LAPORAN
PENELITIAN DOSEN PEMULA
Pengembangan Aplikasi Mobile Pengenalan Wajah PecanduNarkoba secara Real Time menggunakan Metode Fisherface
TIM PENGUSUL
Ketua Penelitian/ NIDN : Bagus Priambodo ST. MTI/ 0313057905
Anggota1/NIDN : Nur Ani, ST MMSI/ 0310117801
Anggota 2/NIDN : Yustika Erliani, SE, MMSI/ 0305057809
UNIVERSITAS MERCU BUANA
OKTOBER 2016
Bidang Unggulan: ICT
Kode/Nama Rumpun Ilmu: 461/Sistem Informasi
DAFTAR ISIRINGKASAN ............................................................................................ iv
BAB 1 PENDAHULUAN ............................................................................. 1
1.1 Latar Belakang .............................................................................. 1
1.2 Rumusan Masalah ......................................................................... 4
1.3 Tujuan khusus penelitian ............................................................... 4
1.4 Urgensi (keutamaan) penelitian .................................................... 5
BAB 2 TINJAUAN PUSTAKA ...................................................................... 6
2.1 Pengenalan Wajah ......................................................................... 6
2.2 Deteksi Wajah ............................................................................... 6
2.3 Penyelerasan Wajah (Face Alignment) .......................................... 9
2.4 Ekstraksi Fitur .............................................................................. 10
2.5 Pencocokan (Matching) ............................................................... 11
2.6 Open Source Computer Vision (OpenCV) .................................... 14
BAB 3 METODOLOGI PENELITIAN .......................................................... 15
3.1 Mengumpulkan wajah pecandu narkoba ..................................... 15
3.2 Menyiapkan data training (ektraksi fisherfaces) ......................... 15
3.3 Membuat aplikasi pengenalan wajah .......................................... 16
3.4 Menyiapkan data wajah untuk uji coba aplikasi .......................... 16
3.5 Uji coba aplikasi dengan data wajah yang sudah disiapkan ........ 16
3.6 Membuat aplikasi mobile ............................................................ 16
3.7 Uji Implementasi aplikasi mobile secara real time ...................... 16
BAB 4. HASIL DAN PEMBAHASAN ......................................................... 17
4.1 Mengumpulkan wajah pecandu narkoba ..................................... 17
4.2 Menyiapkan data training (ektraksi fisherfaces) ......................... 18
4.3 Membuat aplikasi pengenalan wajah .......................................... 18
4.4 Menyiapkan data wajah untuk uji coba aplikasi .......................... 18
4.5 Uji coba aplikasi dengan data wajah yang sudah disiapkan ........ 20
Pembahasan ...................................................................................... 26
4.6 Membuat aplikasi mobile ............................................................ 26
4.7 Uji Implementasi aplikasi mobile secara real time ...................... 26
ii
............................................................................................................. 28
BAB 5. KESIMPULAN DAN SARAN .......................................................... 29
DAFTAR PUSTAKA ................................................................................. 30
JUSTIFIKASI ANGGARAN ........................................................................ 32
LAMPIRAN ACCEPTANCE LETTER DAN KWITANSI .................................. 35
iii
RINGKASAN
Masalah narkoba di Indonesia telah menjadi persoalan kompleks, terlebihketika hal tersebut telah memasuki dunia anak-anak. Data BNN tahun 2014menyebutkan terdapat 4,9 juta penyalah guna NAPZA (narkotika, alkohol,psikotropika atau zat adiktif lainnya) di Indonesia di mana sebagian besar beradadalam usia produktif 15 sampai 49 tahun, dan sekitar 20-30% dari jumlah tersebutmasih termasuk kategori anak-anak berusia di bawah 18 tahun. Razia narkobatidak efektif karena hanya beberapa siswa yang diperiksa urine nya yang diambilsecara acak.
Pemanfaatan IT dibidang komputer vision dapat dimanfaatkan untukmenyeleksi siswa yang kemungkinan besar merupakan pecandu narkoba denganmengenali wajah secara real time menggunakan kamera android.
Hasil dari penelitian ini pendekatan fisherface dapat digunakan walaupunmasih ada beberapa kekurangan, untuk mengenali wajah pecandu narkoba darifoto wajah. Hasil uji aplikasi desktop menunjukan klasifikasi fisherfaces dapatdigunakan untuk menduga seseorang merupakan pecandu narkoba atau bukanKeakuratan prediksi dapat dilihat dari besar distance citra yang diuji. Hasil ujiaplikasi mobile menunjukan nilai distance yang lebih tinggi dari uji desktop, halini disebabkan pengambilan gambar langsung dari kamera mempengaruhi cahayadari gambar yang diambil. Hasil prediksi dari aplikasi tidak dapat digunakanuntuk memastikan seseorang merupakan pecandu narkoba atau tidak. Akan tetapihasil prediksi dapat digunakan untuk memberikan rekomendasi seseorang untukdilakukan pengambilan urine atau rambut untuk test narkoba di lab.
Keywords: Pengenalan wajah pecandu narkoba, fisherfaces classifier,
aplikasi mobile
iv
BAB 1 PENDAHULUAN
1.1 Latar Belakang
Masalah narkoba di Indonesia telah menjadi persoalan kompleks, terlebih ketika
hal tersebut telah memasuki dunia anak-anak. Data BNN tahun 2014
menyebutkan terdapat 4,9 juta penyalah guna [10] NAPZA (narkotika, alkohol,
psikotropika atau zat adiktif lainnya) di Indonesia di mana sebagian besar berada
dalam usia produktif 15 sampai 49 tahun, dan sekitar 20-30% dari jumlah tersebut
masih termasuk kategori anak-anak berusia di bawah 18 tahun. Para orang tua
dianjurkan untuk selalu memberikan perhatian kepada anak. Sebisa mungkin
orang tua dapat mengenali perilaku anak dan perubahannya. Secara umum, anak
yang telah terkena penyalahgunaan NAPZA akan mengalami perubahan fisik
dalam lingkungan sehari-hari, perubahan psikologis, hingga perubahan perilaku
sosial.
Ada beberapa ciri fisik dan perilaku yang bisa dilihat jika anak sudah terlibat
penyalahgunaan narkoba. Berikut ciri fisik serta dampaknya jika seseorang
terkena narkoba [4] :
Mata merah, hal ini menjadi ciri fisik yang paling sering terjadi untuk semua jenis
pemakaian narkoba. Kemudian adalah bau badan, biasanya pemakai berkeringat
dan memiliki bau badan khas atau menyengat. Mereka yang memakai putaw
biasanya jarang mandi dan baju yang dipakai itu-itu saja. Selain itu rambut lebih
terlihat berminyak dan mudah rontok.
Para pemakai biasanya juga memiliki pernapasan lambat dan dangkal. Hal ini
menyebabkan pemakai mengambil napas cepat seperti setelah berolahraga. Selain
ciri fisik, ada juga perilaku yang mengindikasikan seseorang mulai menggunakan
narkoba, diantaranya aktivitas tidur terganggu, sering tidur atau bermalas-malasan
sepanjang hari atau sebaliknya.
Mereka bisa menjadi seseorang yang tidak menyukai makan atau makan secara
berlebih. Hal tersebut diperparah dengan menjadi pribadi emosional dan sensitive.1
Pemakai narkoba lebih cepat tersinggung. Kesalahan kecil dari orang lain
dianggap sebagai masalah besar yang mengganggu kepentingannya. Bagi mereka
yang rutin menggunakan obat terlarang, biasanya cara berpikirnya kacau dan sulit
berkonsentrasi dan lingkungan pergaulan mereka lama-lama akan berubah drastis.
Dampak selanjutnya yang perlu diwaspadai adalah kebutuhan uang bertambah.
Pemakai narkoba biasanya mulai merongrong keluarga untuk menyediakan
sejumlah uang untuk membayar sesuatu. Bahkan jika tidak dituruti mereka bisa
menjual apapun yang bisa menghasilkan duit untuk memenuhi kecanduannya.
Sekolah dan universitas sering mengadakan razia narkoba untuk menjaring
mahasiswa atau siswa nya yang suka memakai narkoba. Akan tetapi tidak semua
siswa di periksa urine nya di laboratorium, hanya diambil sampel acak dari
beberapa siswa. Hal ini kurang efektif karena bisa jadi yang diambil hanya siswa
yang memang tidak memakai narkoba. Sehingga tidak ada siswa pecandu narkoba
yang terjaring dari razia narkoba.
Kampanye terbaru tentang anti-narkoba memperlihatkan perubahan fisik yang
dialami para pecandunya. Penggunaan narkoba terus-menerus menyebabkan
kerusakan mengerikan pada luka di kulit pecandunya yang terjadi akibat
halusinasi, dengan menggaruk-garuk kulit mereka.
Perubahan tambahan dalam kampanye yang diluncurkan Rehabs.com, pecandu
narkoba semakin terlihat kurus, akibat kekurangan gizi karena obat menekan
nafsu makan seseorang dan tubuhnya mulai mengkerut lantaran minimnya nutrisi
yang tepat. Seperti dapat dilihat pada contoh gambar berikut.
Gambar 1. Perubahan wajah pecandu narkoba2
Pemanfaatan teknologi informasi dapat dimanfaatkan untuk mengenali pecandu
narkoba. Teknologi pengenalan wajah semakin berkembang, hasil penelitian dari
pengenalan wajah banyak diaplikasikan dalam sistem pengenalan biometrik,
pencarian dan pengindeksan database citra dan video digital misal untuk sistem
keamanan, konferensi video, dan interaksi manusia dengan komputer.
Pendeteksian wajah (face detection) merupakan salah satu tahap awal yang sangat
penting sebelum dilakukan proses pengenalan wajah (face recognition).
Penelitian sebelumnya telah dilakukan mendeteksi wajah dengan input video,
yang kemudian dibuat klasifikasi. Algoritma deteksi wajah yang biasa digunakan
dan terbukti cepat dan akurat adalah deteksi wajah Viola-Jones. Ditambah Haar
cascade classifier yang kemudian menemukan wajah frontal (tampak depan).
Masing-masing dari wajah ini kemudian akan diberi gambar kotak pada wajah.
[15]. Metode deteksi wajah yang sering digunakan dan terbukti berhasil Adaboost
classifier dengan haar, local binary pattern dengan Histogram of Gradient[1] .
Namun metode ini kurang akurat untuk untuk pose orang yang tidak tetap. Untuk
mengatasi ini tree structure model dikembangkan untuk mendeteksi wajah pada
pose orang yang tidak tetap atau bergerak [22].
Pengenalan wajah (face recognition) merupakan salah satu teknologi biometrik
yang sekarang telah diterapkan untuk banyak aplikasi dalam bidang keamanan,
antara lain Access security system, Authentification system, hingga sebagai alat
bantu dalam pelacakan pelaku kriminal. Namun dalam perkembangannya masih
terdapat beberapa permasalahan, selain masalah komputasi dan kapasitas
penyimpanan data, kondisi citra wajah yang menjadi masukan (input) sistem juga
merupakan masalah yang penting. Beberapa aspek penting yang mempengaruhi
kondisi citra wajah manusia diantaranya adalah pencahayaan, ekspresi wajah dan
perubahan atribut seperti kumis, janggut dan kacamata [20]. Metode yang biasa
digunakan untuk pengenalan wajah diantara nya adalah menggunakan eigen faces
dan fisher faces [6][13]. Mengenali gender melalui face recognition berhasil
dilakukan dengan berbagai metode[11], dengan backpropagation neural network
[7], dengan mengenali rambut dan baju[8], dengan support vector machine[9], dan
dengan local binary pattern (LBP) [16]. Keberhasilan mengenali gender melalui
pengenalan wajah sangat mengesankan. Memungkinkan untuk dikembangkan
untuk mengenali wajah pecandu narkoba.
3
Untuk membantu para orang tua dan guru mendeteksi siswa pecandu narkoba.
Penelitian kali ini akan mencoba membuat aplikasi untuk mengenali wajah
pecandu narkoba secara otomatis, pendekatan fisherfaces akan digunakan untuk
mengenali wajah pecandu narkoba.
1.2 Rumusan Masalah
Memastikan seseorang sebagai pecandu narkoba dapat dilakukan dengan
melakukan razia memeriksa urine atau rambut dari siswa, akan tetapi hal ini
kurang efektif karena hanya beberapa siswa yang diperiksa sampel urinenya.
Pemanfaatan IT dibidang komputer vision dapat dimanfaatkan untuk menyeleksi
siswa yang kemungkinan besar merupakan pecandu narkoba dengan mengenali
wajah secara real time menggunakan kamera android. Siswa yang terseleksi dari
kamera selanjutnya akan diambil sampel urinenya untuk diperiksa dilaboratorium.
Dari paparan diatas dapat dituliskan rumusan masalah nya sebagai berikut :
1. Bagaimana menyeleksi siswa yang kemungkinan besar pecandu narkoba
untuk di ambil sampel urine nya ?
2. Apakah metode fisherface classifier dapat efektif mengenali wajah
pecandu narkoba?
3. Bagaimana mengenali wajah pecandu narkoba menggunakan android
device ?
1.3 Tujuan khusus penelitian
Berdasarkan pemaparan diatas, diperlukan data training wajah pecandu narkoba
sebagai referensi sistem dalam mengenali wajah pecandu narkoba. Selanjutnya
dibuat aplikasi mobile untuk mengenali wajah pecandu narkoba menggunakan
metode fisherfaces.
Adapun tujuan penelitian ini adalah:
1. Membuat data training wajah pecandu narkoba.
4
2. Mencoba metode fisherfaces untuk mengenali wajah pecandu narkoba.
3. Membuat aplikasi mobile untuk mengenali wajah pecandu narkoba.
1.4 Urgensi (keutamaan) penelitian
Keutamaan dari penelitian ini adalah untuk mendukung program pemerintah
dalam pemberantasan narkoba ditanah air. Hasil penelitian diharapkan mampu
memudahkan masyarakat mengetahui sejak dini kemungkinan anak dan kolega
nya terjerat dalam kecanduan narkoba.
Seiring dengan adanya aplikasi yang dihasilkan dari penelitian ini, diharapkan
menurunkan jumlah pengguna narkoba ditanah air khususnya pengguna narkoba
usia remaja. Pengambilan sampel urine pada saat razia menjadi lebih efisien
karena hanya memeriksa siswa yang telah terdeteksi hasil pengenalan wajah.
Dengan menurunnya pengguna narkoba ditanah air. Generasi usia remaja semakin
produktif. Generasi muda yang produktif dan bebas narkoba akan membuat
negara Indonesia semakin maju.
5
BAB 2 TINJAUAN PUSTAKA
2.1 Pengenalan Wajah
Sistem pengenalan wajah adalah aplikasi pengolahan citra yang dapat
mengidentifikasi atau memverifikasi seseorang melalui citra digital atau frame
video. Saat ini sistem pengenalan wajah telah menjadi salah satu aplikasi
pengolahan citra yang cukup popular terutama di dalam bidang keamanan seperti
verifikasi kartu kredit dan identifikasi penjahat.
Sistem pengenalan citra wajah umumnya mencakup empat modul utama [21]:
1. Deteksi wajah (face detection).
2. Penyelasaran wajah (Face Alignment)
3. Ekstraksi fitur (feature extraction)
4. Pencocokan (matching).
2.2 Deteksi Wajah
Proses deteksi wajah merupakan salah satu bagian terpenting dalam sistem
pengenalan wajah. Sistem harus mampu mendeteksi keberadaan wajah pada citra
dengan berbagai variasi pose, pencahayaan, ekspresi wajah dan atribut (kaca mata,
kumis dan jenggot).
Algoritma Viola Jones
Saat ini telah banyak berkembang aplikasi-aplikasi yang menggunakan fitur
deteksi wajah. Deteksi wajah sendiri dapat dilakukan dengan berbagai cara, salah
satunya menggunakan algoritma Viola-Jones.
Algoritma Viola-Jones [19], [20]merupakan algoritma yang paling banyak
digunakan untuk mendeteksi wajah. Proses pendeteksian wajah dilakukan dengan
mengklasifikasikan sebuah gambar setelah sebelumnya sebuah pengklasifikasi
6
dibentuk dari data latih. Data latih yang digunakan oleh algoritma ini berjumlah
5000 citra wajah dan 9400 citra non-wajah sehingga menghasilkan akurasi sistem
sebesar 95% dengan data positif salah sebesar 1 : 14084.
Klasifikasi citra dilakukan berdasarkan nilai dari sebuah fitur. Penggunaan fitur
dilakukan karena pemrosesan fitur berlangsung lebih cepat dibandingkan
pemrosesan citra perpiksel. Terdapat 3 jenis fitur berdasarkan jumlah persegi
panjang yang terdapat di dalamnya, seperti yang dapat dilihat pada gambar di
bawah ini :
Pada gambar di atas dapat dilihat bahwa fitur (a) dan (b) terdiri dari dua persegi
panjang, sedangkan fitur (c) dan (d) terdiri dari tiga persegi panjang dan fitur (e)
empat persegi panjang. Cara menghitung nilai dari fitur ini adalah mengurangkan
nilai piksel pada area hitam dengan piksel pada area putih. Untuk mempermudah
proses penghitungan nilai fitur, algoritma Viola-Jones menggunakan sebuah media
berupa citra integral.
Citra integral adalah sebuah citra yang nilai tiap pikselnya merupakan akumulasi
dari nilai piksel atas dan kirinya. Sebagai contoh, piksel (a,b) memiliki nilai
akumulatif untuk semua piksel (x,y) dimana x ≤ a dan y ≤ b. Contoh citra integral
dapat dilihat di bawah :
7
Dengan mendapatkan citra integral, penghitungan nilai area dapat dilakukan
dengan cara :
Proses pencarian nilai fitur ini dilakukan secara iteratif mulai dari ujung kiri atas
citra hingga ujung kanan bawah dengan pergeseran sebesar ∆x dan ∆y. Semakin
kecil nilai ∆x dan ∆y, maka semakin akurat pula proses deteksi. Nilai ∆x dan ∆y
yang sering digunakan adalah 1.
Penghitungan nilai fitur diulangi hingga 12 kali dengan skala 1,25. Pemrosesan
fitur terbaik diperoleh pada subcitra berukuran 24 x 24 sehingga pada setiap
iterasi, subcitra dikonversi terlebih dahulu menjadi berkuran 24 x 24. Sebagai
contoh, pertama-tama iterasi dilakukan dengan ukuran subcitra 24 x 24. Subcitra
ini tidak perlu dikonversi sehingga langsung dapat dilakukan penghitungan nilai
fitur. Setelah iterasi tahap ini selesai, dilakukan iterasi dengan subcitra berukuran
1,25 x 24 = 30. Subcitra berukuran 30 x 30 dikonversi menjadi 24 x 24 sebelum
dilakukan penghitungan nilai fitur. Proses ini diulangi hingga 12 kali.
Permasalahan yang terdapat dalam penghitungan fitur ini adalah Viola – Jones
memiliki 60.000 jenis fitur yang berbeda. Jumlah ini terlalu besar sehingga tidak
mungkin dilakukan penghitungan untuk semua fitur. Hanya fitur-fitur tertentu
sajalah yang dipilih untuk diikutsertakan. Pemilihan fitur-fitur ini dilakukan
menggunakan algoritma Ada-Boost.
Algoritma Ada-Boost berfungsi untuk mencari fitur-fitur yang memiliki tingkat
pembeda yang tinggi. Hal ini dilakukan dengan mengevaluasi setiap fitur terhadap
8
data latih dengan menggunakan nilai dari fitur tersebut. Fitur yang memiliki batas
terbesar antara wajah dan non-wajah dianggap sebagai fitur terbaik.
Karakteristik dari algoritma Viola-Jones adalah adanya klasifikasi bertingkat.
Klasifikasi pada algoritmna ini terdiri dari 3 tingkatan dimana tiap tingkatan
mengeluarkan subcitra yang diyakini bukan wajah. Hal ini dilakukan karena lebih
mudah untuk menilai subcitra tersebut bukan wajah ketimbang menilai apakah
subcitra tersebut berisi wajah. Di bawah ini adalah alur kerja dari klasifikasi
bertingkat.
Pada klasifikasi tingkat pertama, tiap subcitra akan diklasifikasi menggunakan
satu fitur. Klasifikasi ini kira-kira akan menyisakan 50% subcitra untuk
diklasifikasi di tahap kedua. Seiring dengan bertambahnya tingkatan klasifikasi,
maka diperlukan syarat yang lebih spesifik sehingga fitur yang digunakan menjadi
lebih banyak. Jumlah subcitra yang lolos klasifikasi pun akan berkurang hingga
mencapai jumlah sekitar 2%.
AdaBoost digunakan dengan Haar dan Local Binary Pattern. Sementara Support
Vector Machine digunakan dengan Histogram of Oriented Gradient (HOG)[1].
2.3 Penyelerasan Wajah (Face Alignment)
Pada proses pendeteksian wajah, citra wajah yang didapatkan masih berupa
perkiraan kasar atau masih memiliki kualitas yang cukup buruk seperti ukuran
yang berbeda dengan ukuran normal, faktor pencahayaan yang kurang atau lebih,
kejelasan citra yang buruk dan sebagainya. Sehingga perlu dilakukan proses
penyelarasan.Proses penyelarasan wajah merupakan proses yang bertujuan untuk
menormalisasi wajah dari citra wajah yang didapatkan dari proses pendeteksian
wajah. Proses ini terdiri dari tahapan-tahapan sebagai berikut [21]:
9
1. Grayscaling (tahap konversi citra warna menjadi warna abu)2. Pemotongan (tahap pemisahan citra wajah dengan latar belakangnya)3. Resizing (tahap normalisasi dimensi citra)4. Equalizing (tahap koreksi tingkat kecerahan citra
2.4 Ekstraksi Fitur
Reduksi komponen atau fitur wajah dilakukan untuk mengurangi memori yang
dibutuhkan dan waktu komputasi. Ada dua cara yang digunakan yaitu pemilihan
fitur (feature selection) dan ekstraksi fitur (feature extraction)[21].
Pemilihan fitur bertujuan untuk memilih sejumlah fitur yang banyak berpengaruh
dari fitur yang ada. Sedangkan ekstraksi fitur di dapat dengan memproyeksikan
fitur ke dalam dimensi yang lebih rendah. Fitur adalah segala jenis aspek
pembeda, kwalitas atau karakteristik. Fitur bisa berupa simbolik (misal warna)
atau numerik (misal intensitas). Terdapat dua jenis karakteristik yang disebut
sebagai fitur dari sebuah citra :
1. Bagian global dari suatu citra.
2. Bagian khusus dari suatu citra. Terkadang fitur dari suatu citra tidak
berhubungan langsung dengan bagian-bagian yang terdapat pada citra tersebut
tetapi masih mencerminkan karakteristik tertentu dari citra.
Fitur wajah merupakan hasil suatu algoritma ekstraksi terhadap citra wajah.
Ekstraksi fitur dilaksanakan dengan alasan:
1. Mengurangi data masukan (sehingga mempercepat proses dan mengurangi
kebutuhan data).
2. Menyediakan sekumpulan fitur yang relevan untuk proses klasifikasi.
3. Mengurangi redudansi.
4. Menemukan variabel fitur yang menjelaskan data.
10
5. Menghasilakan representasi dalam dimensi yang lebih kecil dengan sedikit
informasi yang hilang.
Menyimpan hasil ekstraksi
Proses penyimpanan fitur merupakan tahapan terakhir dari proses pelatihan citrawajah. Proses ini berfungsi untuk menyimpan fitur hasil ekstraksi citra wajahyang ada di dalam database ke dalam sebuah file berekstensi *.xml. File inilahyang nantinya akan digunakan untuk proses pencocokan antara citra wajah yangdiuji dengan hasil ekstraksi fitur yang terdapat pada file ini.
2.5 Pencocokan (Matching)
Pencocokan fitur adalah tahapan inti dari pada proses pengenalan citra wajah[21].
Proses ini merupakan proses pencocokan fitur dari citra uji dengan fitur citra
wajah dari database, yang sebelumnya telah melalui proses pelatihan citra. Proses
perbandingan ini dilakukan menggunakan metode pengenalan pola, salah satunya
adalah metode nearest neighbours. Metode awal yang sering digunakan untuk
pencocokan adalah metode eigenfaces[3], metode ini cocok untuk pengenalan
ekspresi wajah
Metode Fisherfaces dikembangkan oleh Peter N. Belhumeur, João P. Hespana dan
David J. Kreigman pada tahun 1997 untuk mengatasi kelemahan metode
Eigenface[21], khususnya untuk citra dalam variasi pencahayaan dan ekspresi
wajah. Metode ini mentransformasikan vektor dari ruang citra berdimensi-n ke
ruang citra berdimensi-m dengan m<n2 . Dasar dari metode Fisherface ini
adalah Fisher's Linear Discriminant (FLD). FLD
ditemukan oleh Robert Fisher pada tahun 1936 untuk klasifikasi taksonomi dan
menjadi salah satu teknik yang banyak digunakan dalam pengenalan pola (pattern
recognition). FLD merupakan salah satu contoh metode class specific, karena
metode ini berusaha untuk membentuk jarak (scatter) antar kelas dan intra kelas11
sehingga dapat menghasilkan klasifikasi yang lebih baik. Fisher's Linear
Discriminant yang menjadi dasar dari algoritma Fisherface
memilih matriks transformasi W yang dapat memaksimalkan rasio antara
determinan between-class scatter (SB) dengan within-class scatter (SW) dari
vektor-vektor ciri melalui fungsi :
dimana [ w1 ; w2 ;...; wm ] merupakan m buah vektor eigen (dalam
bentuk vektor baris) dari rasio antara Sb dengan Sw, yang bersesuaian
dengan m buah nilai eigen terbesar. Jika wi adalah vektor eigen dari rasio antara
matriks Sb dengan matriks Sw dan di merupakan nilai eigen yang bersesuaian,
maka :
Jika x i , i = 1...N adalah vektor citra
dimensi-n dan masing-masing vektor citra merupakan anggota salah satu dari
C kelas citra wajah {X1, X2, ..., XC} dan vektor u adalah rata-rata vektor
citra yang dapat diperoleh dari persamaan :
maka matriks SB dan matrik SW dapat diperoleh melalui persamaan berikut :
12
dimana Ni adalah jumlah anggota kelas Xi dan μi adalah rata-rata citra anggota
kelas Xi, i = 1...C. Suatu citra wajah dengan lebar dan tinggi masing-masing l
dan t pikse l mempunyai jumlah piksel sebanyak lxt. Tiap-tiap piksel
dikodekan dengan nilai 0-255 sesuai dengan nilai tingkat keabuannya. Maka
dapat dibentuk citra wajah berdasarka n nilai keabuan tersebut yaitu :
dimana i = 1...N (banyaknya citra wajah)
Setiap gi adalah anggota salah satu kelas wajah x. Jika terdapat C buah kelas
wajah X maka terdapat Xj, dimana j = 1..C. Untuk setiap kelas wajah x j
terdapat Nj citra wajah, dimana j = 1..C dan N1 = N2 = N j . Dengan
demikian jumlah citra wajah adalah N1 + N2 + N 3 + ... + N c = N.
Dari vektor citra wajah di atas dapat dibentuk suatu vektor baris citra wajah yaitu :
x j = [ a11 a12 ... att ] (1*N)
Dengan demikian vektor citra dikatakan berada dalam ruang citra dimensi-n,
dimana i = 1...N. Selanjutnya adalah membentuk matriks input berdimensi
N*n yang berisi kumpulan vektor baris citra yang akan digunakan dalam
pelatihan dan pengujian.
Penelitian pengenalan wajah
13
Teknologi pengenalan wajah (face recognition) saat ini telah dapat mengenali
wajah laki laki atau wajah perempuan secara otomatis [6][13]. Teknologi dibidang
ini juga dapat mengenali ekspresi wajah[12][14], mengenali attribut wajah[5]juga
dengan video[17]. Pengenalan gender dengan pengenalan wajah juga berhasil
dilakukan [11], dengan ektraksi fitur citra wajah tiga dimensi [2], ekstrak fitur
dengan metode SVM[9], dengan pendekatan neural network [7], dengan
mengenali kombinasi (baju, rambut, aksesoris wajah), dan dengan metode local
binary pattern (LBP) [16].
2.6 Open Source Computer Vision (OpenCV)
Open Source Computer Vision (OpenCV) adalah sebuah library open source
multi-platform berlisensi BSD (Berkeley Software Distribution) yang bersifat
gratis untuk digunakan baik di kegiatan akademik maupun komersial. Library
ini berfungsi untuk mentransformasikan data dari citra diam atau kamera
video ke salah satu keputusan atau representasi baru. OpenCV dirilis pada
Januari 1999 oleh Visual Interactivity Group di Intel Microprocessor Research
Lab. Tujuan dari pengembangan OpenCV adalah untuk membangun suatu
komunitas open source computer vision dan menyediakan situs yang
mendistribusikan upaya dari komunitas sehingga dapat dikonsolidasi dan
dioptimalkan kinerjanya.
14
BAB 3 METODOLOGI PENELITIAN
Dalam pelaksanaan riset, tim peneliti akan melakukan berbagai kegiatan yang
merupakan peta jalan riset. Riset akan membuat data training (ekstraksi
menggunakan fisherfaces) lalu disimpan ke dalam xml. Selanjutnya aplikasi
desktop dibuat untuk membandingkan wajah dari citra wajah statis. Selanjutnya
dibuat aplikasi mobile untuk uji coba secara real time.
Gambar 2. Diagram blok dari metode yang diusulkan
3.1 Mengumpulkan wajah pecandu narkoba
Pada tahap ini, peneliti akan mengumpulkan wajah para pecandu narkoba. Wajah
pecandu narkoba akan diambil dari google gambar.
3.2 Menyiapkan data training (ektraksi fisherfaces)
Pada tahap ini data pelatihan wajah pecandu narkoba akan diektraksi, hasil
ekstraksi akan disimpan dalam bentuk xml
15
Mengumpulkan wajah
Pecandu Narkoba
Menyiapkan data training
(Ekstraksi Fisherface)
Membuat Aplikasi Pengenalan wajah
Menyiapkan data wajah
Untuk uji coba
Uji coba dengan data
Wajah yang sudah disiapkan
Membuat aplikasi mobile
Uji Coba Real Time
1 2 3
4
116 5
7
3.3 Membuat aplikasi pengenalan wajah
Setelah data training selesai dibuat, selanjutnya buat aplikasi untuk pengenalan
wajah narkoba menggunakan data pelatihan yang telah disiapkan.
3.4 Menyiapkan data wajah untuk uji coba aplikasi
Pada tahap ini akan disiapkan data wajah untuk uji coba aplikasi. Wajah untuk uji
coba terbagi dua yaitu wajah pecandu narkoba dan wajah bukan pecandu narkoba.
3.5 Uji coba aplikasi dengan data wajah yang sudah disiapkan
Setelah data ujicoba disiapkan selanjutnya. Aplikasi yang telah dibuat akan diuji
dengan data wajah yang sudah disiapkan.
3.6 Membuat aplikasi mobile
Setelah uji coba aplikasi berhasil selanjutnya dibuat aplikasi dalam versi mobile
untuk os android.
3.7 Uji Implementasi aplikasi mobile secara real time
Pada tahap ini aplikasi mobile akan diuji untuk mengenali wajah pecandu secara
real time, menggunakan kamera yang ada di os android.
16
BAB 4. HASIL DAN PEMBAHASAN
Dalam pelaksanaan riset, telah akan melakukan berbagai kegiatan yang
merupakan peta jalan riset. Riset akan membuat data training (ekstraksi
menggunakan fisherfaces) lalu disimpan ke dalam xml. Selanjutnya aplikasi
desktop dibuat untuk membandingkan wajah dari citra wajah statis. Aplikasi
desktop telah dibuat untuk uji klasifikasi menggunakan fisherfaces. Aplikasi
mobile juga telah dibuat dan dipublish di play store pada alamat
https://play.google.com/store/apps/details?id=com.bsg.
4.1 Mengumpulkan wajah pecandu narkoba
Kurang lebih citra yang berhasil dikumpulkan sampai saat ini adalah 34 wajah
pecandu narkoba, yaitu wajah sebelum menjadi pecandu narkoba dan wajah
setelah menjadi pecandu narkoba Selanjutnya dari ke 34 data tersebut di ambil 33
wajah untuk menjadi data pelatihan dan 1 wajah untuk data uji coba. Ditambah
foto angelina jolie yang berperan sebagai pecandu narkoba, foto peneliti, dan foto
wajah musisi yang tertangkap narkoba yaitu ahmad albar dan fariz rm
Gambar 4. Tiga puluh tiga citra wajah pecandu narkoba sebagai bahan pelatihan wajah pecandu narkoba
17
Gambar 5. Tiga puluh tiga citra wajah sehat dari para pecandu narkoba sebagai bahan pelatihan wajah sehat.
4.2 Menyiapkan data training (ektraksi fisherfaces)
Pada tahap ini data pelatihan wajah pecandu narkoba akan diektraksi, hasil
ekstraksi akan disimpan dalam bentuk xml. Dalam hal ini telah dibuat dua buah
klasifikasi yang pertama berdasarkan data wajah disimpan dalam bentuk
bsgwajah.xml, dan yang kedua berdasarkan mata yaitu bsgmata.xml .
4.3 Membuat aplikasi pengenalan wajah
Setelah data training selesai dibuat, selanjutnya buat aplikasi untuk pengenalan
wajah narkoba menggunakan data pelatihan yang telah disiapkan. Aplikasi
desktop telah berhasil dibuat.
4.4 Menyiapkan data wajah untuk uji coba aplikasi
Pada tahap ini akan disiapkan data wajah untuk uji coba aplikasi. Wajah untuk uji
coba terbagi dua yaitu wajah pecandu narkoba dan wajah bukan pecandu narkoba.
18
Gambar 6. Citra untuk uji, sebelah kiri wajah sebelum memakai dan wajah kanan setelah memakai narkoba
Gambar 7. Sebelah kiri angelina jolie biasa, dan sebelah kanan angelina jolie berperan sebagai pecandu narkoba.
19
Gambar 8. Citra untuk uji coba
Total ada delapan citra untuk ujicoba, ditambah foto peneliti dan foto musisi indonesia yang tertangkap narkoba yaitu penyanyi ahmad albar dan fariz rm.
4.5 Uji coba aplikasi dengan data wajah yang sudah disiapkan
Setelah data ujicoba disiapkan selanjutnya. Aplikasi yang telah dibuat akan diuji
dengan data wajah yang sudah disiapkan.
Pengujian akan dilakukan dua kali yaitu pertama berdasarkan data pelatihan mata,
dan kedua berdasarkan data pelatihan wajah.
Demo aplikasi
20
Gambar 9. Testing aplikasi deteksi berdasarkan citra mata.
Gambar 10. Testing aplikasi deteksi berdasarkan data wajah.
Tabel 1. Hasil uji aplikasi berdasarkan mata
Foto Penjelasan fotoawal
Prediksi Distance
21
Foto sehat Belum adaindikasi
115.976
Pecandu narkoba Di duga pecandunarkoba
199.978
Angelina joliesehat
Belum adaindikasi
3.97162
22
Angelina joliepemeran pecandunarkoba
Di duga pecandunarkoba
137.786
Ahmad AlbarMusisi yangtertangkap narkoba
Di duga pecandunarkoba
104.587
Fariz RM Musisiyang tertangkapnarkoba
Belum adaindikasi
38.1394
Bagus Priambodo(Peneliti)
Belum adaindikasi
4.03713
23
Tabel 2. Hasil pengujian berdasarkan wajah
Foto Penjelasan fotoawal
Prediksi Distance
Foto sehat Belum adaindikasi
134.088
Pecandu narkoba Di duga pecandunarkoba
0.0446251
Angelina joliesehat
Belum adaindikasi
249.677
24
Angelina joliepemeran pecandunarkoba
Belum adaindikasi
352.484
Ahmad AlbarMusisi yangtertangkap narkoba
Belum adaindikasi
126.669
Fariz RM Musisiyang tertangkapnarkoba
Belum adaindikasi
1.72563
Bagus PriambodoPeneliti
Belum adaindikasi
80.6179
25
Pembahasan
Dari hasil uji aplikasi dapat dianalisa bahwa aplikasi dapat memprediksi foto sehatpecandu narkoba dan foto sakit pecandu narkoba, walaupun terdapat perbedaanhasil antara hasil uji berdasarkan mata dan wajah. Keakuratan dari hasil pengujiandapat dilihat berdasarkan distance yang dihasilkan dari proses prediksi. Jikadistance kurang dari 100 dapat diambil kesimpulan bahwa kemungkinan prediksiadalah benar. Akan tetapi tidak menutup kemungkinan juga bahwa nilai distance >100 bahwa hasil tidak akurat.
4.6 Membuat aplikasi mobile
Setelah uji coba aplikasi berhasil selanjutnya dibuat aplikasi dalam versi mobile
untuk os android. Aplikasi mobile telah berhasil dibuat, dan dipublish pada
playstore dengan alamat https://play.google.com/store/apps/details?id=com.bsg
4.7 Uji Implementasi aplikasi mobile secara real time
Pada tahap ini aplikasi mobile akan diuji untuk mengenali wajah pecandu secara
real time, menggunakan kamera yang ada di os android. Berikut merupakan hasil
uji coba dengan gambar yang sama dengan aplikasi desktop.
26
Gambar 11. Testing aplikasi deteksi mobile, pada gambar sebelah kiri pada
gambar wajah sehat, dan sebelah kanan adalah wajah pecandu, akan tetapi hasil
dari aplikasi mobile menunjukan distance yang lebih besar dari uji aplikasi
desktop.
27
Gambar 12. Testing deteksi wajah Gatot Brajamusti pada aplikasi mobile
Gambar 13. Testing deteksi wajah Ahmad Albar pada aplikasi mobile
28
BAB 5. KESIMPULAN DAN SARAN
Dari hasil analisa dapat diambil kesimpulan bahwa :
Data klasifikasi telah dibuat berdasarkan data mata dan data wajah, akan
tetapi kemungkinan data tidak cukup karena 1 orang hanya dimasukan 1 data sehat atau 1 data sakit. Seharusnya 1 orang dimasukkan 4 data sehat dan 4 data sakit.
Berdasarkan hasil analisa, terdapat perbedaan hasil antara uji aplikasi
berdasarkan mata dan wajah. Dari hasil uji aplikasi dapat dianalisa bahwaaplikasi dapat memprediksi foto sehat pecandu narkoba dan foto sakitpecandu narkoba, walaupun terdapat perbedaan hasil antara hasil ujiberdasarkan mata dan wajah. Keakuratan dari hasil pengujian dapat dilihatberdasarkan distance yang dihasilkan dari proses prediksi. Jika distancekurang dari 100 dapat diambil kesimpulan bahwa kemungkinan prediksiadalah benar. Akan tetapi tidak menutup kemungkinan juga bahwa nilaidistance > 100 bahwa hasil tidak akurat.
Hasil uji aplikasi mobile dapat mendeteksi seperti aplikasi desktop akan
tetapi hasil uji mobile menunjukan nilai distance yang tinggi (lebih tinggidari uji desktop), hal ini mungkin disebabkan hasil dari pengambilangambar langsung menggunakan kamera android. Aplikasi telah dipublishpada alamat
https://play.google.com/apps/publish/?dev_acc=15980842735924914627#AppDashboardPlace:p=com.bsg
Hasil prediksi dari aplikasi tidak dapat digunakan untuk memastikan seseorangmerupakan pecandu narkoba atau tidak. Akan tetapi hasil prediksi dapatdigunakan untuk memberikan rekomendasi seseorang untuk dilakukanpengambilan urine atau rambut untuk test narkoba di lab. Untuk luaran, paper daripenelitian ini telah di submit pada International Conference on Nano ElectronicsResearch Education 2016 (ICNERE 2016) and 8th International Conference onElectrical Power, Electronics, Communications, Controls and Informatics System2016 (EECCIS 2016) di Universitas Brawijaya Malang Indonesia, dan VisualInformatics International Seminar 2016 (VIIS’16) di Universitas KebangsaanMalaysia. Paper diterima untuk diseminarkan.
29
DAFTAR PUSTAKA
[1] Ahmad, F., Najam, A., & Ahmed, Z. (2012). Image-based Face Detection and Recognition : “ State of the Art .” International Journal of Computer Science Issues (IJCSI), 3–6.
[2] Ballihi, L., Amor, B. Ben, Daoudi, M., & Member, S. (2012). Boosting 3-D-Geometric Features for Ef fi cient Face Recognition and Gender Classi fi cation, 7(6), 1766–1779.
[3] Belhumeur, P. N., Hespanha, J. P., & Kriegman, D. J. (1997). Eigenfaces vs.~{Fisherfaces}: Recognition using class specific linear projection. Pami, 19(7), 711–720.
[4] Badan Narkotika Nasional (2015). Kenali ciri-ciri anak pengguna narkoba, 2014–2015. SIGKDD …, 1082–1090.
[5] Cherniavsky, N., Laptev, I., Sivic, J., & Zisserman, A. (2012). Semi-supervised learning of facial attributes in video. Lecture Notes in Computer Science (including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 6553 LNCS(PART 1),
[6] Jafri, R., & Arabnia, H. R. (2009). A Survey of Face Recognition Techniques. Journal of Information Processing Systems, 5(2), 41–68.
[7] Jaswante, A., Khan, A. U., & Gour, B. (2014). Back Propagation Neural Network Based Gender Classification Technique Based on Facial Features, 14(11), 91–96. IEEE International Conference on Web Services, 297–304.
[8] Li, B., Lian, X. C., & Lu, B. L. (2012). Gender classification by combining clothing, hair and facial component classifiers. Neurocomputing, 76(1), 18–27.
[9] Moghaddam, B., & Yang, M.-H. (2000). Gender Classification with Support Vector Machines. Proceedings of the 4th IEEE Int’ll Conf. on Face and GestureRecognition.
[10] Narkoba, P. (2009). “ Upaya Penyelamatan Generasi Muda Melalui Penyuluhan Pengetahuan Bahaya dan Cara Penanggulangan Penyalahgunaan Narkoba ,” (September).
[11] Ng, C. B., Tay, Y. H., & Goi, B. (n.d.). Recognizing Human Gender in Computer Vision : A Survey.
[12] Pantic, M., & Rothkrantz, L. J. M. (2000). Automatic analysis of facial expressions: the state of the art. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 22(12), 1424–1445.
[13] Park, U., Klare, B., & Choi, H. (n.d.). Automatic Face Recognition : State of the Art Anil K . Jain.
[14] Pfister, T., Li, X., Zhao, G., & Pietikainen, M. (2011). Differentiating spontaneous from posed facial expressions within a generic facial expression recognition framework. Proceedings of the IEEE International Conference on Computer Vision, 868–875.
30
[15] Priambodo, Bagus. Deteksi Wajah Real Time Menggunakan OpenCV untuk Android. Sinaptika. 2014
[16] Shan, C. (2011). Learning Local Binary Patterns for Gender Classification on Real-World Face Images
[17] Shreve, M., Godavarthy, S., Goldgof, D., & Sarkar, S. (2011). Macro- and micro-expression spotting in long videos using spatio-temporal strain. 2011 IEEE International Conference on Automatic Face and Gesture Recognition and Workshops, FG 2011, 51–56.
[18] Syarizka, D. (2015). KECANDUAN NARKOBA: Kenali Gejala Narkoba PadaAnak , 1–9.
[19] Viola, P., & Jones, M. (2004). Robust real-time face detection. International Journal of Computer Vision, 57(2), 137–154.
[20] Viola, P., Jones, M. J., “Rapid Object Detection Using A Boosted Cascade of Simple Features”, IEEE Conference on Computer Vision and Pattern Recognition, Jauai, Hawaii, 2001.
[21] Widiyanto, R. (2013). Analisis dan implementasi algoritma fisherface pada sistem pengenalan wajah untuk keamanan handphone berbasis android naskah publikasi.
[22] Yang, A. Y., Zhou, Z., Member, S., & Ganesh, A. (2012). Fast 1 -Minimization Algorithms For Robust Face Recognition. arXiv:1007.3753v4 [cs.CV], 1–13.
[23] Zhu, X., & Ramanan, D. (2012). Face detection, pose estimation, and landmarkestimation in the wild. Proc. Int. Conf. on Computer Vision and Pattern Recognition (CVPR).
31
JUSTIFIKASI ANGGARAN
1. Honor
No.
HonorHonor/jam
(Rp)
WaktuMinggu Honor Per Tahun (Rp)
(Jam/Minggu)
1 Ketua Peneliti 50000 2 22 2200000
2 Anggota Peneliti 1 28000 2 21 1178000
3 Anggota Peneliti 2 28000 2 20 1120000
SUB TOTAL (Rp) 4.500.000
2. Peralatan Penunjang
No.
MaterialJustifikasiPemakaian
KuantitasHargaSatuan
(Rp)
Harga PeralatanPenunjang
1 Smart phone android Uji coba aplikasi mobile deteksi wajah pecandu narkoba
1 1.715.000
1.715.000
SUB TOTAL (Rp) 1.715.000
3. Bahan Habis Pakai
No.
MaterialJustifikasi Kuantitas Harga
Satuan(Rp)
Biaya Per Tahun
Pemakaian
1 Ambil gambar Pecandu Narkoba(Orang per Jam)
Biaya pengumpulan data pelatihan dan Uji coba aplikasi secara realtime (bayar pecandu narkoba)
4 262.500
1.050.000
2 Akses internet peneliti
Biaya langganan internet untuk proses pencarian pustaka dan data training
3 bulan
100.000
300.000
SUB TOTAL (Rp) 1.350.000
4. Perjalanan
No.
Tujuan Justifikasi Perjalanan Kuantitas HargaSatuan
(Rp)
Biaya Per Tahun
jml orang
1
Perjalanan seminar Internasional (1x/ tahun) MalaysiaVisual Informatics International Seminar 2016 (VIIS’16)
Seminar internasional dan Hotel
1 1 2500000
2.500.000
2
Perjalanan Seminar Internasional ke Malang
ICNERE-EECCIS 2016
Seminar Internasional 1 1 1.250.000
1.250.000
SUB TOTAL (Rp) 3,750.000
5. Lain - lain
No.
Kegiatan Justifikasi KuantitasHargaSatuan
(Rp)
Biaya Per Tahun
1
Perjalanan Seminar Internasional ke Malang
ICNERE-EECCIS 2016
Proceeding Seminar Internasional
1 2.500.000
2.500.000
2
Biaya Pendaftaran Seminar Internasional Visual Informatics International Seminar 2016 (VIIS’16)
Proceeding Seminar Internasional
1 2.000.000
2.000.000
SUB TOTAL (Rp) 4.500.000
TOTAL ANGGARAN YANG DIPERLUKAN DALAM SETAHUN (Rp) 15.815.000
LAMPIRAN ACCEPTANCE LETTER DAN KWITANSI
Bon kwitansi pembelian smartphone android untuk uji coba aplikasi mobile secara real time
9/20/2016 Registration invoice for ICNERE-EECCIS'16 Scopus (Joint International Conference the 3rd ICNERE & 8th EECCIS 2016) [IC…
https://edas.info/showRegistrationInvoicePending.php?c=22314&p=1419880 1/1
Registration invoice for ICNEREEECCIS'16 Scopus (Joint InternationalConference the 3rd ICNERE & 8th EECCIS 2016)
Invoice for Joint International Conference the 3rd ICNERE & 8th EECCIS 2016
Mr. Bagus Priambodo PriambodoJl Meruya Utara No 48 RT 04 / RW 04, KembanganJakarta Barat, DKI Jakarta 11620Indonesia
Code Description Attendee Event date Registered Invoiceamount Cancelled?
ICNERE_EECCIS_16:NS1INA 1 Bagus
Priambodo
October 30,2016 07:00WIB
September20, 201603:31:09
USD189.80
You can pay by creditcard, wire.
Joint International Conference : The 3rd International Conference on Nano Electronics Research and Education - ICNERE
The 8th Int. Conference on Electrical, Electronics, Communication, Control & Informatics System – EECCIS Malang – Indonesia, 31st October – 2nd November 2016.
Bank: BCA a.n. Rahmadwati ST MT , Acc. No: 8161038423 Swift code: CENAIDJA Bank code: 014
E-mail: [email protected]
Information: http://eeccis.ub.ac.id/ http://icnere.ui.ac.id/
Acceptance Paper and Invitation Letter Dear Mr./Mrs. Bagus Priambodo (University of Mercu Buana) The Joint International Conference of the 3rd International Conference on Nano Electronics Research Education 2016 and the 8th International Conference on Electrical Power, Electronics, Communications, Controls and Informatics System 2016 (ICNERE-EECCIS 2016) has completed the reviewing process and we are pleased to inform you that your paper : Paper ID : 1570309233 Title : Predict Drug Addict Using Linear Discriminant Analysis Based on Eyes and Faces
Picture has been ACCEPTED to be presented as ORAL PRESENTATION. For the most updated information on the conference, please check the conference website. Should you have any question regarding the camera ready submission and registration, please do not hesitate to contact the secretariat. You are cordially invited to attend the conference and present your manuscript. Your interest in ICNERE-EECCIS 2016 is very much appreciated. We look forward to welcoming you in the conference. Sincerely yours, Prof. Dr. Harry Sudibyo. General Chair. Department of Electrical Engineering, Universitas Indonesia.
Top Related