Penerapan Face Recognition Dengan Metode Eigenface Dalam Intelligent Home Security

8/12/2019 Penerapan Face Recognition Dengan Metode Eigenface Dalam Intelligent Home Security

1/6


2/6

yang memerlukan banyak training data. Tapidalam pengenalan masih banyak terjadikesalahan seperti yang tertulis dalam batasanmasalah. Sistem ini mengambil masukan berupavideo dan diharuskan mempunyai latar belakangyang sama antara data training dan pelatihan,untuk melakukan background removal. Sistem

home security yang dikembangkan oleh Kouma[5] dalam thesisnya menggunakan facerecognition untuk mengenali wajah siapa sajayang tinggal di rumah. Jika sistem mendeteksisuatu pengganggu, system akan mengirim MMSwajah pengganggu kepada pemilik rumah.Sistem akan otomatis mati jika mengenali salahsatu wajah pemilik rumah,dan akan aktif ketikasemua penghuni meninggalkan rumah.

Kelemahan dari beberapa penelitian diatasadalah system tidak real-time [5],komputasiterlalu berat dan membutuhkan background yangkhusus [4], ekspresi wajah harus selalu sama[6].Maka paper yang berjudul Penerapan Face

Recognition dengan Metode Eigenface dalamIntelligent Home Security akan mengaplikasikanface recognition dengan metode eigenfacesebagai sarana pengenalan wajah antara pemilikrumah dan pencuri secara real-time. Pemilikrumah dan pencuri dimasukkan ke dalam classyang berbeda sehingga akan lebih mudah dalampengenalan. Diharapkan dengan aplikasi inidapat membuat suatu sistem yang handal danaman.

3. Perancangan SistemBerikut adalah penjelasan tentang perancangansystem secara keseluruhan. Pertama adalahberikut proses untuk perancangan dalammelakukan pengenalan wajah pada systemIntelligent home security. Tahap - tahap tentangpengenalan wajah seperti yang ditunjukkan padabagan.

Gambar 1 Block diagram system pengenalan wajah

Gambar 1 merupakan block diagram softwareuntuk melakukan pengenalan dari sistem yangdigunakan, dimana jalannya sistem dibagimenjadi 2, yaitu block pengambilan data danblock pengenalan wajah. Jalannya sistem block

pengambilan data adalah sebagai berikut :

1. Aktifkan webcam untuk menampilkan gambaryang ditangkap webcam kedalam aplikasi.

2. Penangkapan citra wajah (image capturing)dapat dilakukan secara langsung (real time)menggunakan webcam, setelah terdeteksiadanya gambar wajah pada tampilan windowdari webcam.

3. Kemudian dilakukan proses pemrosesan awalyang meliputi, normalisasi ukuran citra, RGBke grayscale, histogram equalization untukmemperbaiki kualitas citra input agarmemudahkan proses pengenalan tanpamenghilangkan informasi utamanya, resizeuntuk membuang bagian daerah selain wajahsehingga hanya bagian wajah saja yangdiproses dan normalisasi pencahayaan ketikamengambil citra input.

4. Simpan data wajah yang diambil dalambentuk*.pgm.

5. Kemudian dilakukan proses PCA untukmengutip bagian terpenting dengan metode

eigenface sehingga didapatkan eigenvectordan eigenvalue dari gambar tersebut.6. Proses penyimpanan kedalam data wajah

untuk setiap citra wajah yang telah digunakandalam proses PCA dalam bentuk *.xml ,semakin kompleks dan sering maka prosespengenalan wajah akan semakin baik.

7. Data yang telah disimpan nantinya digunakansebagai nilai pembanding pada prosespenghitungan jarak untuk pengenalan wajah.

Sedangkan untuk proses pengenalan adalahsebagai berikut :

1. Aktifkan webcam untuk menampilkan gambaryang ditangkap webcam kedalam aplikasi.

2. Penangkapan citra wajah (image capturing)dapat dilakukan secara langsung (real time)menggunakan webcam, setelah terdeteksiadanya gambar wajah pada tampilan windowdari webcam.

3. Kemudian dilakukan proses pemrosesan awalyang meliputi, normalisasi ukuran citra, RGBke grayscale, histogram equalization untukmemperbaiki kualitas citra input agarmemudahkan proses pengenalan tanpamenghilangkan informasi utamanya, resizeuntuk membuang bagian daerah selain wajahsehingga hanya bagian wajah saja yangdiproses dan normalisasi pencahayaan ketikamengambil citra input.

4. Kemudian dilakukan proses PCA untukmengutip bagian terpenting dengan metodeeigenface sehingga didapatkan eigenvectordan eigenvalue dari gambar tersebut.

5. Proses pengenalan wajah denganmenghitung jarak antara fitur wajah yang adadalam data dan fitur wajah yang baru. Jarakyang didapat di cari yang terkecil untukidentifikasi.


3/6

3.1 Pemrosesan Awal

Pada proses deteksi wajah sekaligus langsungdilakukan pemrosesan awal saat citra wajahdalam frame terdeteksi. Hal ini dilakukan untukmembuat software yang realtime dan lebihefisien. Gambar 2 menunjukkan bagaimanaproses awal dilakukan.

Gambar 2 Block diagram system pemrosesan awal

Proses pendeteksian adanya citrawajah dalam gambar dengan detektor wajah

OpenCV, menggunakan sebuah metodaViola-Jones.

Capture wajah secara otomatis setelahwajah dideteksi.

Citra wajah yang diperoleh dariberbagai sumber memiliki ukuran yangberagam, karena itu harus diseragamkansehingga memiliki ukuran 50 x50 piksel.

Citra wajah diubah kedalam grayscalesebelum dilakukan histogram equalization.

Pada tahap ini citra yang telah diubahdalam grayscale diperbaiki distribusi nilaiderajat keabuan dengan cara dibuat rata.

3.2 Proses Penyimpanan Data WajahUntuk proses pengambilan data. Jumlah datayang diambil untuk setiap wajah adalah dari 2pemilik rumah diambil sebanyak masing-masing5 kali, dengan posisi yang berbeda-beda, jarakyang juga berbeda, kemiringan wajah yangberbeda pula. Dari setiap capture akan dilakukanproses awal seperti yang telah dijelaskan diatas.Kemudian hasil pemrosesan awal akan disimpandalam format *.pgm, dikarenakan untukmemudahkan dalam perhitungan eigenvalue daneigenvector untuk proses pembelajaran. Format*.pgm adalah sebuah matriks wajah yangberukuran 50 x 50. Matriks yang terdapat dalamfitur wajah pada gambar 3 bernilai antara 0 255.Penyimpanan data wajah ini akan digunakandalam proses pembelajaran untuk mendapatkannilai eigenvalue dan eigenvektor dari gambar.Setiap nilai dicatat. Kemudian dijumlahkan dandibagi jumlah berapa kali melakukan percobaanuntuk diambil rata rata untuk setiap wajah. Jadiada 1 nilai hasil rata rata dari 10 kali percobaanuntuk setiap wajah pemilik. Nilai inilah yangdigunakan sebagai nilai acuan.

Gambar 3 Wajah dalam bentuk *.pgm

Setiap pemilik atau penghuni rumah telahdisimpan data wajahnya dalam berbagai posisidan ekspresi, dari frontal mengahadap ke depansampai sudut kemiringan 5 dan disimpan dalamsatu class pemilik rumah. Sedangkan dalamclass berbeda yaitu class bukan pemilik rumahterdapat banyak data wajah yang diambil secaraacak. Jadi wajah yang tersimpan bukan hanyapemilik rumah saja, tetapi wajah bukan pemilikrumah sebagai sample dan pembanding.Pengambilan data wajah dalam class yangberbeda ini berguna untuk proses pengenalanwajah selanjutnya.

3.3 Proses Penghitungan Eigenface

Pada langkah ini informasi - informasi yangrelevan dari data yang disimpan akan dilakukantahap penghitungan eigenvalue dan eigenvektorbaik dari citra wajah keseluruhan maupun darielemen wajah. Jadi pada tahap ini dilakukan

proses lokalisasi elemen wajah.Sifat simetriwajah dapat digunakan membantu proses PCAini. Eigenvector masing-masing memiliki nilaiyang sama seperti aslinya gambar itu sendiri dandapat dipandang sebagai sebuah gambar.Eigenvector ini merupakan covariance matrikskarena itu disebut eigenface. Arah darieigenvector itu dimana gambar dalam pelatihanditetapkan berbeda dari gambar yangasli. Secara umum ini akan menjadi langkahkomputasi mahal (bila keadaan memungkinkan),tetapi praktek penerapan eigenface berasal darikemungkinan untuk menghitung eigenvectoryang efisien, tanpa pernah dilakukan komputasi

secara rinci.

Gambar 4 Proses penghitungan Eigenface

Proses PCA dilakukan dengan :1. Mengambil data dari hasil training.

2. Melakukan proses perhitungan denganmenggunakan PCA untuk menemukan


4/6

subspace. Cari matriks covariance :S = T

Tx T

3. Menghitung gambar hasil pelatihan kedalam PCA subspace denganmenggunakan eigenvalue dan eigenvektor

(eigenface). dan

.4. Mendapatkan nilai eigenface.

5. Menyimpan semua informasi hasil pelatihandalam *.xml.

3.4 Proses Pengenalan

Dalam proses pengenalan wajah inimenggabungkan antara metode Euclideandistance dan k-nearest neighbor. K-nearestneighbor disini akan berguna dalam pembuatanclass antara pemilik dan pencuri. Diagram alur

keseluruhan dalam proses pengenalan wajahdapat dilihat pada gambar.

Gambar 5 Proses Pengenalan Wajah

Pada gambar diatas adalah proses dimanapengenalan wajah dilakukan. Prosespengenalannya antara lain :

1. Pertama adalah Ambil sebuah citra (*.pgm) .2. Kedua, Tentukan nilai mean dan

eigenvaluenya.3. Ketiga, Hitung rata-rata perbedaan antara fitur

input (Xi) dan fitur hasil pelatihan (Yi).4. Jika jarak dari fitur input (Xi) lebih kecil dari

pada rata rata perbedaan dan nilai tersebutmasuk kedalam class pemilik makaidentifikasikan sebagai pemilik.

5. Jika jarak dari fitur input (Xi) lebih besar daripada rata rata perbedaan dan berada diluar

class pemilik maka identifikasikan sebagaipencuri atau bukan pemilik.

4. Hasil percobaanPengujian dilakukan menggunakan webcamlogitech quickcam S-5500 dengan resolusi 1,3megapixel yang dihubungkan dengan komputerintel pentium dualcore dengan clock CPUsebesar 2.66 GHz dengan RAM sebesar 512mbRAM dan OS windows XP servicepack 2

4.1 Pengujian Deteksi Wajah

Pada tahap pengujian deteksi wajah ini akan diujiberdasarkan tingkat ketepatan hasil capturedalam mendapatkan lokasi wajah denganmenggunakan metode viola-jones untukmendeteksi objek pada gambar dengandidasarkan pada Wavelet Haar.

Gambar 6 Jumlah wajah terdeteksi

Dengan 100 kali ujicoba untuk mendeteksi wajahberhasil terdeteksi sebanyak 92 kali dan 8 kalitidak terdeteksi. Sedangkan gambar selain wajahterdeteksi sebagai wajah sebanyak 3 kali dan 17kali tidak terdeteksi sebagai wajah. Sehinggatingkat keberhasilan akurasi wajah ini sangattinggi yaitu mencapai 90,833%.

Gambar 7 Grafik fps terhadap jarak

Pengukuran frame per second ini bertujuan untukmengetahui kehandalan sistem pendeteksianwajah, yaitu dengan cara mencari tau berapa

frame yang dapat diambil dalam waktu satu detik.Contoh :Jika diketahui nilai fps = 80 msMaka frame yang dapat di ambil dalam 1 detik :1 detik = 1000 ms,

Jumlah frame = 1000ms/80ms = 12,5 frame

Jadi dalam waktu satu detik bisa mengambil 12,5frame, sehingga sistem cukup handal.

4.2 Pengujian Pemrosesan Awal Wajah

Setelah wajah terdeteksi, langkah-langkahselanjutnya adalah proses awal wajah yang

meliputi capture wajah, memotong lokasiwajahnya saja dari keseluruhan gambar yangtercapture, konversi ke gray scale, Histogram


5/6

equalization untuk memperbaiki citra gambar darinoise. Proses awal dilakukan untuk masukandalam proses penghitungan eigenface sebelumdilakukan proses pengenalan.

Tabel 1 Hasil uji pemrosesan awal

No. Obyek Proses

sempurna

Proses

tidaksempurna

1 Gambar

wajah

86 kali 14 kali

2 Gambar

selain wajah

1 kali 19 kali

Dari tabel 1 dilakukan pengukuran performasistem pemrosesan awal wajah, dengan uji cobasebanyak 100 kali dengan gambar wajah makadidapatkan proses sempurna sebanyak 86 kalisedangkan proses tidak sempurna sebanyak 14kali. Sedangkan performa dengan gambar selainwajah didapatkan proses sempurna hanya 1 kalidari 20 kali pengukuran dan proses tidaksempurna terdapat 19 kali. Sehingga didapatkanakurasi dari pemrosesan awal wajah sebanyak87,5% . Dengan akurasi yang cukup besar inimaka dapat dikatakan sistem dapat bekerjadengan baik pada tahap pemrosesan awal,karena keberhasilan tahapan ini akanmenentukan untuk tahap pengenalan wajahselanjutnya.

4.3 Pengujian Pengenalan Wajah

Dalam pengujian ini dilakukan untuk mengetahuikeberhasilan sistem pengenalan wajah. Dengandata wajah yang telah dilakukan pembelajaran

sebelumnya dengan metode eigenface makatahap pengenalan wajah ini dapat dilakukandengan menguji gambar wajah dengan mencarigambar pelatihan yang terdekat kedalam PCAsubspace.

Gambar 8 Hasil pengenalan wajah

Sistem pengenalan wajah ini digunakan untukmembedakan antara pemilik rumah denganbukan pemilik. Pengenalan dilakukan denganmemasukkan data pemilik wajah kedalam satuclass, masing-masing pemilik 5 data wajah.Sehingga data selain dalam kelompok pemilik di

identifikasi sebagai pencuri. Seperti pada gambar8 pengenalan menghasilkan bahwa wajah adalahpemilik.

Tabel 2 Hasil uji pengenalan wajah

Dikenalipemilik

Pencuri

Pemilik 1 87 13

Pemilik 2 89 11

Wajah random 14 86

Akurasi pengenalan :

Wajah Pemilik 1 : wajah randomdikenali pemilik

((87+86)/(87+86+13+14) )*100% = 86,5%

Wajah Pemilik 2 : wajah randomdikenali pemilik

((89+86)/(89+86+11+14) )*100% = 87,5%

Wajah random : wajah Pemilik 1 &Pemilik 2 dikenali pemilik

((13+11+14)/(13+11+14+87+86+89))*100% =12,66 %

4. Kesimpulan

Dari hasil perancangan sampai dengan pengujiandidapatkan kesimpulan bahwa :

Tinggi rendahnya unsur pencahayaan yangberada di sekitar obyek sangatmempengaruhi proses pendeteksian.

Jarak antara wajah dengan webcam sangatberpengaruh dalam proses pendeteksianwajah.

Kombinasi kombinasi dari metode viola-jones dapat mendeteksi wajah dengan tepat.

Proses pengenalan akan berjalan denganbaik bila capture wajah hasil deteksi jelasdan tidak kabur.

Penyimpanan data hasil pemrosesan awal

dalam bentuk *.pgm untuk memudahkandalam proses penghitungan PCA.

Sesuai permasalahan, alat berhasil dapatmelakukan pengenalan meskipun posisinyaberdeda beda. Karena yang digunakanadalah nilai dari eigenface tiap citra wajahyang dibandingkan.

Tingkat keberhasilan pengenalan wajahmenggunakan euclidean distance dan k-Nearest neighbour sangat dipengaruhi olehdeteksi wajah,pemrosesan awal, danpenghitungan dengan PCA(eigenface)sebelumnya.

Pengguanaan class untuk pengelompokandata pemilik rumah dan bukan pemilik rumahsangat efektif digunakan dalam prosesverifikasi antara pemilik atau pencuri

5. Pustaka[1] A.R. Dewi, Ekstraksi Fitur dan Segmentasi

Wajah Sebagai Semantik Pada SistemPengenalan Wajah, Makalah SkripsiUniversitas Gunadarma, Jakarta, 2005.

[2] H. A. Rowley, S. Baluja, and T. Kanade,Neural network-based face detection,IEEE Trans. PAMI, vol. 20, pp. 2338,Madison, USA, January 1998

[3] Ika made, Face Recognition denganMenggunakan Metode Principal ComponentAnalysis (PCA), Makalah Skripsi UniversitasGunadarma, Jakarta, 2003.


6/6

[4] Jelita Raisa, Aplikasi Jaringan Syaraf TiruanUntuk Mengenali Wajah Seseorang, Tugas

Akhir Politeknik Elektronika Negeri SurabayaInstitut Sepuluh Nopember, Surabaya, 2008.

[5] Kouma Jean-Paul, Intelligent home securitysystem, Tesis Ume university, Swedia,2006.

[6] Mukti Garilbaldy W, Implementasi AlgoritmaFractal Neighbour Distance untuk FaceRecognition , Makalah Skripsi InstitutTeknologi Bandung, Bandung, 2006.

[7] Prasetyo Eri, Rahmatun Isna, DesainVariasi Wajah dengan Variasi Ekspresi danPosisi Menggunakan Metode Eigenface,Makalah Skripsi Universitas Gunadarma,Jakarta, 2005.

[8] Rinaldi Munir, Pengolahan Citra Digitaldengan Pendekatan Algoritmik, PenerbitInformatika , Bandung , 2004.

[9] Reference manual OpenCv, 2001.[10] Active WebCam Software Manual

(Copyright PY Software, (www.pysoft.com)[11] Bluekid,(http://derindelimavi.blogspot.com/2008/05/yz-tanma-2.html )

[12] DigitalCamera,(http://www.bhinneka.com/bhindexpc)

[13] Romdhani s. Face Recognition UsingPrincipal Component Analysis ,http://eeapp.elec.gla.ac.uk/~romdhani/pca_doc/pca_doc_toc.htm

[14] Seeing with OpenCv,(http://www.cognotics.com/opencv/servo_2007_series/part_5/index.htm )

[15] Webcam,

(http://id.wikipedia.org/wiki/Webcam)
http://derindelimavi.blogspot.com/2008/05/yhttp://eeapp.elec.gla.ac.uk/~romdhani/pca_dhttp://eeapp.elec.gla.ac.uk/~romdhani/pca_dhttp://www.cognotics.com/opencv/servo_20http://id.wikipedia.org/wiki/Webcamhttp://id.wikipedia.org/wiki/Webcamhttp://id.wikipedia.org/wiki/Webcamhttp://www.cognotics.com/opencv/servo_20http://eeapp.elec.gla.ac.uk/~romdhani/pca_dhttp://www.bhinneka.com/bhindexphttp://derindelimavi.blogspot.com/2008/05/yhttp://www.pysoft.com/

Penerapan Face Recognition Dengan Metode Eigenface Dalam Intelligent Home Security

Documents

Transcript of Penerapan Face Recognition Dengan Metode Eigenface Dalam Intelligent Home Security