BAB 2
LANDASAN TEORI
2.1 Folder
Sebuah directory (folder) adalah seperti ruangan-ruangan (kamar-kamar) pada sebuah komputer yang berfungsi sebagai tempat penyimpanan dari berkas-berkas (file). Sedangkan file adalah kumpulan data-data baik berupa teks, angka, gambar, video, slide, program, dan lain-lain yang diberi nama tertentu secara digital (Daniel. C dan Angkasa. W. P. 2009). Folder pada dasarnya dapat diakses oleh semua pengguna dari komputer. Oleh sebab itu tingkat keamanan data-data yang terdapat dalam sebuah folder masih belum ada. Kemajuan Teknologi dapat dimanfaatkan untuk menjaga kemanan sebuah folder. folder pada window sejarahnya dimulai ketika Microsofot merilis windows XP. Windows XP pertama kali dirilis pada 25 Oktober 2001, dan lebih dari 400 juta salinan instalasi digunakan pada Januari 2006, menurut perkiraan seorang analis IDC. Windows XP digantikan oleh Windows Vista, yang dirilis untuk pengguna volume license pada 8 November 2006, dan di seluruh dunia untuk masyarakat umum pada tanggal 30 Januari 2007. Banyak Original Equipment Manufacturer (OEM) dan juga penjual ritel menghentikan produksi perangkat dengan Windows XP pada tanggal 30 Juni 2008. Microsoft sendiri terus menjual Windows XP melalui Custom-built PC (OEM kecil yang menjual komputer rakitan) sampai dengan 31 Januari 2009. Windows XP mungkin akan tetap tersedia bagi para pengguna korporasi dengan volume licensing, sebagai sarana downgrade untuk komputer-komputer yang belum siap menjalankan sistem operasi baru, Windows Vista Business Edition atau Ultimate Edition atau Windows 7.
Universitas Sumatera Utara
7
2.2 Keamanan Folder
Keamanan folder merupakan salah satu cara untuk memberikan satu sistem keamanan kepada folder yang berguna untuk mengamankan data atau file- file yang bersifat rahasia dan penting. Dalam penerapannya, telah banyak cara untuk memberikan sistem keamanan terhadap folder, diantaranya dengan memberikan password berupa huruf/ angka, atau dengan menyembunyikan folder tersebut sehingga tidak kelihatan oleh orang lain (Daniel. C, et al. 2009). Seiring berkembangnya kemajuan teknologi, sudah banyak situs yang menyediakan aplikasi pembantu untuk memberikan keamanan terhadap folder. Keamanan folder adalah keadaan dimana ada sebuah software yang dapat mengunci folder (directory) beserta dengan file di dalamnya sehingga tidak dapat diakses oleh sembarang orang. Jika ada yang hendak mengakses folder yang dikunci tersebut, maka user harus membuka folder tersebut terlebih dahulu dengan memasukkan password yang telah dimasukkan sebelumnya.
2.3 Folder Lock dalam Windows
Folder Lock adalah sebuah software yang dapat mengunci Folder (Directory) beserta dengan file di dalamnya sehingga tidak dapat diakses oleh sembarang orang. Jika ada yang hendak mengakses folder yang dikunci tersebut, maka user harus membuka folder tersebut terlebih dahulu dengan memasukkan password yang telah dimasukkan sebelumnya. Bagi orang yang sering menggunakan komputer, tentunya telah mengetahui bahwa Folder (directory) memiliki attribute. Attribute itu dapat kita lihat dengan cara klik kanan pada salah satu folder kemudian pilih properties, maka akan terlihat attribute Folder Read-Only, Archive, & Hidden. Namun, tidak semua orang tahu. Windows memiliki attribute-attribute lain yang tidak ditampilkan. Salah satunya adalah attribute System (kadang disebut juga sebagai SuperHidden) yang biasa digunakan Windows untuk menyembunyikan komponen komponen. Folder penting bagi Windows. Pada pembuatan Folder Lock ini, attribute System juga akan diberikan
Universitas Sumatera Utara
8
pada folder yang dipilih, sehingga folder tidak akan tampak walaupun tanda “Show Hidden Folder” telah diberikan pada Folder Option. Dalam memberikan attribute System pada folder, function yang akan digunakan adalah function yang biasa diakses melalui cmd. Function tersebut adalah Function “attrib” yang menggunakan Attrib.exe yang berada pada folder %windir%/system32. Di dalam Windows sebenarnya terdapat suatu fungsi yang dapat digunakan untuk mengunci folder pribadi, sehingga tidak dapat diakses oleh orang yang tidak berkepentingan. Fungsi tersebut adalah dengan mengubah Access Permission dari folder tersebut. Sayangnya, fungsi ini hanya sedikit yang mengetahui dan hanya dapat berjalan pada HardDisk yang telah menggunakan sistem NTFS. Access Permission ini juga baru diaplikasikan mulai dari Windows XP. Cara kerja dari Access Permission ni mirip dengan Access Permission yang diberikan sewaktu pengguna login dengan Id yang berbeda pada sebuah komputer yang mempunyai sistem operasi Windows. Jika pengguna membuka Windows dengan suatu Id, maka pengguna tersebut tidak dapat mengakses folder milik Id lain. Perintah yang digunakan untuk menjalankan fungsi ini adalah CACLS.exe yang secara default telah ada pada Windows XP yang biasanya terletak pada “C:\windows\system32\”(dengan anggapan Windows diletakkan pada Drive C). Program CACLS ini merupakan singkatan dari Change Access Control ListS yang berfungsi untuk mengubah ACLs pada Windows. Secara sederhana, ACLs adalah sebuah daftar yang menjelaskan pengguna mana yang dapat mengakses suatu folder atau data tertentu. Yang artinya, pengguna bisa saja tidak memberikan access kepada orang lain(baca:account lain) terhadap milik pengguna tersebut ataupun sebaliknya. CACLS juga dapat digunakan walaupun pada komputer tersebut hanya memiliki satu account saja yang tidak perlu melalui login Windows. Hal ini dapat dilakukan dengan tidak memberikan Access Permission pada account itu sendiri, sehingga data atau folder tersebut tidak dapat diakses oleh siapapun pada komputer tersebut. CACLS dapat diakses dengan menggunakan command prompt. Untuk perintah lengkap dari CACLS juga dapat dilihat pada command prompt itu sendiri (Daniel. C dan Angkasa. W. P. 2011).
Universitas Sumatera Utara
9
2.4 Face Recognition
Face Recognition atau pengenalan wajah adalah salah satu teknologi biometrik yang telah banyak diaplikasikan dalam sistem security selain pengenalan retina mata, pengenalan sidik jari dan iris mata. Dalam aplikasinya sendiri pengenalan wajah menggunakan sebuah kamera untuk menangkap wajah seseorang kemudian dibandingkan dengan wajah yang sebelumnya telah disimpan di dalam database tertentu. Ada beberapa macam metoda pengenalan wajah yaitu neural network, jaringan syaraf tiruan, neuro fuzzy adaptif dan eigenface (Bayu. S, et al. 2011). Face perception adalah proses „mengenali wajah‟ dimana otak dan pikiran berusaha memahami dan menafsirkan wajah yang ada di hadapannya, terutama wajah manusia. Proporsi dan ekspresi wajah manusia dinilai penting untuk identifikasi awal mengenai kecenderungan emosional, kualitas kesehatan, ataupun beberapa informasi sosial. Wajah merupakan salah satu dari bagian tubuh manusia yang terdiri dari beberapa panca indera. Setiap manusia memiliki pola wajah yang berbeda. Itulah sebabnya wajah manusia dapat digunakan sebagai bagian penting yang dapat diidentifikasi untuk beberapa kepentingan yang bersifat personal dan penting. Salah satunya adalah keamanan untuk suatu folder menggunakan citra wajah. Banyak metode yang dapat digunakan dalam membangun sebuah Face Recognition diantaranya metode Embedded Hidden Markov Models, Eigenface, dan lain lain. Dalam penelitian ini, penulis akan membangun sebuah aplikasi yang berfungsi untuk menjaga keamanan folder menggunakan pencitraan wajah. Metode yang digunakan adalah metode Eigenface.
2.5 Principal Component Analysis (PCA)
PCA merupakan algoritma yang di dalamnya terdapat eigenface. Prinsip dasar dari algoritma PCA adalah memproyeksikan image ke dalam bidang ruang eigen- nya. Caranya adalah dengan mencari eigen vector yang dimiliki setiap image dan memproyeksikannya ke dalam ruang eigen yang didapat tersebut. Besarnya dimensi
Universitas Sumatera Utara
10
ruang eigen tergantung dari jumlah image yang dimiliki oleh program training (Purwanto, J, E). Perhitungan PCA dimulai dengan pembentukan matriks kovarians dari sekumpulan citra latih dalam basis-data. Untuk membuat matriks kovarians dapat dilakukan dengan mengurangkan setiap kolom dari matriks ruang citra dengan reratanya masing-masing sehingga didapatkan suatu matriks transformasi, kemudian mengalikan matriks hasilnya dengan transpos matriks tersebut sendiri. Jika dimisalkan matriks transformasinya adalah X, maka matriks kovariansnya adalah ∑X = XXT . Ide utama PCA adalah menemukan vektor dengan nilai terbaik untuk distribusi citra wajah dalam seluruh ruang citra. Vektor-vektor ini mendefinisikan subruang citra wajah atau biasa disebut dengan nama ruang wajah. Vektor ini mendefinisikan subruang dari citra-citra wajah dan subruang tersebut dinamakan ruang wajah. Identifikasi suatu citra uji, membutuhkan proyeksi suatu citra ke dalam ruang wajah untuk menentukan korespondensi kumpulan bobot-bobot. Dengan membandingkan kumpulan bobot-bobot wajah dalam training set, pengujian citra dapat diidentifikasi. Menurut Puri. F. T. 2011, Bentuk umum dari Principal Component Analysis (PCA) adalah sebagai berikut :
C=
- Ѱ) (
–Ѱ
Tujuan yang ingin dicapai adalah membangun sebuah ruang wajah, dengan setiap komponennya tidak saling berkorelasi. Ini berarti bahwa matriks kovarians dari komponen yang baru haruslah berbentuk diagonal.
2.6 Metode Eigenface
Kata Eigenface sebenarnya berasal dar bahasa Jerman “eigenvert” dimana “eigen” yang artinya karakteristik dan “wert” artinya nilai. Eigenface adalah salah satu algoritma pengenalan pola wajah yang berdasarkan pada Principal Component Analysis (PCA) yang dikembangkan di MIT (Prasetyo dan Rahmatun, 2007).
Universitas Sumatera Utara
11
Eigenface merupakan sekumpulan standardize dace ingredient yang diambil dari analisis statistik dari banyak gambar wajah. Dalam menghasilkan Eigenface, sekumpulan citra digital dari wajah manusia diambil pada kondisi pencahayaan yang sama kemudian dinormalisasikan dan diproses pada resolusi yang sama (misal m x n), kemudian citra tadi diperlakukan sebagai vektor dimensi m x n dimana komponennya diambil dari nilai piksel citra. Algoritma Eigenface secara keseluruhan cukup sederhana. Image matriks (
). Cari nilai rata-rata (Ѱ) dan gunakan untuk mengekstraksi
eigenvector(v) dan eigenvalue(λ) dari himpunan matriks. Gunakan nilai eigenvector untuk mendapatkan nilai Eigenface dari image. Apabila ada sebuah image baru atau test face ( (
) yang ingin dikenali, proses yang sama juga diberlakukan untuk image
), untuk mengektraksi eigenvector (v) dan eigenvalue (λ), kemudian cari nilai
Eigenface dari image test face (
). Setelah itu barulah image baru (
)
memasuki tahapan pengenalan dengan menggunakan metode euclidean distance. Metode euclidean distance digunakan untuk mencari jarak dengan data fitur yang telah didapat, dan jarak terkecil adalah hasilnya. (Kusumoputro dan sripomo, 2002). Di tahun 1933, Hotelling mengajukan sebuah teknik untuk mengurangi dimensi sebuah ruang yang direpresentasikan oleh variabel statistik x1, x2, . . . ., xn, dimana variabel tersebut biasanya saling berkorelasi satu dengan yang lain. Selanjutnya Hotelling menyebut metode tersebut sebagai Principal Component Analysis (PCA) atau kadang juga Transformasi Hotelling atau disebut juga Transformasi Karhunen – Loeve (Prasetyo, et al. 2007). Pengenalan wajah dengan pendekatan Eigenface dapat digolongkan dalam suatu metoda appearance-based, ini dikarenakan pengenalan wajah Eigenface menggunakan informasi mentah dari pixel citra yang kemudian direpresentasikan dalam metode tertentu (misalnya Principal Component Analysis (PCA), transformasi wavelet, dll) yang selanjutnya digunakan untuk pelatihan dan klasifikasi indentitas citra. Ide dari metode ini adalah memproyeksikan sebuah wajah yang merupakan sebuah citra dapat dilihat sebagai sebuah vektor. Metode PCA yang juga dikenal dengan nama Karhunen-Loeve transformation (KLT), sudah dikenal sejak 30 tahun lalu dalam dunia pengenalan pola. PCA memberikan transformasi ortogonal yang disebut dengan „eigenimage„ yang mana sebuah image direpresentasikan kedalam bentuk proyeksi linier searah dengan
Universitas Sumatera Utara
12
eigenimage yang bersesuaian dengan nilai eigen terbesar dari matrix covariance. Secara praktis matrix covariance ini dibangun dari sekumpulan image training yang diambil dari berbagai obyek/kelas. Pada metode ini setiap citra wajah dianggap sebagai vektor yang panjang, nantinya akan di representasikan sebagai satu titik pada dimensi tinggi. Karena fitur yang akan dihasilkan terletak dalam dimensi tinggi maka perlu dilakukan reduksi dimensi-dimensi fitur yaitu, Principal Component Analysis (PCA), (M. Turk and A. Pentland, 1991). Selain itu model wajah dipelajari melalui proses training dengan menggunakan satu set data pelatihan yang berisi contoh-contoh wajah. Kemudian hasil training ini digunakan untuk pengenalan wajah. Proses identifikasi image wajah adalah sebagai berikut: 1.
Pengambilan Citra Wajah Pengambilan citra wajah adalah proses pengambilan wajah yang akan digunakan sebagai password untuk membuka folder. Pengambilan citra wajah menggunakan Web Camera atau yang sebagaimana biasa disingkat sebagai webcam. Webcam merupakan kamera kecil yang terdapat di komputer. Alat ini digunakan untuk mengambil gambar untuk digunakan sebagai kunci untuk mengakses keamanan folder dalam aplikasi ini. Pengenalan wajah adalah suatu pengenalan pola yang khusus untuk kasus wajah. Ataupun sebagai pengklasifikasian suatu wajah apakah dikenali (know) atau tidak dikenali (unkwon), dimana setelah dibandingkan kemudian disimpan secara tersendiri. Pada sistem dibagi menjadi dua, yaitu sistem feature based dan image based. Sistem yang pertama digunakan fitur yang diekstraksi dari komponen citra wajah (mata, hidung, mulut, dll) kemudian hubungan antara fitur-fitur tersebut dimodelkan secara geometris. Sedangkan sistem kedua menggunakan informasi mentah dari piksel citra (webcam) kemudian dipresentasikan dalam metode tertentu seperti Principal Component Analysis (PCA), transformasi wavelet yang kemudian digunakan untuk klasifikasi identitas citra. Pada metode ini, model wajah dipelajari melalui proses training dengan menggunakan satu set data pelatihan yang berisi contoh-contoh wajah. Kemudian hasil training ini digunakan untuk pengenalan wajah. Yang termasuk dengan metode Eigenface.
Universitas Sumatera Utara
13
Algoritma Eigenface memanfaatkan Principal Component Analysis (PCA) untuk mereduksi dimensinya guna menemukan vektor-vektor yang mempunyai nilai terbaik untuk distribusi citra wajah didalam ruang citra masukan. PCA menemukan vektor dengan nilai terbaik untuk distribusi citra wajah dalam seluruh ruang citra. Vektor-vektor ini mendefenisikan subruang citra wajah atau biasa disebut dengan ruang wajah. 2.
Input Citra Input citra merupakan proses memasukkan gambar yang diambil dari webcam. Aplikasi ini membutuhkan input pengambilan gambarwajah sebanyak 3 kali. Jika gambar sipengguna sudah terdapat di database, maka gambar wajah yang diinput akan disesuaikan dengan gambar yang sudah ada di database, dan jika sesuai maka folder bisa dibuka.
3.
Dilation Jika gambar wajah belum terdapat di database, maka proses akan berlanjut ke Dilation. Proses ini merupakan proses normalisasi image (gambar). Pada proses ini ukuran dari gambar wajah yang diinput akan diseragamkan dengan menggunakan ukuran 80 x 80 piksel.
4.
Grayscale Tahapan berikutnya adalah pengubahan warna gambar menjadi grayscale. Tahapan ini termasuk ke dalam tahapan normalisasi image juga.Pada tahapan ini, gambar yang telah diseragamkan uzkurannnya akan diturunkan kualitas warnanya menjadi tipe grayscale. Tujuan dari penurunan kualitas warna menjadi tipe grayscale adalah untuk memudahkan pengenalan pola wajah.
5.
Eigenface Feature Extraction Pada metode ini setiap citra wajah dianggap sebagai vektor yang panjang, nantinya akan di representasikan sebagai satu titik pada dimensi tinggi. Karena fitur yang akan dihasilkan terletak dalam dimensi tinggi maka perlu dilakukan reduksi dimensi-dimensi fitur yaitu, Principal Component Analysis (PCA), (M. Turk and A. Pentland, 1991). a. Kalkulasi Eigenface Tujuan kalkulasi Eigenface adalah untuk menentukan nilai Eigenface dari image wajah. b. Hitung Euclidean Distance
Universitas Sumatera Utara
14
Setelah nilai dari kalkulasi Eigenface diperoleh, maka tahapan selanjutnya adalah menghitung Euclidean Distance untuk mencari selisih terkecil antara titik yang satu dengantitik lain. Setelah proses eigenface selesai, maka pola gambar wajah akan tersimpan di database. 6.
Matching Pada tahapan ini, aplikasi akan menyesuaikan pola wajah untuk membuka ataupun menutup sebuah folder (lock / unlock folder).
2.7 Penelitian Terdahulu
Penulis memiliki beberapa referensi dari beberapa penelitian terdahulu, mengenai pengenalan wajah maupun pencitraan wajah untuk membangun aplikasi Keamanan Folder pada penelitian ini dapat dilihat pada tabel 2.1.
Tabel 2.1 Penelitian Terdahulu Peneliti Terdahulu
Judul Sistem
Indra, 2012
Pengenalan
Wajah
Dengan
Metode Eigenface Untuk Absensi Pada Pt Florindo Lestari
Jemmy E.Purwanto
Pengenalan Dengan
Wajah Melalui Menggunakan
Webcam Algoritma
Pricipal Component Alaysis (PCA) Dan Linier Discriminant Analysis (LDA) Setya Bayu 1, Akhmad Hendriawan 2 , Ronny Susetyoko 2
Penerapan face recognition dengan metode eigenface dalam Intelligent home security
Universitas Sumatera Utara
