PENGENALAN WAJAH DENGAN MENGGGUNAKAN METODE PRINCIPLE COMPONEN ANALYSIS (Face Recognition Using Principal Component Analysis) Halimah, Tekad Matulatan,M.info Tech Jurusan Informatika, Fakultas Teknik, Universitas Maritim Raja Ali Haji Jl. Politeknik Senggarang, Tanjungpinang 29115 Email :
[email protected];
[email protected] ABSTRAK Keamanan dalam membuat suatu sistem merupakan hal yang sangat penting. Pesatnya perkembangan software menjadikan keamanan sebagai kebutuhan dasar. Tidak ada sistem komputer yang dapat diamankan secara total, yang dapat dilakukan adalah membuat kesulitan bagi orang lain untuk mengganggu sistem komputer kita. Aplikasi yang banyak menggunakan keamanan yang tinggi salah satunya pengenalan diri. Pengenalan diri yang banyak dikembangkan sekarang ini lebih mengarah ke bagian biometrik manusia, salah satunya adalah mengenali wajah manusia. Sistem bisa mengenali wajah manusia yang telah terekam di dalam database. Dengan adanya pengenalan wajah ini, data seseorang tidak dapat dipalsukan. Aplikasi yang dibangun dalam penelitian ini digunakan untuk meneliti keakuratan pengenalan wajah. Metode yang digunakan dalam mengenali wajah seseorang adalah Principle Component Analisist. Dalam metode ini algoritma yang dipakai adalah Algoritma Eigenface. Berdasarkan penelitian yang dilakukan diperolah tingkat keberhasilan mengenali wajah sebesar 88% dari 25 kali ujicoba yang dilakukan. Kata Kunci : Pengenalan Wajah, Principle Component Analysis(PCA), Algoritma Egenface ABSTRACT Safety in making a system is very important. The rapid development makes software security as a basic necessity. No computer system can be completely secure, which can be done is to make it difficult for others to disrupt our computer systems. Many applications use high security one of them is self reconigtion. The reconigtion of self is much more developed now leads to the biometric humans, one of which is to recognize human faces. The system can recognize a human face that has been recorded in the database. With face recognition, one data cannot be faked. An application built in this study is used to examine the accuracy of face recognition. The method used to recognize a person's face is the Principle Component Analysis. In this method the algorithm is used Eigenface Algorithm. Based on the research conducted to recognize faces obtained a success rate of 88% of the 25 times the test is performed. Keywords: face recognition, Principle Component Analysis(PCA), Algorithm Egenface
I.
PENDAHULUAN
Pengenalan wajah merupakan proses identifikasi suatu benda yang sudah terdeteksi sebagai wajah atau bukan wajah dan kemudian di ketahui siapa yang terdapat dalam wajah tersebut. Dalam pengenalan wajah ini, terlebih dahulu mendeteksi letak suatu wajah dalam gambar. Deteksi wajah itu sendiri adalah proses pendeteksian wajah dan pencarian fitur yang selanjutnya ditandai menjadi citra terlacak sehingga bisa mengenali pola sebagai wajah atau bukan wajah. Viola dan jones, sudah mengembangkan penelitian mengenali deteksi wajah ini. metode yang di usung oleh keduanya adalah metode haar. Metode ini menjelaskan cara mencari objek wajah pada gambar sehingga dapat diketahui objek tersebut memiliki wajah atau bukan. Dan untuk mengenali wajah seseorang tersebut, penulis menggunakan metode Principle Component Analysis. II. METODE PENELITIAN
atau proses sementara UML (Unified Modelling Language) digunakan untuk membantu manggambarkan diagram sistem yang akan dibangun. 3. Fase Construction (Konstruksi) Pada fase ini dilakukan pembangunan sistem sesuai dengan perancangan yang telah dibuat dengan menggunakan bahasa pemrograman java. 4. Fase Transition (Transisi) Pada fase ini dilakukan proses instalasi, deployment dan sosialisasi perangkat lunak. Dalam tahap transisi akan diperoleh umpan balik dari pengguna yang dapat dimanfaatkan oleh perbaikan perangkat lunak. B. Perancangan Sistem Untuk memperoleh gambaran proses dalam sistem yang akan dibangun, maka sistem dimodelkan dengan use case diagram. Berikut rancangan sistem dengan use case diagram.
Pengenalan Wajah
A. Metode Pengembangan Sistem Metodologi yang digunakan dalam penelitian ini adalah metodologi RUP (Rational Unified Process) digunakan sebagai landasan dasar dalam melakukan pengembangan sistem. Fase-fase dalam metodologi RUP terdiri dari: 1. Fase Inception (Permulaan) Fase ini merupakan permulaan tahap pengembangan yaitu mendefinisikan batasan kegiatan, melakukan analisis kebutuhan pengguna, dan melakukan perancangan awal perangkat lunak (perancangan arsitektural dan use case). 2. Fase Elaboration (Perencanaan) Pada fase ini dilakukan perancangan sistem. Tahap ini menggunakan flowchart dan UML (Unified Modelling Language). Flowchart untuk menyatakan aliran data
Input Gambar
pengenalan Wajah User
Gambar 1. Use Case Pengenalan Wajah
Keterangan : Pada pengenalan wajah hanya ada satu actor yaitu user. User menginput gambar yang akan di kenali wajahnya. Kemudian actor akan mendapatkan hasil berupa wajah yang diketahui atau tidak.
Data Pelatihan Mulai Input Gambar Pelatihan
Capture Object Test Filter Gray
Penympanan Data User
Deteksi objek wajah dengan haar Membandingkan
Gambar 2. Use Case Data Pelatihan
Keterangan : Actor menginput wajah yang akan di jadikan gambar training. Gambar mengalami proses grayscale. Actor kemudian menyimpan gambar ke dalam database gambar.
Found
image test dengan image database
wajah
Not found
Wajah tidak dikenali atau belum terdata
Informasi Pemilik Wajah
Mulai
Berhenti
Capture Objek Wajah
Gambar 4.Flowchart Pengenalan Wajah Filter Gray
Deteksi Objek wajah dengan haar
wajah
Ekstraksi / Crop wajah
Berhenti
Gambar 3. Flowchart Data Pelatihan
Keterangan : Mengaktifkan kamera yang akan menjadi data pelatihan. Kamera ini bisa mengenali warna RGB yang terakses. Hasil capture kemudian dirubah ke dalam warna grayscale sehingga berubah menjadi hitam, keabuan sampai putih. Sistem akan mencari objek wilayah wajah pada gambar yang ditampilkan dengan metode Haar. Data wajah yang terdeteksi kemudian di ekstraksi atau di crop ke dalam picture box. Hasil perhitungan ini kemudian di simpan ke dalam database.
Keterangan : Mengaktifkan kamera yang menjadi data test. Kamera ini bisa mengenali warna RGB yang terakses. Sistem akan mencari objek wilayah wajah pada gambar yang ditampilkan dengan metode haar. Data wajah yang ditangkap kemudian di rubah dalam bentuk Grayscale yang menghasilkan warna hitam keabuan dan putih. Proses yang terjadi sama dengan proses pada saat pelatihan image. Hasil perhitungan ini kemudian di bandingkan dengan nilai yang ada di database. Nilai yang paling rendah dalam perbandingan ini yang di anggap mirip oleh sistem. III. PEMBAHASAN A. Deteksi Objek Wajah Hal pertama yang dilakukan dalam mendeteksi wajah adalah penginputan gambar yang berasal dari kamera atau upload file. RGB gambar dirubah kedalam bentuk grayscale untuk
mempermudah dalam pemrosesan image. Dari hasil grayscale tersebut, sistem mencari bagian yang terang dan gelap dan sistem akan melakukan scanning sehingga didapat fitur haar pada gambar. Untuk menentukan nilai fitur tersebut digunakan integral image. Nilai ini kemudian digunakan dalam proses klasifikasi haar cascade. Sehingga bagian yang memiliki unsur muka dikelompokan sehingga menghasilkan wajah pada gambar.
๐๐ข๐๐ : Eigenface image tes W : Data tes 5. Langkah terakhir dengan mengurangkan antara nilai egenface test dengan nilai egenface di database. ๐ท๐ = ๐๐ข๐๐ โ ๐๐ Keterangan : ๐ท๐ : jarak ๐๐ : eigenface data pelatihan C. Ujicoba Ujicoba dilakukan sebanyak 25 kali. Dimana setiap objek melakukan 5 kali pengetesan dengan ekspresi yang berbeda.
B. Pengenalan Wajah Dalam mengenali objek wajah, hasil deteksi wajah kemudian dibandingkan dengan wajah yang tersimpan di database. 1. Mengambil Data Menyiapkan data dengan membuat suatu himpunan S yang terdiri dari seluruh pelatihan gambar. S = (ฮ1, ฮ2, โฆ, ฮM) 2. Mencari Rata-rata 1 ฮจ=๐ ๐ ๐=1 ะ๐ Keterangan : ฮจ = rata โ rata M = Jumlah Data ฮ = data satu pelatihan gambar 3. Mencari Selisih antara Nilai Image dengan Nilai Rata-rata ๐ท๐ = ะ๐ โ ๐น Keterangan : ฮฆi = Nilai Selisih ะ๐ = Satu data pelatihan 4. Tahap Pengenalan Untuk mengenali wajah baru, caranya dengan membandingkan image test dengan yang ada di database. sebelumnya image test terlebih dahulu di cari nilai egenfacenya dengan persamaan : ๐๐ข๐๐ = ( ๐ โ ๐น)๐ Keterangan :
Tabel 1. Hasil Ujicoba Pengenalan Wajah dengan 3 Wajah Berbeda No 1.
2.
3.
4.
5
Kondisi Pengetesan Siang hari jam 14.00 dengan menggunakan lampu putih 15 watt dan tanpa menggunakan aksesoris ( topi dan kacamata) Siang hari pada jam 14.00 dengan menggunakan lampu kuning 15 watt dan tanpa menggunakan aksesoris ( topi dan kacamata) Siang hari pada jam 14.00 dengan menggunakan lampu putih 15 watt dan menggunakan aksesoris ( topi dan aksesoris ) Siang hari pada jam 14.00 dengan menggunakan lampu kuning 15 watt dan menggunakan aksesoris ( topi dan kacamata ) Siang hari pada jam 14.00, tanpa menggunakan lampu dan aksesoris ( topi dan kacamata )
Ujicoba Wajah 1 ๏ผ
Ujicoba Wajah 2 ๏ผ
Ujicoba Wajah 3 ๏ผ
๏ผ
๏ผ
๏ผ
๏ผ
๏ผ
๏ผ
X
๏ผ
๏ผ
๏ผ
X
๏ผ
Tabel 2 Hasil Ujicoba Pengenalan Wajah dengan Satu Wajah N o
1.
Nama Data base wajah Data1
2.
Data4
3.
Data3
4.
Data5
5
Data2
Kondisi Ujicoba
Siang hari jam 14.00 dengan menggunakan lampu putih 15 watt dan tanpa menggunakan aksesoris ( topi dan kacamata) Siang hari pada jam 14.00 dengan menggunakan lampu kuning 15 watt dan tanpa menggunakan aksesoris ( topi dan kacamata) Siang hari pada jam 14.00 dengan menggunakan lampu putih 15 watt dan menggunakan aksesoris ( topi dan aksesoris ) Siang hari pada jam 14.00 dengan menggunakan lampu kuning 15 watt dan menggunakan aksesoris ( topi dan kacamata ) Siang hari pada jam 14.00 , tanpa menggunakan lampu dan aksesoris ( topi dan kacamata )
Ujicoba ke-1
Ujicoba Ke-2
kegagalan. Dari 3 objek, 2 objek pengujian tidak dapat dikenali. 3. Hasil ujicoba 1 yang dilakukan sebanyak 15 kali dengan 3 objek wajah dan kondisi yang berbeda memiliki tingkat keberhasilan sebanyak 86,6667% dan hasil ujicoba 2 yang dilakukan sebanyak 15 kali dengan penambahan 5 kondisi yang berbeda pada database memiliki tingkat keberhasilan 86,6667%.
Ujicoba Ke-3
๏ผ
๏ผ
๏ผ
๏ผ
๏ผ
๏ผ
B.
๏ผ
X
๏ผ
๏ผ
๏ผ
๏ผ
IV.
KESIMPULAN DAN SARAN
A.
Kesimpulan
๏ผ
X
๏ผ
Penelitian yang dilakukan dalam menganalisis pengenalan wajah menggunakan metode Principle Component Analysis diperoleh bahwa : 1. Pengujian pada siang hari pukul 14.00 dengan tidak menggunakan lampu atau menggunakan lampu putih 15 watt dan lampu kuning 15 watt dan tanpa menggunakan aksesoris (kacamata dan topi) atau dengan aksesoris, objek bisa di kenali. 2. Pengujian pada siang hari pukul 14.00 dengan menggunakan lampu kuning dan dengan aksesoris (kacamata dan topi), pengenalan mengalami
Saran
Untuk pengembangan topik penelitian ini lebih lanjut, ada beberapa saran yang perlu disampaikan dengan harapan akan menjadi saran yang bermanfaat, yaitu : 1. Pengembangan aplikasi masih sangat mungkin dipergunakan untuk Sistem Absensi, Surat Keimigrasian, pembuatan Passport, Kartu Tanda Penduduk, bahkan pada bidang kedokteran dimana pengenalan sel kanker maupun identifikasi profil pasien. 2. Penelitian pengenalan wajah masih sangat mungkin untuk diteliti dengan membandingkan dengan metode pengenalan wajah lainnya, misalnya membandingakan metode Principle Component Analysis dengan metode Jaringan Syaraf Tiruan untuk memperoleh hasil yang lebih akurat. Daftar Pustaka Bradski, Gray And Andrian Kaehler.2008. โLearning Opencv: Computer Vision With The Opencv Libraryโ. OโRelly Media: United State Of America. Dmytro Peleshko And Kateryna Soroka. 2013. Research Of Usage Of Haar-Like Features And Adaboost Algorithm In Viola-Jones Method Of Object Detection, Publishing Information Technology Department. Lviv Polytechnic National University, Ukraine
Emgu, โMain Page Emgucvโ, Http://Www.Emgu.Com/Wiki/Index.Php/ Main_Page. Diakses Pada Tanggal 4 Maret 2013. Erik Hjelmas And Boon Kee Low. 2001. Face Detection :A Survey. Computer Vision And Image Understanding 83,236-274. University Of Oslo, Nowway And University Of Edinburgh, United Kingdom. Fewtutorials.Bravesites, โEmgucv With C#Tutorials Listโ, Http://Fewtutorials.Bravesites.Com/Tutor ials. Diakses Pada Tanggal 02 Juni 2012. Paul Viola And Michael J.Jones.2004. Robust Real-Time Face Detection. Internasional Journal Of Computer Vision 57(2).137154. Netherlands. Paul Viola Dan Michael Jones. 2001. Rapid Object Detection Using A Boosted Cascade Of Simple Features. Accepted Conference On Computer Vision And Pattern Recognition. Cambridge, MA. Porwik, Piotr And Agnieszka Lisowska. 2004. The Haar-Wavelet Transform In Digital Image Processing: Its Status And Achievements. Machine Graphics And Vision Vol.13, No.1/2,2004,Pp.79-98. University Of Silesia, Poland. Putra, Dharma. 2010. Pengolahan Citra Digital. Andi Yogyakarta: Yogyakarta. Rainer Lienhart, Alexander Kuranov And Vadim Pisarevsky. 2002. Empirical Analysis Of Detection Cascade Of Bosted Classifiers For Rapid Object Detection. MRL Technical Report. USA Rational the Software Development. 1998. Rational Unified Process. Lexington, MA.
RD. Kusumanto, Wahyu S. Pamudi Dan Alan N.Tompunu. 2012. Aplikasi Sensor Vision Untuk Deteksi Multiface Dan Menghitung Jumlah Orang. Seminar Nasional Teknologi Informasi & Komunikasi Teapan 2012 (Sematik 2012). Politeknik Negri Sriwijaya Dan Universitas Internasional Batam, Semarang. Ni Wayan Marti. 2010. Pemanfaatan GUI Dalam Pengenbangan Perangkat Lunak Pengenalan Citra Wajah Manusia Menggunakan Metode Eigenfaces. Seminar Nasional Aplikasi Teknologi Informasi 2010. Universitas Pendidikan Ganesha, Yogyakarta. Kang-Seo Park, Rae-Hong Park, Young-Gon Kim. 2011. Face Detection Using the 3x3 Block Rank Patterns of Gradient Magnitude Images and a Geometrical Face Model. IEEE International Conference on Consumer Electronics(ICCE). Abdul Fadlil dan Surya Yeki. 2010. Sistem Verivikasi Wajah Menggunakan Jaringan Saraf Tiruan Learning Vector Quantization. Jurnal Informatika Vol 4, No 2. Universitas Ahmad Dahlan, Yogyakarta. Atik Mardiyani, Mauridhi Hery Purnomo dan I Ketut Eddy Purnama. 2005. Pengenalan Bahasa Isyarat Menggunakan Metode PCA dan Haar Like Feature. Jurusan Teknik Elektro FTI-ITS, Surabaya. Setyo Nugroho dan Agus Harjoko. 2005. Penerapan Jaringan Syaraf Tiruan Untuk Mendeteksi Posisi Wajah Manusia Pada Citra Digital. Universitas Gajah Mada, Yogyakarta.
