Seminar Nasional Teknologi Informasi dan Komunikasi 2015 (SENTIKA 2015) ISSN: 2089-9815

Yogyakarta, 28 Maret 2015

463

PENGENALAN WAJAH MENGGUNAKAN PRINCIPAL COMPONENT ANALYSIS

DAN SELF ORGANIZING MAPS

Anggina Primanita1, Dian Retno Anggraini2

Teknik Informatika, Fakultas Ilmu Komputer, Universitas Sriwijaya

Perum. Bukit Sejahtera, blok DJ10, Bukit Besar, Palembang

Telp. (0711)379249

Teknik Informatika, Fakultas Ilmu Komputer, Universitas Sriwijaya

Perum. Bukit Sejahtera, blok AQ20, Bukit Besar, Palembang

Telp. (0711)358421

E-mail: Anggina.primanita@gmail.com, dianretno27@gmail.com

ABSTRAKS

Wajah merupakan elemen biometrik yang dinamik. Pengenalan wajah menggunakan komputer memerlukan

metode khusus karena komputer tidak dibekali cara berfikir seperti hal nya manusia dapat mengenali wajah

dengan cara mengingat kembali wajah manusia yang pernah ditemui meskipun wajah manusia tersebut telah

mengalami perubahan. Penelitian ini menerapkan Principal Component Analysis (PCA) dan Self Organizing

Maps (SOM). Principal Component Analysis digunakan untuk melakukan reduksi terhadap elemen elemen

gambar wajah. Sementara Self Organizing Maps digunakan sebagai alat untuk mengenali atau mengklasifikasi.

Hasil percobaan terhadap sistem dengan 300 data gambar wajah yang berukuran 80x80 mendapatkan akurasi

sebesar 86%, hasil akurasi tergolong sangat baik, sehingga dapat disimpulkan bahwa Principal Component

Analysis dapat digunakan untuk memodelkan input Self Organizing Maps.

Kata Kunci: Pengenalan Wajah, Principal Component Analysis, Self Organizing Maps, YaleFace Database

ABSTACTS

Human face is a dynamic biometric element. Face recognition using a computer require a special method

because a computer doesnt have ability like human being. Humans can recognize a person even though theyre

not meet each other for a very long time. This study applies Principal Component Analysis (PCA) and Self

Organizing Maps (SOM). Principal Component Analysis is used to perform the reduction of the face image

elements. While Self Organizing Maps is used as a tool to identify or classify. The experimental results of the

system with 300 face image data with size 80x80 obtain an accuracy of 86%, The result is pretty good, so it can

be concluded that the Principal Component Analysis can make to Self Organizing Maps model.

Key Words: Face Recognition, Principal Component Analysis, Self Organizing Maps, YaleFace Database.

1. PENDAHULUAN 1.1 Latar Belakang

Pengenalan pola adalah disiplin ilmu yang

tujuannya untuk mengklasifikasikan obyek menjadi

beberapa kategori atau kelas. aplikasi pengenalan

pola antara lain: pengenalan karakter, pengenalan

suara, pengenalan wajah, dan bioinformatika.

Dengan bantuan teknologi, pengenalan wajah dapat

diaplikasikan untuk menyelesaikan masalah yang bervariasi seperti identifikasi pelaku kriminal,

investigasi kejahatan, dan sistem keamanan.

Salah satu pengenalan pola adalah pengenalan

wajah, yaitu proses identifikasi manusia dengan

menggunakan gambaran wajah seseorang.

Pengenalan wajah dapat dilakukan oleh komputer

dengan adanya bantuan aplikasi secara real time dan

non real time. Pada pengenalan wajah secara non

real time, data masukkan berupa gambar wajah

dengan format tertentu, seperti JPEG, GIF, PNG,

BMP, dan TIFF. Sebuah gambar wajah yang memiliki ukuran tertentu, jika panjang dan lebar dari

gambar tersebut adalah w dan h piksel maka jumlah

informasi yang akan diolah adalah sebanyak w*h

(Rahman, 2010). Hal ini dapat menyebabkan kinerja

sistem menjadi lambat karena banyaknya informasi

yang akan diolah.

PCA (Principal Component Analysis) adalah

suatu perhitungan yang digunakan untuk analisis

data pada multi dimensi sekumpulan data (dataset)

khususnya pada bidang grafik. Metode PCA digunakan untuk mereduksi informasi tanpa harus

menghilangkan informasi utamanya. informasi yang

direduksi tersebut di hilangkan dengan maksud agar

kinerja sistem lebih cepat dan akurat. Permasalahan

dalam PCA adalah bagaimana menemukan nilai

eigen dan vector eigen untuk mendapatkan nilai

kovariansi dan korelasi antar dimensi pada suatu

data.

Jaringan syaraf tiruan atau umumnya disebut

neural network, adalah sistem pembelajaran

berbentuk jaringan yang terinspirasi berdasarkan jaringan syaraf manusia. SOM (Self Organizing

mailto:Anggina.primanita@gmail.commailto:dianretno27@gmail.com

Seminar Nasional Teknologi Informasi dan Komunikasi 2015 (SENTIKA 2015) ISSN: 2089-9815

Yogyakarta, 28 Maret 2015

464

Maps) sebagai metode pengenalan atau klasifikasi

termasuk salah satu metode jaringan syaraf tiruan.

Metode ini termasuk unsupervised learning, yaitu

tidak memiliki target atau ditentukannya hasil

output. Metode ini juga telah banyak dilakukan

untuk pengenalan pola baik berupa citra maupun

data. Pengenalan wajah menjadi penting dalam

beberapa bidang seperti sistem keamanan, sistem

login dan lain sebagainya. Proses pengenalan wajah

ada 2 yaitu Training dan Testing, pada tahap awal wajah Training dan Testing akan dimasukkan ke

tahap pre-processing. Setelah itu akan dicari ciri

pada wajah training dan testing dengan

menggunakan metode Principal Component Analysis (PCA), sedangkan untuk klasifikasi

menggunakan Self-Organizing Map (SOM).

1.2 Rumusan Masalah Pengenalan wajah merupakan masalah yang sulit

karena intensitas pencahayaan, ekspresi wajah,

penuaan dan lain sebagainya. Untuk itu diperlukan

metode ekstraksi ciri yang baik agar hasil

pengenalan lebih optimal. Metode ekstraksi ciri PCA

serta klasifikasi dengan jaringan syaraf tiruan SOM

akan digunakan untuk menghasilkan pengenalan

wajah yang memiliki tingkat akurasi lebih optimal.

1.3 Tujuan Tujuan Penelitian ini adalah mengembangkan

perangkat lunak pengenalan wajah dengan metode

Principal Component Analysis sebagai ekstrasi fitur

serta algoritma clustering Self Organizing Maps

untuk mengenali citra wajah dan mengetahui tingkat

akurasi yang didapat dari perangkat lunak

pengenalan wajah menggunakan metode yang

dipilih.

2. PEMBAHASAN

Gambar 1. Proses pengenalan wajah

Dapat dilihat pada Gambar 1. Proses pengenalan

wajah ada 2 tahap, yaitu pelatihan (Training), dan

pengujian (Testing). Pada pelatihan wajah terdapat 3

tahapan, yaitu pra-pengolahan, ekstrasi ciri dan

klasifikasi. Pra-pengolahan berfungsi untuk

membersihkan citra serta mempersiapkan citra agar

dapat menghasilkan fitur yang lebih baik pada tahap

ekstrasi ciri. Setelah citra dibersihkan tahap

selanjutnya adalah melakukan perhitungan PCA

dengan tujuan untuk mendapatkan nilai ciri. Setelah

ciri didapat maka langkah selanjutnya adalah nilai ciri yang didapat diolah dengan perhitungan SOM.

Pada tahap pengujian wajah nilai dari citra yang

akan dikenali akan diproyeksikan terhadap nilai

bobot yang telah di dapat pada tahap pelatihan wajah

sebelumnya dengan mencari jarak yang paling

maksimal dengan dot product, dari hasil perhitungan

tersebut maka akan didapatkan citra yang paling

mendekati wajah yang akan dikenali. Pengenalan

wajah dari komputer sulit dilakukan tidak seperti

halnya manusia, komputer harus melalui beberapa

proses dan harus mempunyai perangkat lunak khusus untuk mengenali wajah manusia.

2.1 Analisis Data Wajah Citra digital merupakan suatu matriks yang

terdiri dari baris dan kolom, dimana setiap pasangan

indeks baris dan kolom menyatakan suatu titik pada

citra. Nilai matriksnya menyatakan nilai kecerahan

titik tersebut. Titik-titik tersebut dinamakan sebagai

elemen citra, atau pixel (picture elemen) (Stallings,

1995). Pada umumnya piksel piksel tersebut

mengandung berbagai variasi nilai RGB yaitu komponen warna merah/red, hijau/green, biru/blue.

Cira RGB akan diubah ke bentuk citra derajat

keabuan karena citra dalam bentuk skala keabuan

lebih mudah untuk dianalisa dibandingkan dengan

citra berwarna. Data wajah yang digunakan

sebanyak 300 gambar dari YaleFace database, 300

gambar tersebut terdiri dari 30 orang, masing-

masing orang mempunyai 10 gambar wajah yang

berbeda dengan ekstensi JPEG.

2.2 Prapengolahan Pra-pengolahan merupakan tahap awal dalam

pengenalan objek yang merupakan proses penelitian

dengan menggabungkan konsep citra digital,

pengenalan pola, matematika dan statistik. Seperti

yang telah dijelaskan sebelumnya citra yang akan

dilakukan proses deteksi harus diubah terlebih

dahulu kedalam bentuk citra derajat keabuan. Hal ini

perlu dilakukan karena proses pengolahan citra

warna lebih sulit dilakukan dan kompleks

dikarenakan citra warna memiliki tiga komponen

warna utama yaitu merah, hijau dan biru (Purnomo,

2010). Berikut adalah cara untuk mengubah citra berwarna ke citra derajat keabuan:

)*2.0()*5.0()*3.0( bgrGray (1)

Tahap kedua dalam pra-pengolahan yaitu resize,

resize adalah merubah ukuran gambar dengan tujuan

Seminar Nasional Teknologi Informasi dan Komunikasi 2015 (SENTIKA 2015) ISSN: 2089-9815

Yogyakarta, 28 Maret 2015

465

membuat semua ukuran gambar me