Professional Documents
Culture Documents
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. Bagaimana menerapkan algoritma PCA dalam tubuh seseorang, data dalam suatu file BMP (Bitmap)
rancangan aplikasi perangkat lunak dengan input mewakili apa yang digambarkannya.
citra berdasarkan pola input ? Citra sebagai keluaran dari suatu sistem
2. Bagaimana aplikasi dapat mendeteksi/ mengenali perekaman data dapat bersifat :
pola citra ? 1. Optik berupa foto/ gambar
2. Analog berupa sinyal video seperti gambar pada
1.4. Batasan Masalah monitor televisi
Agar penelitian tidak menyimpang dari konten 3. Digital yang dapat langsung disimpan pada
perumusan masalah maka beberapa batasan masalah media penyimpan magnetik
sebagai berikut :
1. Masukan citra adalah citra digital kecuali tipe Citra juga dapat dikelompokkan menjadi 2
TIF dan GIF, karena jumlah warna di bawah 256 bagian yaitu :
dan terdapat gradien (perubahan warna). 1. Citra tampak (foto, gambar, lukisan, apa yang
2. Masukan Citra digital dengan tingkat keabuan nampak di layar monitor/ televisi, hologram ,
(gray level) 256 level intensitas (batas normal dan lain-lain)
mata manusia). 2. Citra tidak tampak (data foto/ gambar dalam file,
3. Masukan citra digital dalam kategori dua citra yang direpresentasikan dalam fungsi
dimensi, untuk citra berwarna maupun citra matematis)
hitam putih. Citra digital adalah suatu citra f(x,y) yang
4. Posisi citra wajah menghadap kamera (frontal memiliki koordinat spatial, dan tingkat kecerahan
face images), posisi tegak, dan tidak terhalangi yang diskrit. Fungsi f(x,y), dapat dilihat sebagai
bagian objek lain, misalnya topi, kaca mata fungsi dengan dua unsur. Unsur yang pertama
hitam dan lain sebagainya. merupakan kekuatan sumber cahaya yang
5. Objek citra dua dimensi dibatasi oleh kurva melingkupi pandangan kita terhadap objek
tertutup dan kontur objek pada posisi berbeda (illumination). Unsur yang ke dua merupakan
dalam setiap pengamatan. besarnya cahaya yang direfleksikan oleh objek ke
dalam pandangan (reflectance components).
1.5. Metode Penelitian Keduanya dituliskan sebagai fungsi i(x,y) dan r(x,y),
Metode pengumpulan data dilakukan adalah : yang digabungkan sebagai perkalian fungsi untuk
1. Pengumpulan topik-topik terkait : dimensi, membentuk fungsi f(x,y). Fungsi f(x,y), dapat
teknik reduksi, pengenalan pola, bentuk dituliskan dengan persamaan :
penerapan formulasi PCA, klassifikasi objek, f(x,y) = i(x,y) * r(x,y) di mana : 0 < i(x,y) < dan
penentuan atribut berupa size, kontras, resolusi 0 < r(x,y) < 1
dan lain sebagainya. Citra digital merupakan suatu matriks yang
2. Mengoleksi data citra dan menyeleksinya sesuai terdiri dari baris dan kolom, setiap pasangan indeks
dengan persyaratan dalam batasan berupa baris dan kolom menyatakan suatu titik pada citra.
resizing window menjadi maksimum 20 x 20, Nilai matriksnya menyatakan nilai kecerahan titik
masking, dan histogram equalization. tersebut. Titik-titik tersebut dinamakan sebagai
3. Menyusun dan mengelompokkan formula untuk elemen citra, atau pixel (picture element). [Gonzales
setiap item proses, serta membuat rancangan and Woods, 2002].
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 Gambar1 : Analisa Model Citra
validasi. (Sumber : Pengolahan Citra oleh Indawati
6. Mengukur unjuk kerja sebagai bentuk Hestiningsih)
kesimpulan proyek sistem pendeteksi wajah
dengan menghitung detection rate dan false 2.2. Histogram Equalization
positif rate. Histogram equalization untuk melakukan
perluasan kontras citra (contrast strecthing) secara
2. Dasar Teoritis otomatis. Setelah melalui persamaan histogram, citra
2.1 Citra Digital akan memiliki histogram yang lebih seragam.
Citra adalah suatu representasi, kemiripan, atau [Gonzalez, 2002]. Misalkan r adalah nilai graylevel
imitasi dari suatu objek atau benda yang dapat pixel citra yang akan diproses, dan pr(rk) adalah
ditampilkan pada bidang dua atau tiga dimensi probabilitas munculnya level grayscale rk di dalam
(dwimatra atau trimatra) [Kamus Webster]. citra.
Representasi citra dalam bentuk lain misalnya : foto nk
mewakili entitas diri seseorang di depan kamera, foto Pr (rk ) = ; 0rk1 dan k=0,1,2,.,L-1
sinar-X thorax mewakili keadaan bagian dalam n
AnalisaSistemPengenalanWajahBerbentukCitraDigitalDenganAlgoritmaPrincipal 113
ComponentsAnalysis.Oleh:SinarSinurat
Volume : III, Nomor : 1, Mei 2014 Majalah Ilmiah
Informasi dan Teknologi Ilmiah (INTI)
ISSN : 2339-210X
f. Database : Berisi kumpulan citra wajah. penelitian yang berkaitan dengan pemrosesan wajah
(face processing) [Yang, 2002] adalah :
2.5 Pengenalan Wajah Dengan Pendekatan 1. Pengenalan wajah (face recognition) yaitu
Principal membandingkan citra wajah masukan dengan
Pengenalan wajah secara kognitif secara khusus suatu database wajah dan menemukan wajah
dalam bentuk objek tiga dimensi akan menghasilkan yang paling cocok dengan citra masukan tersebut.
karakteristik data sensor sebagai berikut : 2. Autentikasi wajah (face authentication) yaitu
a. Secara tipikal berisi sejumlah wajah menguji keaslian/ kesamaan suatu wajah dengan
b. Orientasinya berubah-rubah dalam ruang (space) data wajah yang telah diinputkan sebelumnya.
(pose) 3. Lokalisasi wajah (face localization) yaitu
c. Seringkali terjadi data corruption seperti : gap, pendeteksian wajah namun dengan asumsi hanya
outlier, ripples. ada satu wajah di dalam citra
d. Perubahan formasi permukaan wajah karena : 4. Penjejakan wajah (face tracking) yaitu
kaca mata, tata rias rambut, dan jenggot memperkirakan lokasi suatu wajah di dalam
video secara real time.
Pengenalan wajah 3-dimensi dengan Feature 5. Pengenalan ekspresi wajah (facial expression
Extraction sebagai berikut : recognition) untuk mengenali kondisi emosi
a. Bagian lokalisasi facial dari 3D-Shape manusia.
b. Bagian wajah yang dirapikan dengan sejumlah
orientasi 3. Implementasi
c. Preprocess shape untuk mengeliminasi 3.1. Algoritma Eigenface Untuk Pengenalan
kekurangan-kekurangan data (smoothing) Wajah
d. Aplikasi sejumlah operator ekstraksi sejumlah Algoritma pengenalan wajah ini dimulai dengan
permukaan (mengurangi dimensi input pada membuat matriks kolom dari wajah yang
klassifikasi) dimasukkan ke dalam basis data, seperti yang
ditunjukkan Gambar 2.16. Rata-rata vektor citra dari
Pengenalan wajah dengan cara lokalisasi, dapat matriks kolom selanjutnya dicari menggunakan
diuraikan dengan : Persamaan (1), dengan M, banyaknya citra wajah di
a. Fitur-fitur 2D yang tersedia dalam basis data. Rata-rata vektor citra akan
b. Penugasan dari lokalisasi fitur lebih banyak digunakan untuk menghitung selisihnya dengan
menyulitkan daripada shape 3D, perhatikan masing-masing matriks kolom citra, menggunakan
gambar berikut : 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
a. Tranformasi Citra 2D Menjadi Lokalisasi Citra 3D
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
b. Pengenalan Wajah 3D dari Hasil Perapian Z N = e Tz (YN m N 2 )
Vektor eigen direduksi menggunakan persamaan
Gambar 4. Penggunaan Fitur 2D lokalisasi 3D Zn yang merupakan matriks dari vektor eigen. Vektor
Sumber : Juergen Richter; Advanced In Face direkonstruksi menggunakan persamaan Zn
Recognition Research Pendekatan untuk mengenali wajah berikut
operasi-operasi inisialisasi yaitu :
2.6. Deteksi Wajah 1. Ambil suatu set inisial dari citra wajah (training
Pendeteksian wajah (face detection) adalah salah set).
satu tahap awal sebelum dilakukan proses 2. Hitung eigenface dari training set, simpan M
pengenalan wajah (face recognition). Bidang citra untuk mendefenisikan face space.
AnalisaSistemPengenalanWajahBerbentukCitraDigitalDenganAlgoritmaPrincipal 115
ComponentsAnalysis.Oleh:SinarSinurat
Volume : III, Nomor : 1, Mei 2014 Majalah Ilmiah
Informasi dan Teknologi Ilmiah (INTI)
ISSN : 2339-210X
AnalisaSistemPengenalanWajahBerbentukCitraDigitalDenganAlgoritmaPrincipal 116
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
3.3.2. Operasi Perhitungan Laplacian Proses perkalian konvolusi = 271 ; nilai ini dihitung
Misalkan citra yang berukuran 5x5 pixel dan dengan cara berikut :(-1x46) + (-1x57) + (-1x80) + (-
sebuah mask laplace yang berukuran 3x3, maka 1x50) + (8x98) + (-1x141) + (-1x201) + (-1x235) +
operasi konvolusi pada citra dengan mask dari (-1x245) = 271
laplace direpresentasikan ke dalam bentuk matrik
dalam gambar 11 sebagai berikut :
4. Perancangan
4.1. Analisis Pengujian
b. Proses Pengujian
Gambar 13 : Diagram Use Case dari Aplikasi
berbentuk wajah yang digunakan sebagai citra Dari tabel tabel 4.1 dan tabel 4.2, dapat dilihat
referensi. Citra tersebut berbentuk format JPEG/ bahwa keakuratan dalam pengenalan citra wajah
JPG, BMP. Citra dengan format tersebut dapat sangat dipengaruhi oleh konstruksi fitur-fitur dalam
dikonversi dengan Adobe Photoshop termasuk untuk citra. Ada kalanya bahwa dalam citra terdapat model
pengubahan ukuran dan atribut-atribut lainnya yang fitur yang benar-benar menyerupai wajah walau
dibutuhkan dalam proses pengenalan. sebenarnya bukan wajah bila dilihat secara kasat
mata.
Tabel 3: Daftar Citra Hitam Putih Untuk menghitung Persentase total keakuratan
untuk semua citra digunakan rumus berikut :
Jumlah _ citra _ berhasil _ dikenali
% Pengenalan _ Citra _ Total = x100 %
Jumlah _ Citra _ yang _ diuji
AnalisaSistemPengenalanWajahBerbentukCitraDigitalDenganAlgoritmaPrincipal 120
ComponentsAnalysis.Oleh:SinarSinurat
Volume : III, Nomor : 1, Mei 2014 Majalah Ilmiah
Informasi dan Teknologi Ilmiah (INTI)
ISSN : 2339-210X