Perancangan Program Aplikasi Pencarian Daftar Hitam Berdasarkan Pengenalan Wajah dengan Metode Fisherfaces dan Database SQL

Lea Gunawan

Binus University, Jalan KH. Syahdan No. 9 Palmerah, Jakarta 11480, Indonesia

+6287771555875

lea_jclu@yahoo.com

ABSTRACT

High rate of crimes make polices have trouble to finding and recognizing the identity of the criminals.

Needed a system to help the police, one of the solution is using face recognize system . Face

recognition is generally done by several controlled variables such as light intensity, facial pose and

expression. This thesis discusses about the blacklist searching based on face recognition with

Fisherfaces method and SQL databases. Testing is done with the input of face images with pose

variations based on the velocity axis whereas parallel to the flat and carried out experiments using a

threshold value in order to get an optimal value. The advantage of this application is quick and

accurate to identify person’s face who caught on camera and record the details in history. After

testing is done with a few samples, it can be concluded that the FisherfacesMethod can be used to

blacklist searching with face recogniton in multi-pose face with a good result.

Tags: recogniton, face, variation, pose, Fisherfaces, Linear Discriminant Analysis

ABSTRAK

Angka kasus kriminalitas yang tinggi membuat pihak berwajib kesulitan mencari dan

mengenali identitas pelaku tindak kriminalitas. Diperlukan sistem yang dapat membantu pihak

kepolisian salah satu solusinya adalah dengan menggunakan sistem pengenalan wajah. Pengenalan

wajah umumnya dilakukan dengan beberapa variabel terkontrol seperti intensitas cahaya, pose wajah,

dan ekspresi. Skripsi ini membahas mengenai pencarian daftar hitam berdasarkan pengenalan wajah

dengan metode Fisherfaces dan database SQL. Pengujian dilakukan dengan masukan berupa citra

wajah dengan variasi pose berdasarkan perputaran axis yang sejajar dengan bidang rata dan dilakukan

percobaan menggunakan beberapa nilai threshold agar mendapatkan nilai yang optimal. Manfaat dari

aplikasi ini adalah mengidentifikasi secara cepat dan tepat wajah seseorang yang tertangkap kamera,

serta melakukan pencatatan detail orang tersebut di histori. Setelah pengujian dilakukan dengan

beberapa sampel, dapat disimpulkan bahwa metode Fisherfaces dapat digunakan untuk pencarian

daftar hitam dengan pendeteksian wajah secara multi-pose dengan hasil yang memuaskan.

Kata kunci: pengenalan, wajah, variasi, pose, Fisherfaces, Linear Discriminant Analysis

PENDAHULUAN

Sekarang ini kebutuhan akan keamanan sangatlah penting. Maraknya kasus kriminalitas yang terjadi membuat pihak berwajib kesulitan untuk mencari dan mengenali identitas pelaku. Hal ini disebabkan karena banyaknya jumlah pelaku tindak kriminalitas, tingginya kasus-kasus kejahatan, dan daya ingat manusia yang terbatas. Ancaman tindak kriminalitas di kota Jakarta dan sekitarnya pada tahun 2013 sungguh mencemaskan. Berdasarkan catatan akhir tahun 2012 Polda Metro Jaya, tiap 10 menit 6 detik di wilayah hukumnya mencuat satu kasus kejahatan. Artinya pada tahun 2012 setiap 10 menit 6 detik terjadi satu kasus kejahatan. (Wartakota, 2013) Agar dapat mengatasi tindak kriminalitas di jalanan, diperlukan jumlah polisi yang tidak sedikit. Pasalnya jumlah anggota polisi untuk mengayomi dan melindungi masyarakat masih kurang.(Erlangga Masdiana, Wartakota, 2013) Dengan kemampuan daya ingat manusia yang terbatas, pihak berwajib akan kesulitan untuk mengingat wajah para pelaku kejahatan yang jumlahnya sangat banyak. Berdasarkan data-data yang di dapat di lapangan, sebagian besar kasus kriminalitas yang terjadi dilakukan oleh orang yang sama dengan kejahatan-kejahatan yang telah terjadi sebelumnya. Pencarian pihak polisi akan sangat terbantu dengan adanya data-data para pelaku kriminalitas yang tersimpan dalam daftar hitam kepolisian. Daftar hitam kepolisian adalah data-data orang yang sedang dicari oleh pihak kepolisian. Untuk melakukan pencarian orang yang terdaftar di daftar hitam, maka dibutuhkan sumber daya kepolisian yang semakin banyak. Karena itu diperlukan sebuah sistem untuk dapat mengenali banyak wajah dan dapat menyimpan data-data tersebut. Dengan adanya sistem pengenalan wajah, maka pihak kepolisian akan sangat terbantu dan dapat mengenali serta memperoleh data dari ribuan wajah. Sistem ini menggunakan teknologi pengenalan citra wajah untuk mengidentifikasi wajah seseorang. Pengenalan citra wajah merupakan proses untuk mengenali dan mengidentifikasi wajah seseorang. Teknologi pengenalan citra wajah termasuk dalam biometrik yang menggunakan karekteristik manusia. Dengan menggunakan teknologi pengenalan citra wajah, kita dapat memperoleh data-data yang tepat, akurat, serta meningkatkan efisiensi waktu dan sumber daya manusia karena teknologi ini dapat dimonitor dari suatu tempat dan dapat bekerja dengan waktu yang maksimal (1x24jam). Perancangan ini menggunakan metode Fisherfaces dalam melakukan pendeteksian wajah. Keunggulannya, metode FisherFaces memiliki sebaran antar kelas yang lebih baik daripada EigenFace sehingga membuat klasifikasi kelas menjadi lebih sederhana. FisherFaces bekerja lebih cepat dan menggunakan sedikit memori, serta memiliki tingkat keakuratan yang lebih tinggi dibandingkan metode EigenFace. (Peter N. Belhumeur, Joao P. Hespanha, and David J. Kriegman, 1997:713) Dengan adanya sistem pencarian daftar hitam dengan pengenalan wajah berdasarkan metode Fisherfaces dan database SQL ini diharapkan dapat membantu pihak berwajib mengidentifikasi wajah para pelaku kriminalitas yang berada dalam daftar hitam kepolisian. Diharapkan juga dengan adanya aplikasi pencarian daftar hitam ini, para pelaku tindak kriminalitas tertangkap dan jumlah kasus kriminalitas berkurang.

METODE PENELITIAN

Metode yang digunakan untuk penelitian ini adalah sebagai berikut :

1. Metode Pengumpulan Data Metode pengumpulan data dalam penelitian ini menggunakan studi kepustakaan yang dilakukan dengan membaca dan mempelajari buku-buku literatur, artikel-artikel, dan jurnal-jurnal yang berhubungan dengan pembuatan antar muka, matematika terapan, dan pengenalan citra berbasis komputer.

2. Metode Analisis a. Analisis cara kerja algoritma untuk mendeteksi citra wajah sebagai dasar dari pengenalan

citra wajah. b. Analisis penggunaan algoritma yang dapat digunakan untuk membandingkan citra wajah

yang ditangkap. c. Analisis metode yang dapat digunakan dalam pemecahan masalah pengenalan citra wajah

yang tidak umum dalam hal pose wajah yang diambil sebagai citra.

3. Metode Eksperimen a. Meneliti dan mengembangkan algoritma yang akan diimplementasikan ke dalam sistem. b. Melakukan uji coba algoritma terhadap kasus masukan. c. Merancang dan membangun aplikasi yang akan digunakan oleh sistem. d. Melakukan pengujian dengan berbagai kondisi. e. Mengintegrasikan aplikasi ke dalam sistem.

HASIL DAN BAHASAN

Evaluasi subjektif terhadap user dilakukan pada bulan Agustus 2013. Evaluasi dilakukan terhadap 10 orang responden. Citra wajah masukan yang digunakan berwarna hitam putih dengan 256 tingkat keabuan (grayscale), ukuran citra 100x100 pixel. Citra wajah masukan adalah citra wajah yang menghadap ke depan (frontal), kiri (left), dan kanan(right).

1. Tabel Data Training

Tabel 1

No. Wajah Depan Wajah Kanan Wajah Kiri Nama

1.

Lea

2.

Dennis

3.

Keren

4.

Ivan

5.

Darmawan

6.

Ritchie

7.

Albert

8.

Mega

9.

Iren

10.

Robert

2. Percobaan I

Proses simulasi pertama dilakukan dengan menggunakan nilai threshold sebesar 3000, menggunakan 10 sampel, dan dalam waktu 60 detik. Hasil simulasi ditunjukkan pada Tabel 2.

Tabel 2

Variasi Variasi Sudut Pengambilan

Sisi Kiri Sisi Depan Sisi Kanan

I 22.5o 0

o 22.5

o

II 45o 0

o 45

o

III 22.5o, 45

o 0

o 22.5

o, 45

o

IV 45o, 67.5

o 0

o 45

o, 67.5

o

V 22.5o, 45

o, 67.5

o 0

o 22.5

o, 45

o, 67.5

o

Keakuratan pengenalan dilihat dari variasi jumlah sudut yang tersedia sebagai data training ditunjukkan dengan perhitungan berikut:

Tabel 3

Variasi Jumlah

Terdeteksi Jumlah Berhasil % keakuratan

I 278 172 61.87% II 318 198 62.22% III 365 256 70.13% IV 412 299 72.57% V 489 397 81.18%

3. Percobaan II

Proses simulasi kedua dilakukan dengan menggunakan nilai threshold sebesar 3000, menggunakan 10 sampel, sudut citra wajah data training-nya menggunakan variasi V dan dalam waktu 60 detik. Hasil simulasi ditunjukkan pada Tabel 4.

Tabel 4

No. Nama

Jumlah Terdeteksi

Jumlah Berhasil

1. Lea

40

31

2. Dennis

45

39

3. Keren

52

37

4. Ivan

46

38

5. Darmawan

48

39

6. Ritchie

55

42

7. Albert

47

41

8. Mega

57

50

9. Iren

45

37

10. Robert

54

43

Total 489 397

Berdasarkan hasil simulasi di atas, maka dapat dihitung keakuratan sistem dalam mengenali setiap wajah yang terdeteksi adalah:

4. Percobaan III Proses simulasi ketiga dilakukan dengan menggunakan 10 sampel, sudut citra wajah data

training-nya menggunakan variasi V, dalam waktu 60 detik, dan beberapa variasi nilai threshold. Variasi nilai threshold yang digunakan dalam pengujian adalah 1000, 2000, 3000, 4000, 5000. Hasil simulasi dan keakuratan pengenalan dilihat dari variasi jumlah sudut yang tersedia sebagai data training ditunjukkan pada Tabel 5.

Keakuratan pengenalan dilihat dari keberhasilan pengenalan berdasarkan nilai threshold dihitung dengan rumus berikut:

Tabel 5

No. Nilai Threshold

Maksimum

Jumlah Dikenali dalam Batas

Threshold Jumlah Berhasil % keakuratan

1. 5000 512 331 64.64% 2. 4000 493 348 70.58% 3. 3000 489 397 81.18% 4. 2000 426 412 96.71%

5. 1000 424 424 100%

Maka dapat diambil kesimpulan secara umum terhadap hubungan jumlah data training citra wajah dan nilai threshold adalah sebagai berikut:

1. Semakin banyak citra wajah yang digunakan dalam melakukan training(dari berbagai sudut), maka pengenalan akan semakin baik. Dapat dilihat pada hasil penelitian melakukan variasi perubahan data training set yang digunakan. 2. Semakin rendah nilai threshold, kemiripan citra wajah masukan dengan citra wajah training pada database semakin tinggi, tetapi dapat mengurangi keberhasilan pengenalan (semakin sulit untuk dikenali atau sulit terdeteksi) .

3. Semakin tinggi nilai threshold, semakin tinggi kemungkinan mengenali citra wajah masukan dengan citra wajah di dalam data training, tetapi semakin tinggi kemungkinan kesalahan pencocokkan dengan data training pada database.

KESIMPULAN DAN SARAN

Berdasarkan hasil analisis terhadap data yang telah diperoleh pada penelitian ini, maka diambil kesimpulan sebagai berikut:

1. Aplikasi pencarian daftar hitam dengan deteksi wajah menggunakan database SQL berhasil mendeteksi dan mencocokkan citra wajah dengan baik.

2. Aplikasi pencarian daftar hitam dapat mendeteksi masukan citra wajah dari berbagai variasi pose(kiri, kanan, tengah) dan dengan inputan dari realtime capture, gambar digital, dan video dengan tingkat akurasi yang baik.

3. Semakin banyak citra wajah yang digunakan dalam melakukan training, maka pencocokan citra wajah masukan dengan citra wajah pada database akan semakin baik.

4. Kesalahan dalam melakukan pengenalan dapat terjadi karena kemiripan antara dua atau lebih citra wajah yang berbeda.

5. Metode Linear Discriminant Analysis dapat digunakan untuk menyelesaikan masalah pencarian daftar hitam dengan deteksi wajah menggunakan database SQL. Dengan menggunakan data training set sebanyak mungkin, hasil terbaik penggunaan LDA dalam perancangan ini adalah melakukan pengenalan dengan akurasi sebesar 100% untuk nilai threshold sebesar 1000, dan hasil terendahnya adalah melakukan pengenalan dengan akurasi sebesar 81.57% untuk nilai threshold sebesar 3000.

Berikut ini adalah saran yang bisa diberikan untuk pengembangan program aplikasi ini :

1. Pada perancangan ini, sistem dapat dioperasikan oleh siapa saja. Diperlukan sistem sekuritas agar hanya orang tertentu saja yang dapat mengakses sistem.

2. Pada perancangan ini, semakin banyak citra wajah pada data training, maka semakin tinggi akurasinya. Pada kenyataannya, perlu dikembangkan proses pendeteksian dan pencocokkan citra wajah data training karena citra wajah orang yang masuk ke dalam blacklist terbatas dan sulit untuk didapatkan.

REFERENSI Ahn, S. H. (2006). Histogram Equalization. Anila, S. And Devarajan, N. (2010). Simple and Fast Face Detection System Based on Edges. Anonim. (2013). Discriminant Analysis sebelum Normalisasi . Belhumeur, P. N., Hespanha, J. P., and Kriegman, D. J. (1997). Eigenfaces vs Fisherfaces Recognition

Using Class Specific Linear Projection. Bauer, F. (2008). 40 Years of Software Engineering. Blanz, V. and Vetter, T. (2003). Face recognition Based on Fitting a 3D Morphable Model. Deng, W., Hu, J., Guo, J. (2012) Extended SRC: Undersampled Face Recognition via Intraclass

Variant Dictionary. IEEE Trans. Pattern Anal. Mach. Detik News ( 16/04/2013). Tekan Angka Kriminalitas, Polres Jakpus Sebar Polisi 'Preman' di 36 Titik

. Etemad, K. and Chellappa, R. (1997). “Discriminant Analysis for Recognition of Human Face

Images”, Journal of the Optical Society of America, Vol 14. Fairhurst, M. C. (1988). Computer Vision for Robotic Systems an Introduction. New Jersey: Prentice

Hall. Flores, J. M. (2008). Histogram of a Population. Fowler, Martin, and Scott, K. (1997). “UML Distilled : Applying The Standard Object Modeling

Language ”, Wiley & Sons Ins, New York.

Gonzalez, R. C., & Woods, R. E. (2002). Digital Image Processing (2nd Edition ed.). New Jersey: Prentice-Hall, Inc.

Guo. T, and Luo, Q. Data definition and data manipulation with Teradata SQL . Gutierrez & Osana. Linear Discriminants Analysis . Hamilton, N. (2008). The A-Z of Programming Languages: C. Harding, S. B. And Jubinski, C. (2011). A Portable Face Recognition System. Hendrik, I. (2007). Perancangan Program Aplikasi Pengenalan Wajah dengan Metode LaplacianFaces. Jones, M. J., & Viola, P. (2003). Fast Multi-view Face Detection. Jones, M. J., & Viola, P. (2001). Robust Real-time Object Detection. Karl B. J. & Kim C. Ng. (2011). Fast Face Recognition . Latha, P., Ganesan, L., and Ramaraj, N, (2009). Face Recognition using Neural Networks. Li, S. Z., & Jain, A. K. (2005). Handbook of Face Recognition. New York: Springer

Science+Business Media, Inc. Pissarenko, D. (2002). Eigenface-based Facial Recognition . Prasetyo, R., A. (2012). Pemecahan Masalah Pengenalan Citra Wajah Secara Realtime dengan Variasi

Pose Menggunakan Meotde Eigenfaces Pressman, R. S. (2010). Software Engineering: A Practitioner�s Approach.

Puspasari, S. (2008). Analisis Citra Wajah Dengan Himpunan Fuzzy Eigen Terbesar. Saragih, R. A. (2007). Pengenalan Wajah Menggunakan Metode Fisherface . Shakhnarovich, G., & Moghaddam, B. (2005). Face Recognition in Subspaces. In S. Z. Li, & A. K.

Jain, Handbook of Face Recognition. New York: Springer Science+Business Media, Inc. Szeliski, R. (2011). Computer Vision Algorithms and Applications. New York: Springer. Turk, M. and Pentland, A. (1991). "Eigenfaces for Recognition", Journal of Cognitive Neuroscience,

vol.3. Warta kota. (2/1/2013). Kejahatan Jalanan Mencemaskan. Yang, G. and Huang, T.S. (1997). Human Face Detection in Complex Background. Pattern

Recognition, vol. 27, no.9. Ye, J., Janardan, R., Li, Q. (2006) “Two-Dimensional Linear Discriminant Analysis”. Yolanda. (2009). Perancangan Program Aplikasi Absensi dengan Identifikasi Wajah Karyawan PD.

Mustika Logam Menggunakan Metode Gabor Wavelet. Young, D. (2005). Understanding Your Digital Camera's Histogram. Zainudin, M. N. S., Radi H. R., Abdullah, S. M., Rahim, R. A., Ismail, M. M., Idris, M. I., Jaafar A.,

Sulaiman, H. A. (2012). Face Recognition using PCA(Principal Component Analysis) and LDA (Linear Dicriminant Analysis).

RIWAYAT PENULIS

Lea Gunawan lahir di kota Depok pada 7 Oktober 1990. Penulis menamatkan pendidikan S1 di Universitas Bina Nusantara dalam bidang ilmu Teknik Informatika dan Matematika pada tahun 2013.