Volume : III, Nomor : 1, Mei 2014 Majalah Ilmiah

Informasi dan Teknologi Ilmiah (INTI)

ISSN : 2339-210X

ANALISA SISTEM PENGENALAN WAJAH BERBENTUK CITRA

DIGITAL DENGAN ALGORITMA PRINCIPAL COMPONENTS
ANALYSIS
Sinar Sinurat

Dosen Tetap Program Studi Teknik Informatika STMIK Budi Darma Medan
Jl. Sisingamangaraja No.338 Simpang Limun Medan
http:// www.inti-budidarma.com // Email : sinarsssinurat@gmail.com ; sin.sinurat@yahoo.com

Abstrak

Analisa Sistem Pengenalan Wajah Berbentuk Citra Digital Dengan Algoritma Principal Components
Analysis untuk mendapatkan identitas daripada pemilik wajah. Banyak aplikasi yang sudah dibangun
sebelumnya hanya dapat mengenali wajah dengan berbagai visualisasi dengan sejumlah metode di mana masing-
masing yang memiliki kelebihan dan kekurangan. Terdapat sejumlah metode yang diterapkan dalam suatu
aplikasi dalam maksud untuk mengenali citra wajah tetapi aspek akurasi tidak diprioritaskan dan begitu juga
sebaliknya.
Dalam penelitian ini menggunakan metode Principal Component Analysis (PCA) adalah mengkonstruksi
pola input wajah digital menggunakan teknik propagasi dalam pengenalan wajah. Dalam proses konstruksi pola
dan pengenalan wajah mulai dari objek berupa citra wajah, deteksi sisi, konstruksi pola hingga dapat
menentukan suatu karakteristik baru untuk dilanjutkan pengenalan wajah.
Akan dirancang suatu program dengan menguji beberapa sampel data wajah hingga dapat memberikan
suatu pernyataan kesamaan pola wajah yang sedang diamati dan pengenalannya menggunakan Principal
Component Analysis (PCA).

Kata kunci : Pengenalan wajah, Principal Component Analysis, Jaringan Saraf Tiruan, Backpropagation

1. Pendahuluan (luminance) yang tidak tentu, dan ukuran wajah yang

1.1. Latar Belakang
Dalam berbagai model komputasi sering
melakukan sistem pencarian dan pengindeksan pada
database citra digital dan video digital, kontrol
sistem keamanan dalam akses area terbatas,
konferensi video, dan interaksi manusia dengan
komputer dan mungkin juga menggunakan sistem
propagasi mundur untuk melakukan pencocokan
query yang oleh user, dengan rule-based yang ada
dalam knowledge base dan kumpulan fakta.
Kajian penelitian pemrosesan wajah (face
processing), pendeteksian wajah manusia (face
detection) adalah salah satu tahap awal dalam proses
pengenalan wajah (face recognition) dengan
parameter-parameter yang dihasilkan melalui
perhitungan PCA membandingkan satu masukan
citra wajah dengan membandingkan koleksi citra
wajah untuk menghasilkan informasi kecocokan.
Sedangkan autentikasi wajah (face authentication)
digunakan untuk menguji keaslian/ kesamaan suatu
wajah dengan input data wajah sebelumnya.
Berdasarkan pengamatan uraian persoalan di
atas, Principal Components Analysis (PCA)
mencakup bagaimana penerapan jaringan saraf tiruan
(neural network), propagasi mundur
(backpropagation) untuk mengenali input citra
wajah. Eigenfaces juga digunakan untuk
mengkonstruksi bentuk pengenalan pola input citra.
Citra yang berisi lebih dari satu wajah, kemungkinan
memiliki latar yang bervariasi, kondisi pencahayaan
AnalisaSistemPengenalanWajahBerbentukCitraDigitalDenganAlgoritmaPrincipal
ComponentsAnalysis.Oleh:SinarSinurat
bervariasi dalam citra. Contohnya adalah citra yang
diperoleh di bandara, terminal, pintu masuk gedung,
dan pusat perbelanjaan. Selain itu juga pada citra
yang didapatkan dari foto di media massa atau hasil
rekaman video.
1.2. Tujuan Dan Manfaat
Penelitian ini bertujuan membangun suatu
desain sistem pengenalan wajah dengan penerapan
metode PCA pada masukan citra wajah digital dalam
posisi menghadap kamera hingga sistem dapat
memberikan visualisasi hasil sub citra termasuk
informasi yang terikat dalam citra tersimpan.
Manfaat hasil penelitian diharapkan dapat
digunakan sebagai salah satu langkah untuk
pembelajaran terkait aspek bagaimana membangun
suatu sistem pemrosesan citra yang mungkin dapat
dikembangkan secara real berguna untuk
memasyarakat. Sedangkan aplikasi yang dirancang
memungkinkan dapat digunakan untuk membantu
mempercepat proses pengenalan wajah berdasarkan
input citra terhadap sejumlah citra digital tersimpan
sehingga informasi yang terikat citra tersebut dapat
dijadikan untuk kepentingan lain.
1.3. Identifikasi Masalah
Dalam pembahasan topik ini dirumuskan
beberapa hal, antara lain :
112
Volume : III, Nomor : 1, Mei 2014
1. Bagaimana menerapkan algoritma PCA dalam
rancangan aplikasi perangkat lunak dengan input
citra berdasarkan pola input ?
2. Bagaimana aplikasi dapat mendeteksi/ mengenali
pola citra ?
1.4. Batasan Masalah
Agar penelitian tidak menyimpang dari konten
perumusan masalah maka beberapa batasan masalah
sebagai berikut :
1. Masukan citra adalah citra digital kecuali tipe
TIF dan GIF, karena jumlah warna di bawah 256
dan terdapat gradien (perubahan warna).
2. Masukan Citra digital dengan tingkat keabuan
(gray level) 256 level intensitas (batas normal
mata manusia).
3. Masukan citra digital dalam kategori dua
dimensi, untuk citra berwarna maupun citra
hitam putih.
4. Posisi citra wajah menghadap kamera (frontal
face images), posisi tegak, dan tidak terhalangi
bagian objek lain, misalnya topi, kaca mata
hitam dan lain sebagainya.
5. Objek citra dua dimensi dibatasi oleh kurva
tertutup dan kontur objek pada posisi berbeda
dalam setiap pengamatan.
1.5. Metode Penelitian
Metode pengumpulan data dilakukan adalah :
1. Pengumpulan topik-topik terkait : dimensi,
teknik reduksi, pengenalan pola, bentuk
penerapan formulasi PCA, klassifikasi objek,
penentuan atribut berupa size, kontras, resolusi
dan lain sebagainya.
2. Mengoleksi data citra dan menyeleksinya sesuai
dengan persyaratan dalam batasan berupa
resizing window menjadi maksimum 20 x 20,
masking, dan histogram equalization.
3. Menyusun dan mengelompokkan formula untuk
setiap item proses, serta membuat rancangan
relasi antar proses hingga integrasi proses dalam
sistem pengenalan wajah.
4. Merancang layout desain input-process-output.
5. Melakukan pengujian terintegrasi dan melihat
perilaku sistem aplikasi hingga melakukan
validasi.
6. Mengukur unjuk kerja sebagai bentuk
kesimpulan proyek sistem pendeteksi wajah
dengan menghitung detection rate dan false
positif rate.
2. Dasar Teoritis
2.1 Citra Digital
Citra adalah suatu representasi, kemiripan, atau
imitasi dari suatu objek atau benda yang dapat
ditampilkan pada bidang dua atau tiga dimensi
(dwimatra atau trimatra) [Kamus Webster].
Representasi citra dalam bentuk lain misalnya : foto
mewakili entitas diri seseorang di depan kamera, foto
sinar-X thorax mewakili keadaan bagian dalam
AnalisaSistemPengenalanWajahBerbentukCitraDigitalDenganAlgoritmaPrincipal
ComponentsAnalysis.Oleh:SinarSinurat
Majalah Ilmiah
Informasi dan Teknologi Ilmiah (INTI)
ISSN : 2339-210X
tubuh seseorang, data dalam suatu file BMP (Bitmap)
mewakili apa yang digambarkannya.
Citra sebagai keluaran dari suatu sistem
perekaman data dapat bersifat :
1. Optik berupa foto/ gambar
2. Analog berupa sinyal video seperti gambar pada
monitor televisi
3. Digital yang dapat langsung disimpan pada
media penyimpan magnetik
Citra juga dapat dikelompokkan menjadi 2
bagian yaitu :
1. Citra tampak (foto, gambar, lukisan, apa yang
nampak di layar monitor/ televisi, hologram ,
dan lain-lain)
2. Citra tidak tampak (data foto/ gambar dalam file,
citra yang direpresentasikan dalam fungsi
matematis)
Citra digital adalah suatu citra f(x,y) yang
memiliki koordinat spatial, dan tingkat kecerahan
yang diskrit. Fungsi f(x,y), dapat dilihat sebagai
fungsi dengan dua unsur. Unsur yang pertama
merupakan kekuatan sumber cahaya yang
melingkupi pandangan kita terhadap objek
(illumination). Unsur yang ke dua merupakan
besarnya cahaya yang direfleksikan oleh objek ke
dalam pandangan (reflectance components).
Keduanya dituliskan sebagai fungsi i(x,y) dan r(x,y),
yang digabungkan sebagai perkalian fungsi untuk
membentuk fungsi f(x,y). Fungsi f(x,y), dapat
dituliskan dengan persamaan :
f(x,y) = i(x,y) * r(x,y) di mana : 0 < i(x,y) < dan
0 < r(x,y) < 1
Citra digital merupakan suatu matriks yang
terdiri dari baris dan kolom, 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 element). [Gonzales
and Woods, 2002].
Gambar1 : Analisa Model Citra
(Sumber : Pengolahan Citra oleh Indawati
Hestiningsih)
2.2. Histogram Equalization
Histogram equalization untuk melakukan
perluasan kontras citra (contrast strecthing) secara
otomatis. Setelah melalui persamaan histogram, citra
akan memiliki histogram yang lebih seragam.
[Gonzalez, 2002]. Misalkan r adalah nilai graylevel
pixel citra yang akan diproses, dan pr(rk) adalah
probabilitas munculnya level grayscale rk di dalam
citra.
nk
Pr (rk ) = ; 0rk1 dan k=0,1,2,.,L-1
n
113
Volume : III, Nomor : 1, Mei 2014 Majalah Ilmiah
Informasi dan Teknologi Ilmiah (INTI)
ISSN : 2339-210X

di mana L : banyaknya level grayscale, nk :

banyaknya pixel dengan level grayscale rk muncul di
dalam citra, dan n adalah banyaknya seluruh pixel di
dalam citra.
k n k n
S = T (r k ) =
j
= j
.
k
j=0 n j=0 n
Gambar 2 : Proses Pengenalan Wajah
; 0rk1 dan k=0,1,2,.,L-1 ..(2.4) di mana : Sumber : Juergen Richter; Advanced In Face
Sk = T(rk) = total kemunculan pixel citra, Recognition Research
nj = jumlah pixel yang memiliki derajat keabuan j
n = jumlah keseluruhan pixel di dalam citra di mana (a) Citra Asli, (b) Citra Akibat Perubahan
Skala, (c) Citra Akibat Perubahan Posisi, (d) Citra
2.3 Pengertian Pola dan Ciri Akibat Perubahan Cahaya, (e) Citra Akibat
Pola adalah entitas yang terdefinisi dan dapat Penambahan Detail
diidentifikasi melalui ciri-cirinya (features) [David
J.C MacKay, 2003]. Ciri-ciri tersebut digunakan Untuk lebih jelas, secara umum pengenalan bentuk
untuk membedakan suatu pola dengan pola lainnya. fitur wajah ditunjukkan pada gambar berikut :
Ciri yang bagus adalah memiliki daya pembeda yang
tinggi, sehingga pengelompokan pola berdasarkan
ciri yang dimiliki dapat dilakukan dengan keakuratan
yang tinggi, lihat tabel berikut :

Tabel 1 : Pola dan Ciri Gambar

Pola Ciri
Huruf Tinggi, tebal, titik sudut, lengkungan
Suara garis, dan lain-lain
Tanda Amplitudo, frekuensi, nada, intonasi, Gambar 3: Bentuk Pengenalan Fitur Wajah
tangan warna, dan lain-lain
Sidik jari Panjang, kerumitan, tekanan, dan lain- Pola pengenalan umum wajah terdiri dari :
lain a. Acquisition Module : blok input proses
Lengkungan, jumlah garis, dan lain- pengenalan wajah, sumbernya dapat berasal dari
lain kamera ataupun file citra.
b. Pre-processing Module : proses penyesuaian citra
2.4 Pengenalan Wajah input meliputi, normalisasi ukuran citra,
Di balik kemudahan mengenali wajah, ada histogram equalization untuk memperbaiki
beberapa masalah yang mungkin timbul dalam kualitas citra input tanpa menghilangkan
proses pengenalan wajah disebut dengan robust, informasi utamanya, median filtering untuk
yaitu : menghilangkan noise akibat kamera atau
a. Perubahan skala citra dapat direpresentasikan pergeseran frame, high pass filtering untuk
berbeda diakibatkan perbedaan jarak wajah menunjukan bagian tepi dari citra, background
dengan kamera. Semakin dekat jarak maka citra removal untuk menghilangkan latar belakang
akan semakin besar. Contoh gambar b. sehingga hanya bagian wajah saja yang diproses
b. Perubahan posisi citra seseorang dan normalisasi pencahayaan ketika mengambil
direpresentasikan berbeda diakibatkan perubahan citra input. Bagian pre-processing ini untuk
posisi ataupun perubahan sudut pengambilan menghilangkan masalah yang akan timbul pada
wajah. Gambar c. proses pengenalan wajah seperti yang dijelaskan
c. Perubahan cahaya citra seseorang sebelumnya.
direpresentasikan berbeda diakibatkan perubahan c. Feature Extraction Module : modul ini
intensitas cahaya yang terjadi ketika pengambilan digunakan untuk mengutip bagian terpenting
citra. Contoh gambar sebagai suatu vektor yang merepresentasikan
d. Perubahan detail dan ekspresi direpresentasikan wajah dan bersifat unik.
berbeda diakibatkan perubahan misal janggut, d. Classification Module : dengan bantuan
kumis, pemakaian kacamata atau gaya rambut pemisahan pola, fitur wajah yang dibandingkan
selain itu perubahan menjadi tertawa, tersenyum, dengan fitur yang telah tersimpan di database
muram, menangis. Contoh gambar e sehingga dapat diketahui apakah citra wajah
tersebut dikenali.
e. Training Set : Modul ini digunakan selama
proses pembelajaran proses pengenalan, semakin
kompleks dan sering maka proses pengenalan
wajah akan semakin baik.
AnalisaSistemPengenalanWajahBerbentukCitraDigitalDenganAlgoritmaPrincipal 114
ComponentsAnalysis.Oleh:SinarSinurat
Volume : III, Nomor : 1, Mei 2014
f. Database : Berisi kumpulan citra wajah.
2.5 Pengenalan Wajah Dengan Pendekatan
Principal
Pengenalan wajah secara kognitif secara khusus
dalam bentuk objek tiga dimensi akan menghasilkan
karakteristik data sensor sebagai berikut :
a. Secara tipikal berisi sejumlah wajah
b. Orientasinya berubah-rubah dalam ruang (space)
(pose)
c. Seringkali terjadi data corruption seperti : gap,
outlier, ripples.
d. Perubahan formasi permukaan wajah karena :
kaca mata, tata rias rambut, dan jenggot
Pengenalan wajah 3-dimensi dengan Feature
Extraction sebagai berikut :
a. Bagian lokalisasi facial dari 3D-Shape
b. Bagian wajah yang dirapikan dengan sejumlah
orientasi
c. Preprocess shape untuk mengeliminasi
kekurangan-kekurangan data (smoothing)
d. Aplikasi sejumlah operator ekstraksi sejumlah
permukaan (mengurangi dimensi input pada
klassifikasi)
Pengenalan wajah dengan cara lokalisasi, dapat
diuraikan dengan :
a. Fitur-fitur 2D yang tersedia
b. Penugasan dari lokalisasi fitur lebih banyak
menyulitkan daripada shape 3D, perhatikan
gambar berikut :
a. Tranformasi Citra 2D Menjadi Lokalisasi Citra 3D
b. Pengenalan Wajah 3D dari Hasil Perapian
Gambar 4. Penggunaan Fitur 2D lokalisasi 3D
Sumber : Juergen Richter; Advanced In Face
Recognition Research
2.6. Deteksi Wajah
Pendeteksian wajah (face detection) adalah salah
satu tahap awal sebelum dilakukan proses
pengenalan wajah (face recognition). Bidang
AnalisaSistemPengenalanWajahBerbentukCitraDigitalDenganAlgoritmaPrincipal
ComponentsAnalysis.Oleh:SinarSinurat
Majalah Ilmiah
Informasi dan Teknologi Ilmiah (INTI)
ISSN : 2339-210X
penelitian yang berkaitan dengan pemrosesan wajah
(face processing) [Yang, 2002] adalah :
1. Pengenalan wajah (face recognition) yaitu
membandingkan citra wajah masukan dengan
suatu database wajah dan menemukan wajah
yang paling cocok dengan citra masukan tersebut.
2. Autentikasi wajah (face authentication) yaitu
menguji keaslian/ kesamaan suatu wajah dengan
data wajah yang telah diinputkan sebelumnya.
3. Lokalisasi wajah (face localization) yaitu
pendeteksian wajah namun dengan asumsi hanya
ada satu wajah di dalam citra
4. Penjejakan wajah (face tracking) yaitu
memperkirakan lokasi suatu wajah di dalam
video secara real time.
5. Pengenalan ekspresi wajah (facial expression
recognition) untuk mengenali kondisi emosi
manusia.
3. Implementasi
3.1. Algoritma Eigenface Untuk Pengenalan
Wajah
Algoritma pengenalan wajah ini dimulai dengan
membuat matriks kolom dari wajah yang
dimasukkan ke dalam basis data, seperti yang
ditunjukkan Gambar 2.16. Rata-rata vektor citra dari
matriks kolom selanjutnya dicari menggunakan
Persamaan (1), dengan M, banyaknya citra wajah di
dalam basis data. Rata-rata vektor citra akan
digunakan untuk menghitung selisihnya dengan
masing-masing matriks kolom citra, menggunakan
Persamaan (2). Kovarians matriks dari selisih dicari
menggunakan Persamaan (3). Nilai eigen dan eigen
vector dicari dari kovarians matriks, dan selanjutnya
diurutkan berdasarkan nilai eigen terbesar,
ditunjukkan pada gambar berikut
a1 b1
= =
a2 b2
aN 2 bN 2
Gambar 3.1. Citra Matriks Kolom
a1 b1 a1 m1
1 ; S = AAT ;
m= a2 b2 = a 2 m 2
M
am
a 2 b N 2 a 2 m N
N N
b1 m1
; Z N = e Tz ( X N m N 2 )
b m = b 2 m 2
b 2 m N
N
Z N = e Tz (YN m N 2 )
Vektor eigen direduksi menggunakan persamaan
Zn yang merupakan matriks dari vektor eigen. Vektor
direkonstruksi menggunakan persamaan Zn
Pendekatan untuk mengenali wajah berikut
operasi-operasi inisialisasi yaitu :
1. Ambil suatu set inisial dari citra wajah (training
set).
2. Hitung eigenface dari training set, simpan M
citra untuk mendefenisikan face space.
115
Volume : III, Nomor : 1, Mei 2014 Majalah Ilmiah
Informasi dan Teknologi Ilmiah (INTI)
ISSN : 2339-210X

Sebagaimana space baru diuji, Eigenfaces dapat A. Pembagian Wajah

di-update atau dikalkulasi kembali. Wajah dibagi dalam tiga bagian : wajah, mata,
3. Kalkulasi hubungan distribusi dalam bobot space daerah mulut. Citra wajah yang dibagi mempunyai
M-Dimensional untuk masing-masing individu daerah minimum dahi dan dagu yang saling
oleh proyeksi citra wajah mereka ke dalam face mendukung pada daerah maksimum. Beberapa
space. perbaikan dilakukan pada daerah mulut untuk
Terdapat inisialisasi sistem, langkah-langkah mendapatkan hasil yang lebih baik. Aproksimasi
berikut dapat digunakan untuk mengenali citra wajah posisi dari mulut ditentukan sebagai daerah sentral
baru : untuk vertikal dan horijontal. Fitur mulut tidak selalu
1. Hitung set bobot berdasarkan input citra dan M- di lokasi vertikal pada daerah sentral sebagaimana
Eigenfaces oleh proyeksi input citra ke dalam terdapat pada bagian leher yang mempengaruhi fitur
masing-masing eigenfaces. mulut dalam daerah mulut. Pembagian wajah
2. Menentukan jika citra adalah sama sekali satu dikonduksi untuk mempertimbangkan ukuran citra,
wajah (dikenal atau tidak dikenal) oleh dengan kriteria yang sudah dijelaskan sebelumnya,
pengecekan yang memperlihatkan, jika citra tepat model ini diilustrasikan pada gambar 5
dalam face space
3. Jika suatu space mengklassifikasi bobot pola juga
seseorang yang tidak dikenal.
4. (Optional) Update eigenface dan/ atau bobot
pola.
5. (Optional) Jika wajah tidak dikenal adalah sama
yang diperlihatkan beberapa saat, hitung a. Pembagian daerah mulut b. Perbaikan
karakteristik bobot pola pada face yang dikenal. dalam pembagian
sebelumnya daerah
mulut
3.2 Proses Ekstrasi Dengan Mengukur Jarak di
Antara Fitur Wajah
Citra daerah wajah yang merupakan hasil proses Gambar 5 : Posisi daerah mulut dalam fitur wajah
deteksi wajah selanjutnya diproses untuk
mendapatkan fitur-fitur wajah dan jarak-jarak B. Ekstraksi dan Deteksi Fitur Wajah
diantaranya. Proses Ini diinduksi dengan Setelah proses pemotongan, ekstraksi fitur
mengekstraksi fitur mata, hidung dan mulut untuk dikonduksi dengan :
menentukan lokasi fitur yang dilakukan pada ruang 1. Ekstraksi mata dilakukan dengan membentuk
warna YCbCr dengan memisahkan komponen peta mata, pada gambar6
luminansi krominansi untuk mengurangi pengaruh
pencahayaan. Jarak yang diukur antara :
1. Mata kiri ke mata kanan
2. Mata kanan ke mulut
3. Mata kiri ke mulut
4. Mata kanan ke hidung
5. Mata kiri ke hidung
6. Hidung ke mulut
7. Ketinggian hidung Gambar 6 : Formasi Pemetaan Mata
8. Lebar hidung
2. Ekstraksi mulut dilakukan dengan membentuk
Proses ekstraksi wajah dalam penelitian ini pemetaan pola mulut, ditunjukkan pada gambar 7
dilakukan dengan konduksi tiga (3) langkah :
1. Pembagian wajah
2. Deteksi fitur wajah dan ekstraksi
3. Pengukuran/ kalkulasi jarak antara fitur wajah

Citra wajah dengan fitur yang diambil diproses

dengan pembagian ke dalam daerah-daerah, untuk
membatasi sepanjang area deteksi. Pembagian juga
meminimalisasi kemungkinan fitur lain terdeteksi.
Deteksi dikonduksi dengan menghitung komponen- Gambar 7: Formasi Pemetaan Mulut
komponen ruang warna pada daerah-daerah yang
diasumsi menjadi lokasi fitur wajah sehingga 3. Ekstraksi mulut dikonduksi setelah jarak mata
ekstraksi akan menentukan lokasi fitur wajah. kiri dan kanan dengan menentukan titik tengah.
Tinggi dan lebar hidung, pada gambar 8

AnalisaSistemPengenalanWajahBerbentukCitraDigitalDenganAlgoritmaPrincipal 116
ComponentsAnalysis.Oleh:SinarSinurat
Volume : III, Nomor : 1, Mei 2014 Majalah Ilmiah
Informasi dan Teknologi Ilmiah (INTI)
ISSN : 2339-210X

Tabel 2 : Face Uniqueness Level

Gambar 8 : Geometri Fitur Hidung

Berikut persamaan untuk menghitung ukuran

hidung :
Nose_height = 0.75 * v dan Nose_width =
0.65 * l
di mana : v adalah jarak vertikal antara dua mata
dengan lubang hidung dan l adalah jarak vertikal
antara dua mata.
4. Ekstaksi lubang hidung dilakukan setelah hidung
dapat diekstraksi dan daerah hidung selanjutnya
dibagi ke dalam bagian-bagian yang menentukan
daerah khusus lubang hidung yaitu :
Hidung bagian atas
Hidung bagian bawah yang terdiri dari bagian
kiri bawah, tengah, kanan bawah.
Hidung bagian tengah adalah area lubang
khusus, dengan pemetaan area ini sehingga
lubang dapat ditentukan.
C. Mengukur Jarak Antara Fitur Wajah
Perhitungan jarak wajah dilakukan dengan
perhitungan perbedaan antara setiap koordinat titik
jika terdapat line vertical / horizontal ke titik-titik
tersebut. Pada sisi lain teorema Phytagoras
digunakan pada penambahan line yang dapat
digambarkan dari koordinat ke dari segitiga siku-
siku. Jarak fitur wajah adalah sisi diagonal segitiga
dan nilai dibulatkan ke integer terdekat.
Jarak antara fitur yang digunakan adalah salah
satu antara mata kiri mata kanan, mata kanan-
mulut, mata kiri-mulut, mata kanan-puncak hidung,
mulut-puncak hidung, ketinggian hidung, lebar
hidung; model ini ditunjukkan pada gambar 9
Keterangan:
J1=Jarakmatakirimatakanan
J2=Jarakmatakananmulut
J3=Jarakmatakirimulut
J4=Jarakkananpuncakhidung
J5=Jarakmatakiripuncakhidung
J6=Jarakpuncakhidungmulut
J7=Ketinggianhidung
J8=Lebarhidung
Gambar 9 Penentuan Jarak Antar Komponen Wajah
Menurut penelitian yang yang dilakukan [Dewi
Agushinta R, Adang Suhendra, Yuhilza Hanum]
dalam Facial Feature Distance Extraction as a
Face Recognition System Component bahwa tingkat
keunikan wajah, ditunjukkan pada tabel 2
3.3 Penerapan Principal Components Analysis
Wajah merupakan sebuah citra yang dapat
dilihat sebagai sebuah vektor. Jika panjang dan lebar
dari sebuah citra adalah w dan h pixel maka jumlah
komponen dari vektor ini adalah w * h. Setiap pixel
dikodekan oleh satu komponen vektor, seperti yang
diperlihatkan pada gambar 10
Gambar 10. Formasi Vektor Wajah dari Citra Wajah
Algoritma PCA adalah sebagai berikut :
1. Normalisasi. Xk=Xk/Length(Xk), di mana Xk
adalah vektor kolom ke-k dari matriks X.
2. Bangun matriks kovarian. W = XT * X
3. Hitung nilai eigen (E) dan vektor Eigen (Q) dari
matriks kovarian W.
4. Urutkan nilai eigen (E) dan vektor Eigen (Q) dari
besar ke kecil berdasarkan urutan nilai eigen.
5. Hitung principal component. P = X * Q * E-1/2.
6. Transformasikan citra ke ruang wajah. Y = PT *
Xk
Hasil transformasi ini merupakan citra wajah
yang telah direduksi menjadi beberapa variabel yang
diperlukan saja yang akan diinputkan ke jaringan
saraf tiruan.
3.3.1. Operator Laplacian
Operator laplacian merupakan operator turunan
kedua yang memiliki matriks mask berukuran 3x3 di
mana diagramnya ditunjukkan pada gambar 3.4
dalam bab III Mask operator laplace dinyatakan
dengan mask 3x3 sebagai berikut :
0 1 0 -1 -1 -1 1 - 1
1 4 1 -1 8 -1 -2 4 -
0 1 0 -1 -1 -1 1 - 1
MaskLaplace5titik MaskLaplace9 MaskLaplace 9titikII

Untuk mendapatkan hasil Laplacian dari data

citra yang diproses, maka tahap berikutnya adalah
melakukan konvolusi pada citra. Konvolusi
didefenisikan sebagai berikut :
AnalisaSistemPengenalanWajahBerbentukCitraDigitalDenganAlgoritmaPrincipal 117
ComponentsAnalysis.Oleh:SinarSinurat
Volume : III, Nomor : 1, Mei 2014 Majalah Ilmiah
Informasi dan Teknologi Ilmiah (INTI)
ISSN : 2339-210X

M N
1x80) + (8x75) + (-1x39) + (-1x141) + (-1x131) + (-
h( x, y ) = f (u, v).g ( x + u, y + v)
x= M y = N
1x88) = 7

di mana : x, y, u, v : Posisi titik dalam citra ;

m, n : Batas titik tetangga yang masih berpengaruh
ke titik yang sedang ditinjau untuk arah
horijontal dan vertikal

3.3.2. Operasi Perhitungan Laplacian
Misalkan citra yang berukuran 5x5 pixel dan
sebuah mask laplace yang berukuran 3x3, maka
operasi konvolusi pada citra dengan mask dari
laplace direpresentasikan ke dalam bentuk matrik
dalam gambar 11 sebagai berikut :
Proses perkalian konvolusi = 271 ; nilai ini dihitung
dengan cara berikut :(-1x46) + (-1x57) + (-1x80) + (-
1x50) + (8x98) + (-1x141) + (-1x201) + (-1x235) +
(-1x245) = 271

Proses perkalian konvolusi = -29 ; nilai ini dihitung

dengan cara berikut :(-1x57) + (-1x80) + (-1x75) + (-
1x98) + (8x141) + (-1x131) + (-1x235) + (-1x245) +
(-1x236) = -29
Gambar 11 : Citra Asal dikonversi ke Matriks
Decimal

Maka konvolusi citra f ( x, y ) dengan mask

g ( x, y ) adalah f ( x, y ) * g ( x, y )
Proses perkalian konvolusi = -104 ; nilai ini dihitung
dengan cara berikut :(-1x80) + (-1x75) + (-1x39) + (-
1x141) + (8x131) + (-1x88) + (-1x245) + (-1x236) +
(-1x248) = -104

Proses perkalian konvolusi = -89 ; nilai ini dihitung

dengan cara berikut : (-1x54) + (-1x46) + (-1x30) +
(-1x46) + (8x57) + (-1x80) + (-1x50) + (-1x98) + (-
1x141) = -89
Proses perkalian konvolusi = 382 ; nilai ini dihitung
dengan cara berikut :(-1x50) + (-1x98) + (-1x141) +
(-1x201) + (8x235) + (-1x245) + (-1x253) + (-
1x255) + (-1x255) = 382

Proses perkalian konvolusi = 30 ; nilai ini dihitung

dengan cara berikut :(-1x46) + (-1x30) + (-1x32) + (-
1x57) + (8x80) + (-1x75) + (-1x98) + (-1x141) + (-
1x131) = 30
Proses perkalian konvolusi = 354 ; nilai ini dihitung
dengan cara berikut :(-1x98) + (-1x141) + (-1x131) +
(-1x235) + (8x245) + (-1x236) + (-1x255) + (-
1x255) + (-1x255) = 354

Proses perkalian konvolusi = 7 ; nilai ini dihitung

dengan cara berikut :(-1x30) + (-1x32) + (-1x52) + (- Proses perkalian konvolusi = 271 ; nilai ini dihitung
dengan cara berikut :(-1x141) + (-1x131) + (-1x88) +
AnalisaSistemPengenalanWajahBerbentukCitraDigitalDenganAlgoritmaPrincipal 118
ComponentsAnalysis.Oleh:SinarSinurat
Volume : III, Nomor : 1, Mei 2014 Majalah Ilmiah
Informasi dan Teknologi Ilmiah (INTI)
ISSN : 2339-210X

(-1x245) + (8x236) + (-1x248) + (-1x255) + (-

1x255) + (-1x254) = 271

Sehingga hasil akhir perhitungan operasi

Laplacian adalah sebagai berikut :

dapat dicari maka nilai paling pinggir tetap

dipertahankan, diperlihatkan pada matrik dalam
gambar 12 berikut :

a. Matriks yang dikonversi menjadi citra baru

b. Citra Hasil Konvolusi Masuk Dalam Jariangan

Saraf Tiruan

Gambar 12 : Matriks Citra Asal dikonvolusi ke

Mask Dengan Laplacian

Berikut ini fragmen program Laplacian dari b. Proses Pelatihan

Matlab yaitu :

4. Perancangan
4.1. Analisis Pengujian

b. Proses Pengujian
Gambar 13 : Diagram Use Case dari Aplikasi

4.2. Masukan Citra dan Uji Pengenalan Wajah

Untuk melakukan pengenalan wajah, maka dalam
database terlebih dahulu dikumpulkan sejumlah citra
AnalisaSistemPengenalanWajahBerbentukCitraDigitalDenganAlgoritmaPrincipal 119
ComponentsAnalysis.Oleh:SinarSinurat
Volume : III, Nomor : 1, Mei 2014
berbentuk wajah yang digunakan sebagai citra
referensi. Citra tersebut berbentuk format JPEG/
JPG, BMP. Citra dengan format tersebut dapat
dikonversi dengan Adobe Photoshop termasuk untuk
pengubahan ukuran dan atribut-atribut lainnya yang
dibutuhkan dalam proses pengenalan.
Tabel 3: Daftar Citra Hitam Putih
Tabel 4: Daftar Citra Warna
Citra yang dimasukkan dalam database (folder
rujukan) adalah citra hitam putih dan citra warna
yang disimpan dalam sub folder yang berbeda.
Adapun citra yang diuji sebagai sampel dalam
penelitian ini sebanyak 29 buah citra warna dan 29
buah citra hitam putih, ditunjukkan pada tabel 4.1
dan tabel 4.2.
AnalisaSistemPengenalanWajahBerbentukCitraDigitalDenganAlgoritmaPrincipal
ComponentsAnalysis.Oleh:SinarSinurat
Majalah Ilmiah
Informasi dan Teknologi Ilmiah (INTI)
ISSN : 2339-210X
Dari tabel tabel 4.1 dan tabel 4.2, dapat dilihat
bahwa keakuratan dalam pengenalan citra wajah
sangat dipengaruhi oleh konstruksi fitur-fitur dalam
citra. Ada kalanya bahwa dalam citra terdapat model
fitur yang benar-benar menyerupai wajah walau
sebenarnya bukan wajah bila dilihat secara kasat
mata.
Untuk menghitung Persentase total keakuratan
untuk semua citra digunakan rumus berikut :
Jumlah _ citra _ berhasil _ dikenali
% Pengenalan _ Citra _ Total = x100 %
Jumlah _ Citra _ yang _ diuji
Untuk menghitung Persentase keakuratan per citra
untuk semua citra digunakan rumus 5.4 adalah
:
Jumlah _ wajah _ berhasil _ dikenali
% Pengenalan _@ Citra = x100 %
Jumlah _ wajah _ yang _ diuji
Berikut disajikan rincian persentasi pengenalan
citra untuk citra hitam putih dan warna disajikan
pada tabel 5 dan tabel 6 sebagai berikut :
Tabel 5 : Persentasi Pengenalan Citra Hitam Putih
Tabel 6 : Persentasi Pengenalan Citra Warna
5. Kesimpulan dan Saran.
5.1 Kesimpulan
Berdasarkan uraian dan analisa data yang telah
diperoleh pada penelitian ini dapat disimpulkan
sebagai berikut :
1. Pengenalan citra wajah tunggal akan lebih mudah
dan akurat dikenali bila dibandingkan dengan
pengenalan citra wajah banyak.
2. Pengenalan citra wajah tanpa latar belakang
objek lain lebih mudah dan akurat bila
dibandingkan dengan citra wajah dengan latar
belakang objek bervariasi, hal ini dimungkinkan
120
Volume : III, Nomor : 1, Mei 2014
karena objek-objek tersebut ada kemungkinan
menyerupai fitur wajah manusia.
3. Kesalahan proses segmentasi wilayah fitur wajah
sering terjadi bila wilayah latar belakang ataupun
pakaian memiliki kemiripan fitur wajah manusia.
4. Wilayah yang posisinya jauh dan terlihat kecil
dalam citra referensi sulit terdeteksi sebagai
wilayah wajah serta jumlah lubang (hole) yang
lebih besar atau sama dengan satu akan
mempunyai kemungkinan besar terdeteksi
sebagai wilayah wajah, meskipun wilayah [3]
tersebut sebenarnya bukan wilayah wajah.
5. Wilayah posisi wajah yang berada dalam latar
belakang yang terlalu genap dapat mempengaruhi
akurasi pengenalan wajah. [4]
6. Waktu proses yang tergolong cukup lama
diakibatkan banyaknya algoritma yang dapat
digunakan untuk mendeteksi wajah pada citra.
[5]
5.2. Saran
Dari analisa dan hasil pengujian terhadap sistem
pendeteksian wajah manusia dan kesimpulan yang
dikemukakan sebelumnya, sehingga diusulkan
beberapa saran agar penelitian dapat dilajutkan
sebagai berikut :
1. Untuk pengembangan yang lebih lanjut,
penelitian pengenalan wajah ini dapat
menggunakan objek tiga dimensi sebagai input.
2. Adanya metode atau algoritma lain yang [6]
mungkin lebih singkat dan lebih akurat sehingga
hasil yang diperoleh lebih sesuai dengan yang
diinginkan (error yang sangat kecil).
3. Jika mungkin algoritma PCA ini
dipertimbangkan untuk objek citra wajah
sebagian tertutup, misalnya menggunakan topi,
kaca mata hitam dan sudut kemiringan
pandangan terhadap kamera sampai 450.
4. Untuk pengembangan penelitian ini, selain
menampilkan wajah orang juga bisa [7]
menampilkan identitas dan informasi orang yang
memiliki wajah tersebut tersebut.
6. Daftar Pustaka
[1] GreeceUniversity. Principal Component
Analysis Of Precipitation In Thessaly Region [8]
(Central Greece). 1Department of Mountain
Water Management and Control. Faculty of
Forestry and Natural Environment Aristotle
University of Thessaloniki, GreeceUniversity
Campus Box 268, 54124 Thessaloniki, Greece. [9]
2
Dept. of Forestry and Natural Environment
Management Technological Educational
Institute of Kavala1st Km-Dramas Microhoriou,
Drama, Greece, 66100.
[2] D. Stathis1,* D. Myronidis2. Principal
Component Analysis of Precipitation in
Thessaly Region (central greece).
1
Department of Mountain Water Management
and Control Faculty of Forestry and Natural
AnalisaSistemPengenalanWajahBerbentukCitraDigitalDenganAlgoritmaPrincipal
ComponentsAnalysis.Oleh:SinarSinurat
Majalah Ilmiah
Informasi dan Teknologi Ilmiah (INTI)
ISSN : 2339-210X
Environment Aristotle University of
Thessaloniki, Greece University Campus Box
268, 54124 Thessaloniki, Greece. 2Department
of Forestry and Natural Environment
Management Technological Educational
Institute of Kavala1st Km-Dramas
Microhoriou, Drama, Greece, 66100. E-Mail:
dstatis@for.auth.gr. Global NEST Journal, Vol
11, No 4, pp 467-476, 2009. Copyright 2009
Global NEST Printed in Greece.
Menser, B and F. Muller, Face Detection In
Color Images Using Principal Components
Analysis, Aachen university of technology
(RWTH), Germany.
Ming-Hsuan Yang, David J. Kriegman.
Detecting Faces in Images: A Survey, Senior
Member, IEEE, and Narendra Ahuja, Fellow,
IEEE.
Dhian Widya dan T. Basaruddin. Metode
Principal Component Analysis (PCA) Dengan
Pertubasi Singular Value Decomposition
(SVD) Untuk Pengenalan Wajah. Fakultas
Ilmu Komputer, Universitas Indonesia Kampus
UI, Depok 16424, Indonesia. E-Mail :
dhian.widya@ui.ac.edu dan chan@cs.ui.ac.id.
Proceeding of National Conference On
Computer Science and Information Technology
2007.
Kartika Gunadi, Sonny Reinard
Pongsitanan.. Pembuatan perangkat lunak
pengenalan wajah menggunakan Principal
Components Analysis. Fakultas Teknologi
Industri, Jurusan Teknik Informatika-
Universitas Kristen Petra. E-Mail:
kgunadi@peter.petra.ac.id. Alumnus Fakultas
Teknologi Industri, Jurusan Teknik Elektro-
Universitas Kristen Petra. E-Mail :
sy_reinard_p@hotmail.com.
Setyo Nugroho, Penerapan Algoritma
Quickprop pada Jaringan Syaraf Tiruan untuk
Mendeteksi Wajah Manusia. MAKALAH
SEMINAR. The 6th Seminar on Intelligent
Technology and Its Applications (SITIA 2005)
Jurusan Teknik Elektro Institut Teknologi
Sepuluh Nopember Surabaya.
Wikaria Gazali dan Lily. Perancangan
Program Aplikasi Pengenalan Wajah
Berbasiskan Jaringan Syaraf Tiruan Dengan
Menerapkan Metode Principal Component
Analysis.
Ashraf. K. Helmy and GH.S.El-Taweel.
Authentication Scheme Based on Principal
Component Analysis for Satellite Images.
International Journal of Signal Processing,
Image Processing and Pattern Recognition Vol.
2, No.3, September 2009 National Authority of
Remote Sensing and Space Sciences, Cairo,
Egypt Faculty of Computers and Informatics,
Sues Canal University, Ismailia, Egypt.
121
Volume : III, Nomor : 1, Mei 2014 Majalah Ilmiah
Informasi dan Teknologi Ilmiah (INTI)
ISSN : 2339-210X

akhelmy@narss.sci.egghada_el11@hotmail.co first published 2009, A John Wiley and Sons,

m. Ltd, Publication
[10] Dewi Agushinta R.1, Adang Suhendra2, [21] Munir, Rinaldi, Pengolahan Citra Digital,
Yuhilza Hanum3. Facial Feature Distance Informatika, 2004
Extraction as a Face Recognition System [22] Roman Louban, Image Processing of Edge
Component. Department of Informatics, and Surface Defects : Theoritical Basis of
Gunadarma University Jl. Margonda Raya No. Adaptive Algorithms with Numerous Practical
100, Pondok Cina, Depok 16424 West Java, Application, Springer Springer Series in
Indonesia. Materials Science ISSN 0933-033X, 2009.
[11] Eri Prasetyo, Isna Rahmatun. Desain [23] Tinku Acharya, Ajoy k. Ray, Image
Sistem Pengenalan Wajah Dengan Variasi Processing : Principles and Application,
Ekspresi dan Posisi Menggunakan Metode Avisere, Inc. Tucson, Arizona And Department
Eigenface. Universitas Gunadarma Jl. of Electrical Engineering Arizona State
Margonda Raya 100 Depok. email : UniversityTempe, Arizona; Avisere, Inc.
eri@staff.gunadarma.ac.id. Tucson, Arizona And Electronics and Electrical
[12] Gaurav Aggarwal, Amit K. Roy Communication Engineering Department
Chowdhury. A System Identification Indian Institute of Technology Kharagpur,
Approach for Video-based Face Recognition, India; 2005
Dept. of Computer Science University of
Maryland College Park, MD
gaurav@cs.umd.edu ; Dept. of Electrical
Engineering University of California Riverside,
CA amitrc@ee.ucr.edu ; Rama Chellappa Dept.
of ECE University of Maryland College Park,
MD rama@cfar.umd.edu.
[13] Guo-Dong Guo And Hong-Jiang Zhang.
Boosting for Fast Face Recognition.
Microsoft Research China 5F, Beijing Sigma
Center No. 49, Zhichun Road, Haidian District
Beijing 100080, P.R.China ; E-mail:
guodong_guo@yahoo.com.
[14] Javier Ruiz-Del-Solar And Julio Quinteros.
Illumination Compensation and
Normalization in Eigenspace-based Face
Recognition : A comparative study of different
pre-processing approaches. Department of
Electrical Engineering, Universidad de Chile.
Email: jruizd@ing.uchile.cl.
[15] Juwei lu, Member, IEEE, K. N. Plataniotis.
Ensemble-Based Discriminant Learning With
Boosting for Face Recognition. IEEE
transactions on neural networks, vol. 17, no. 1,
January 2006. Senior Member, IEEE, A. N.
Venetsanopoulos, Fellow, IEEE, and Stan Z.
Li.
[16] Bogusaw Cyganek and J. Paul Siebert; An
Introduction to 3D Computer Vision
Techniques and Algorithms; John Wiley &
Sons, Ltd. ISBN: 978-0-470-01704-3; 2009
[17] Hjelmas, E., Low, B.K., Face Detection: A
Survey, Computer Vision and Image
Understanding. 83, pp. 236-274. 2001
[18] Haykin, Simon, Neural Networks: A
Comprehensive Foundation 2nd, Pearson
Prentice Hall, 200
[19] Mark S. Nixon, Alberto S. Aguado, Feature
Extraction and Image Processing, Flanta Tree,
First edition 2002
[20] Roberto Brunelli, Template Matching
Techniques In Computer Vision, This edition
AnalisaSistemPengenalanWajahBerbentukCitraDigitalDenganAlgoritmaPrincipal 122
ComponentsAnalysis.Oleh:SinarSinurat