur Haar pada setiap lokasi
gambar digunakan teknik yang disebut citra integral. Secara umum integral
mempunyai makna menambahkan bobot, bobot merupakan nilai-nilai piksel yang
akan ditambahkan ke dalam gambar asli. Nilai integral dari setiap piksel merupakan
hasil penjumlahan dari semua piksel sebelah atasnya dan di sebelah kirinya.
Keseluruhan citra dapat diintegralkan dengan operasi bilangan bulat untuk tiap pixel.
Contoh dari perhitungan integral image diperlihatkan pada Gambar 2.4 (Ilham,
2010).
Gambar 2.4 Contoh Citra Integral
-
13
Dengan mendapatkan nilai dari citra integral maka jumlah dari seluruh piksel
yang ada dalam setiap persegi panjang dapat dihitung dengan empat nilai. Cara
perhitungannya, tulis angka 1 dipojok kiri atas. Lalu jumlahkan ke kanan (1+2+3)
setelah itu lakukan hal yang sama yaitu jumlahkan ke bawah (1+4+7) sehingga
masing-masing hasilnya adalah 6 dan 12. Untuk menghitung kotak lainnya adalah
pertama-tama carilah nilai di tengah piksel, caranya hitunglah angka 1+2+4+5
sehingga menghasilkan 12. Sedangkan untuk menghitung tiga kotak yang tersisa
cukup jumlahkan setiap angka yaitu (1+2+3+4+5+6); (1+2+4+5+7+8);
(1+2+3+4+5+6+7+8+9) maka masing-masing hasilnya adalah 21, 27, 45.
Dengan pemakaian integral image maka kita dapat menentukan nilai piksel
dari beberapa kotak atau segiempat (rectangular) yang lain. Seperti misalnya nilai
pixel segiempat D, seperti diperlihatkan pada Gambar 2.5, dapat ditentukan dengan
cara menjumlahkan atau menggabung jumlah piksel pada segi empat atau kotak
A+B+C+D, dikurangi hasil penjumlahan segiempat (A+B) dan (A+C), ditambahkan
dengan jumlah piksel di dalam A. Dimana hasil dari A+B+C+D adalah merupakan
nilai dari integral image pada lokasi 4. Hasil A+B adalah nilai pada lokasi 2. Hasil
perhitungan A+C adalah nilai pada lokasi 3. Dan nilai A adalah nilai pada lokasi 1.
Dengan demikian hasil dari integral image D dapat ditentukan dengan persamaan
(2.3) :
D = 1+4 – (2+3) (2.2)
D = A+(A+B+C+D) – (A+B+A+C) (2.3)
Gambar 2.5 Perhitungan Integral Image
-
14
Jika nilai ambang (threshold) dimisalkan adalah 40 maka untuk nilai integral image
𝑓1(x,y) < 40 maka nilainya berubah menjadi 0, dan nilai integral image 𝑓1(x,y) ≥ 40
maka nilainya menjadi 1. Perhitungan nilai integral image D pada persamaan diatas
akan menjadi :
D = 12 + (12 + 21 + 27 + 45) – (12+21+12+27)
D = 45
Ini menunjukkan bahwa nilai Integral Image berada diatas nilai ambang (threshold),
sehingga nilainya menjadi 1.
Untuk memilih fitur Haar khusus yang akan digunakan dalam proses
pendeteksian wajah dan menetapkan ambang batas maka digunakan teknik
pembelajaran yang disebut sebagai Adaptive Boosting.
2.6.3 Adaptive Boosting
Pemilihan ciri spesifik yang akan dipakai untuk mengatur nilai ambang
(threshold), Viola-Jones memakai metode machine learning yaitu Adaptive Boosting
disingkat AdaBoost. Pada metode AdaBoost beberapa classifier lemah akan
digabungkan menjadi sebuah classifier kuat. Dalam hal ini lemah mengandung arti
bahwa filter pada classifier menghasilkan jawaban benar lebih sedikit. Andaikan
semua classifier lemah digabung maka hasilnya adalah classifier yang lebih kuat.
Metode AdaBoost akan memilih beberapa classifier lemah untuk digabungkan dan
pada tiap-tiap classifier tersebut ditambahkan bobot, dan hasilnya berupa classifier
kuat. Beberapa AdaBoost classifier digabung menjadi sebuah rangkaian filter yang
dapat mengelompokkan daerah image dengan efisien. Tiap-tiap filter merupakan
sebuah AdaBoost classifier yang terpisah, yang biasanya terdiri dari classifier lemah.
2.6.4 Cascade Classifier
Proses pengklasifikasian pada metode Viola-Jones berlangsung secara
bertingkat. Proses pengklasifikasian pada algoritma Viola-Jones ini terdiri dari n
tingkatan. Dimana pada setiap tingkatan mengeluarkan sub citra yang diyakini bukan
objek (wajah). Hal ini dilakukan oleh karena akan lebih mudah menentukan sub citra
tersebut bukan objek (wajah) daripada menentukan sub citra tersebut berupa objek
(wajah).
-
15
Gambar 2.6 memperlihatkan proses penyeleksian keberadaan objek (wajah).
Diasumsikan suatu sub citra dievaluasi oleh classifier tahap pertama dan bisa
melewati classifier tersebut. Hal ini menandakan bahwa sub citra tersebut berpotensi
mengandung obyek (wajah) dan diteruskan pada classifier tahap kedua, ketiga, dan
seterusnya sampai classifier tahap ke-n. Apabila berhasil melewati semua tahap
classifier, maka bisa disimpulkan bahwa pada sub citra tersebut terdapat objek
(wajah). Sebaliknya jika gagal, maka proses evaluasi tidak akan diteruskan ke
classifier berikutnya dan dapat disimpulkan bahwa sub citra tersebut tidak terdapat
objek wajah (bukan wajah).
Gambar 2.6 Tahap-tahap Cascade Classifier
-
16
BAB III
METODE PENELETIAN
3.1 Waktu dan Tempat
Penelitian ini dilakukan di Lab. Komputasi, Program Studi Fisika, Fakultas
Matematika dan Ilmu Pengetahuan Alam, Universitas Udayana dari bulan
November-Desember 2017.
3.2 Sumber Data
Data yang akan digunakan adalah beberapa fila citra berwarna (RGB) dengan
ekstensi JPG/JPEG/PNG yang telah diunduh melalui Google Image. Pada penelitian
ini dipakai 10 citra uji untuk pendeteksian target wajah dengan Algoritma Viola-
Jones.
3.3 Alat dan Bahan
Alat dan bahan yang dipergunakan pada penelitian ini berupa perangkat keras
dan perangkat lunak, yaitu :
1. Notebook HP dengan spesifikasi:
a. Processor AMD A4 5000 1.5 Ghz
b. RAM 4 GB
2. Matlab R2016𝛼
3. Citra berwarna dengan format JPG/PNG
3.4 Diagram Alir
Rancangan diagram alir dari metode Viola-Jones adalah seperti diperlihatkan
pada Gambar 3.1 berikut ini :
-
17
Gambar 3.1 Diagram Alir Metode Viola-Jones
mulai
Citra Uji
Pendeteksian wajah
(algoritma Viola- Jones)
Citra target wajah
Simpan citra Hasil deteksi
selesai
-
18
BAB IV
HASIL DAN PEMBAHASAN
4.1 Hasil
Pada penelitian ini proses pendeteksian wajah dengan metode Viola-Jones
diimplementasikan dengan perangkat lunak MATLAB R2016a terhadap citra atau
foto yang akan dijadikan sampel uji. Citra yang digunakan adalah citra berwarna
(RGB) dengan format jpg.
4.2 Rancangan Graphical User Interface (GUI) Aplikasi Viola-Jones
Tampilan rancangan GUI aplikasi pendeteksi target wajah dengan algoritma
Viola-Jones dapat dilihat pada Gambar 4.1.
Gambar 4.1 Tampilan GUI Aplikasi Metode Viola-Jones
Pada tampilan GUI tersebut, tombol ‘Open Image’ berfungsi untuk
menampilkan citra asli (input) yang merupakan citra uji yang akan ditentukan target
wajahnya. Tombol ‘Face Detection’ berfungsi untuk menampilkan citra target wajah
hasil pendeteksian dengan metode Viola-Jones. Untuk menyimpan hasil citra yang
sudah terdeteksi dengan metode Viola-Jones dilakukan dengan meng-klik tombol
‘Save Image’.
4.3 Pengujian
Proses pengujian (testing) terhadap program aplikasi pendeteksi target wajah
Viola-Jones dilakukan dengan 10 sampel citra. Berikut ini adalah tampilan dari
-
19
beberapa hasil eksekusi program aplikasi. Gambar 4.2 , Gambar 4.3, dan Gambar 4.4
memperlihatkan hasil eksekusi program aplikasi.
Gambar 4.2 Hasil Aplikasi terhadap 1 target wajah
Gambar 4.3 Hasil Aplikasi terhadap 4 target wajah
Gambar 4.4 Hasil Aplikasi terhadap target wajah miring 450- 900
-
20
4.4 Pembahasan
Dari 10 citra yang diuji untuk mendeteksi target wajah dengan metode
algoritma Viola-Jones, maka 8 citra berhasil dideteksi dan 2 citra tidak berhasil
mensegmentasi target wajah. Tabel 4.1 dibawah ini adalah rangkuman hasil
pendeteksian dari 10 citra tersebut.
Tabel 4.1 Hasil deteksi wajah dengan Viola-Jones
NO CITRA ASLI (INPUT) CITRA HASIL DETEKSI
1
2
3
4
-
21
5
6
7
8
9
-
22
10
Dapat dilihat dari Tabel 4.1 bahwa dari 10 citra uji maka target wajah yang
terdeteksi adalah citra yang mengandung wajah dengan posisi frontal ke depan (citra
1 – 8). Walaupun beberapa wajah memakai aksesori berupa topi atau kacamata,
namun aplikasi masih dapat mendeteksi target wajah. Sedangkan 2 buah citra lainnya
(citra 9 dan 10) yang mengandung target wajah miring ke samping sekitar 45° sampai
90° maka aplikasi Viola-Jones tidak berhasil mendeteksi target wajah.
-
23
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan pembahasan sebelumnya maka dapat disimpulkan :
1. Program aplikasi pendeteksi wajah dengan metode Viola-Jones dapat mendeteksi
target wajah dengan posisi pandangan lurus ke depan, sedangkan untuk posisi
wajah menghadap kesamping sekitar 45° sampai 90° program aplikasi gagal
mendeteksi wajah.
2. Hasil pendeteksian target wajah dengan 10 citra sampel maka 8 citra berhasil
terdeteksi target wajah (80 %) dan 2 citra gagal (20%).
5.2 Saran
Adapun saran-saran yang dapat diberikan apabila dilakukan penelitian lebih
lanjut mengenai pendeteksian target wajah adalah sebagai berikut :
1. Tidak hanya menggunakan citra RGB (true colour) melainkan juga citra grey
scale sebagai sampel.
2. Membandingkan dengan metode face detection lainnya.
3. Citra uji atau sampel tidak hanya berupa file, melainkan bisa langsung diambil
dari screenshot kamera laptop, smartphone, dan media lainnya.
-
24
DAFTAR PUSTAKA
Arihutomo,M., 2010, Rancang Bangun Sistem Penjejakan Objek Menggunakan Metode Viola-
Jones Untuk Aplikasi Eyebot, jurusan telekomunikasi, PENS-ITS, Surabaya
Kirby, M., and Sirovich, L., 1990, Application of the Karhunen-Loeve Procedure for the
Characterization of Human Face, IEEE PAMI, Volume 12
Lestari,Sir Puji, 2014, Implementasi Pengenalan Wajah Manusia Menggunakan Principal
Component Analysis (PCA), Program Studi Teknik Informatika, STMIK Budidarma, Medan
Nugroho, S., 2004, Sistem Pendeteksi Wajah Manusia pada Citra Digital, Program Studi Ilmu
Komputer, FMIPA, Universitas Gadjah Mada, Jogyakarta
Rahmantha,Nafier, 2014, Penerapan Algoritma Viola-Jones dan Eigenface pada Sistem
Pengenalan Wajah, Jurusan Teknik Elektro dan Teknologi Informasi, FT, UGM, Jogyakarta
Turk,M., and Pentland, A., 2013, Eigenface for Recognition, Journal of Cognitive Neuroscience,
Volume : 3
Yanti, Dewi, 2013, Deteksi Wajah Manusia pada Citra menggunakan Dekomposisi Fourier,
Program Studi Ilmu Komputer, FMIPA, Universitas Brawijaya, Malang
Viola, P., and Jones, M., 2004, Robust Real-time Object Detection, International Journal of
Computer Vision, Kluwer Academic, Netherlands