PENGENALAN WAJAH MENGGUNAKAN PRINCIPAL · PDF filedalam PCA adalah bagaimana menemukan nilai...
Transcript of PENGENALAN WAJAH MENGGUNAKAN PRINCIPAL · PDF filedalam PCA adalah bagaimana menemukan nilai...
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: [email protected], [email protected]
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
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