PENGENALAN WAJAH DENGAN METODE ADJACENT PIXEL INTENSITY DIFFERENCE QUANTIZATION TERMODIFIKASI Nama Mahasiswa NRP Jurusan Dosen Pembimbing
: : : :
Yuliono 1206 100 720 Matematika Drs. Soetrisno, M.IKomp Drs. Daryono Budi Utomo, M.Si
ABSTRAKSI
Biometrik adalah karakter-karakter manusia yang dapat digunakan untuk membedakan antara orang yang satu dengan yang lainnya. Salah satu pemanfaatan karakter / organ tubuh pada setiap manusia yang digunakan untuk identifikasi (pengenalan) adalah dengan memanfaatkan wajah atau biasa disebut Face Recognition. Terdapat banyak metode yang digunakan untuk pengenalan wajah, salah satunya adalah metode Adjacent Pixel Intensity Difference Quantization (APIDQ) Histogram Generation. Pada tugas akhir ini dibuat program pengembangan dari Metode APIDQ Histogram Generation yaitu Metode APIDQ Termodifikasi. Langkah pertama adalah citra wajah diambil secara langsung lewat web cam. Citra wajah yang di capture selanjutnya tahap normalisasi untuk menghasilkan valid citra input. Kemudian diproses grayscaling, setelah itu dilakukan proses low pass filtering Dan selanjutnya dilakukan proses kuantisasi . Pada proses ini setiap lokasi pixel dalam sebuah citra wajah dalam vektor 2-D akan di indekskan. Terdiri dari perbedaan intensitas piksel horizontal berdekatan (dIx) dan perbedaan intensitas piksel vertikal berdekatan (dIy) Dari hasil kuantisasi inilah yang akan dihitung Ciri Citra Wajahnya dan menjadi input di database. Kemudian (dIx) dan (dIy) akan di cocokkan dengan tabel kuantisasi dan dari hasil perhitungan histogramnya akan dicocokkan antara ciri citra wajah yang akan di uji dengan ciri citra wajah yang ada di database. Kata Kunci : Pengenalan Wajah, Metode Adjacent Pixel Intensity Difference Quantization (APIDQ) Histogram Generation, Metode Adjacent Pixel Intensity Difference Quantization Termodifikasi. gambar, dapat menggunakan gambar yang sudah di simpan dalam komputer tanpa harus I. PENDAHULUAN Biometrik adalah karakter-karakter mendaftarkan ulang setiap pengguna (misalnya manusia yang dapat digunakan untuk paspor, kartu ID, SIM, dll), dan pengenalan membedakan antara orang yang satu dengan wajah ini adalah pengenalan biometrik yang yang lainnya. Salah satu pemanfaatan memungkinkan untuk melakukan identifikasi karakter/organ tubuh pada setiap manusia yang pasif dalam lingkungan (misalnya digunakan untuk identifikasi (pengenalan) mengidentifikasi teroris) [2]. adalah dengan memanfaatkan wajah. Contoh Seiring dengan perkembangan lain dari karakteristik biometrik selain teknologi yang begitu pesat, berkembang pula identifikasi wajah adalah ucapan, sidik jari, pengenalan seseorang yang sekarang tidak retina dan lainnya. Salah satu aplikasi hanya bisa dilakukan oleh manusia, akan tetapi biometrik yang sering digunakan adalah sistem juga bisa dilakukan oleh komputer. Teknologi pengenalan wajah (Face Recognition). Sebagai untuk pengenalan wajah dengan komputer pengidentifikasi manusia, metode face inilah yang disebut Pengenalan Wajah. recognition atau pengenalan wajah memiliki Tidak semua citra wajah dapat dipakai keunggulan, jika dibandingkan dengan sebagai input dalam sistem pengenalan wajah. menggunakan fitur biometrik lainnya. Hanya citra wajah dengan kriteria tertentu saja Diantaranya adalah tidak memerlukan interaksi yang bisa dipakai (valid input). Citra wajah fisik dengan pengguna (user) dengan yang bisa dipakai sebagi input adalah citra menggunakan web cam untuk pengambilan wajah yang memuat seluruh bagian wajah
1
Titik (π₯π0 , π¦π0 ) adalah titik yang akan dinormalisasi, titik (π₯π , π¦π ) adalah hasil normalisasi,π₯πππ = minβ‘{π₯π0 },π¦πππ = minβ‘{π¦π0 }, {π¦π0 }, W dan H π₯πππ₯ = maxβ‘ {π₯π0 }, π¦πππ₯ = maxβ‘ adalah lebar dan tinggi yang diinginkan.
(rambut, dahi, alis, mata, hidung, pipi, mulut, bibir, gigi, kulit, dan dagu) dan memenuhi minimal 80% bagian dari citra wajah[6]. Terdapat banyak metode yang digunakan untuk mengenali wajah, salah satu cara dengan menggunakan metode Adjacent Pixel Intensity Difference Quantization (APIDQ) Histogram Generation. Pada Tugas Akhir ini akan dibuat program yang lebih sederhana namun lebih handal dalam mengenali wajah. Dengan mengembangkan Metode Adjacent Pixel Intensity Difference Quantization (APIDQ) Histogram Generation yang pernah digunakan sebelumnya. Pengenalan wajah di sini adalah menggunakan metode Adjacent Pixel Intensity Difference Quantization Termodifikasi.
2.2. Citra Wajah Citra wajah merupakan citra digital yang diambil dari wajah manusia. Citra wajah inilah yang bisa dipakai untuk identitas maupun identifikasi seperti pada sistem pengenalan wajah. Tidak semua citra wajah dapat dipakai sebagai input dalam sistem pengenalan wajah. Hanya citra wajah dengan kriteria tertentu saja yang bisa dipakai (valid input). Contoh citra wajah yang dapat dipakai sebagi input adalah seperti gambar 2.1.
II. TINJAUAN PUSTAKA 2.1. Tahap preprocessing Tahap preprosesing digunakan saat citra wajah diambil secara langsung lewat web cam. Kemudian citra wajah di capture selanjutnya tahap normalisasi / proses awal yang akan dilalui oleh setiap image. Lokalisasi dan normalisasi merupakan tahap preprocessing sebelum pengenalan wajah (ekstraksi fitur wajah dan pencocokan) dilakukan. Deteksi wajah memisahkan area wajah dari background. Deteksi wajah menyediakan perkiraan kasar dari lokasi dan skala dari setiap wajah yang dideteksi. Face alignment (normalisasi) ditujukan pada pencapaian lokalisasi dan normalisasi wajah yang lebih akurat. Normalisasi digunakan untuk mengubah data agar tetap berada dalam batas yang diinginkan. Jika data melebihi batas yang diinginkan, maka proses normalisasi akan memampatkan data kedalam batas yang dinginkan. Sebaliknya, jika data lebih kecil dari batas yang diinginkan, maka proses normalisasi akan memulurkan data ke batas yang diinginkan. Untuk melakukan normalisasi pada ukuran sebuah gambar, maka yang perlu dilakukan adalah normalisasi pada sisi horizontal dan normalisasi pada sisi vertikalnya[1]. π₯π = π¦π =
π₯ π0 βπ₯ πππ π₯ πππ₯ βπ₯ πππ π¦π0 βπ¦ πππ π¦πππ₯ βπ¦ πππ
π
(2.1)
π»
(2.2)
Gambar 2.1 Contoh citra wajah database AT & T Laboratories Cambridge. 2.2. Pengolahan Citra Proses untuk merubah citra wajah berwarna (RGB) menjadi bentuk citra wajah abu-abu (grayscale) disebut Grayscaling. Tujuan dari proses grayscaling adalah untuk mereduksi matriks penyusun citra dari 3 matrik menjadi 1 matrik sehingga memudahkan dalam pemrosesan selanjutnya. Pengubahan dari citra berwarna ke bentuk grayscale mengikuti aturan rumus :
I (i, j ) ο½
R(i, j ) ο« G(i, j ) ο« B(i, j ) 3
(2.3)
Setelah citra di Grayscaling, selanjutnya citra yang sudah berbentuk Grayscale akan diolah dengan Low-pass filtering menggunakan metode 2-D moving average filter. Low-pass filtering sangat penting untuk mereduksi gangguan frekuensi
2
tinggi dan mengekstraksi komponen frekuensi rendah yang paling efektif untuk pengenalan. Aturan lowpass filtering adalah sebagai berikut : j
iH
i, j = 1
Jarak Euclid adalah suatu nilai yang didapatkan ketika mengukur seberapa jauhnya titik X dengan titik yang lainnya, misalkan titik Y. Jarak Euclid antara X dan Y dapat dihitung dengan persamaan :
(2.4)
(2.5) 2.3. Metode Adjacent Pixel Intensity Difference Quantization Termodifikasi Proses pengenalan wajah dengan metode Adjacent Pixel Intensity Difference Quantization Termodifikasi akan ditujukkan ditunjukkan seperti pada gambar 2.1
Keterangan: ED(X,Y) = Jarak Euclid π₯π = Ciri citra wajah yang akan di uji π¦π = Ciri citra wajah yang disimpan dalam database Pada masing-masing folder yang terdiri dari lima Ciri Citra Wajah akan dicocokkan dengan data wajah yang akan di uji. Kemudian hasil dari perhitungan menggunakan Jarak Euclid Terdekat akan dicari nilai terkecil/ minimal. Nilai terkecil inilah yang nantinya akan ditampilkan sebagai hasil Ciri Wajah yang dikenali. III. KONSEP ANALISIS Pada bab ini akan dibahas bagaimana prinsip pengenalan wajah sehingga dapat membangun sistem program yang akan berinteraksi dengan pengguna mulai dari memasukkan input data sampai menghasilkan keluaran. Pembahasan mengenai implementasi program pengenalan wajah menggunakan metode APIDQ Termodifikasi.
Gambar 2.2 Langka metode APIDQ Termodifikasi. Selanjutnya tahap Adjacent Pixel Intensity Difference Quantization Termodifikasi bisa dilakukan. Dalam APIDQ, untuk setiap pixel dari sebuah citra input, perbedaan intensitas piksel horizontal berdekatan (ππΌπ₯) dan perbedaan intensitas piksel vertikal berdekatan (ππΌπ₯) yang pertama dihitung dengan menggunakan operasi pengurangan sederhana, seperti pada rumus di bawah ini : ππΌπ₯ π, π = πΌ π + 1, π β πΌ π, π
3. 1 Prinsip Pengenalan Wajah Proses pengerjaan tugas akhir ini terbagi menjadi empat bagian, yaitu preprosesing, proses pengolahan citra digital, proses menentukan ciri wajah dan pengenalan citra wajah. Adapun penjelasan mengenai sistem pada masing-masing program tersebut dijelaskan pada bab ini. 3.1.1 Tahap preprocessing Langkah pertama adalah citra wajah akan diambil secara langsung lewat web cam. Kemudian citra wajah di capture selanjutnya akan dilakukan proses Normalisasi. Komponen wajah, seperti mata, hidung, mulut dan garis bentuk wajah, ditempatkan berdasarkan titik-titik lokasi. Input citra wajah dinormalisasi dengan memperhatikan properti geometrik (ukuran, pose, ekspresi, dan
(2.5)
ππΌπ¦ π, π = πΌ π, π + 1 β πΌ π, π
2.4. Sistem Pengenalan Wajah Setelah proses kuantisasi, data wajah yang akan di uji (valid citra inputan) akan di cocokkan dengan ciri citra wajah yang sudah disimpan di database. Pencocokan ciri citra wajah yang sudah disimpan pada database dengan data wajah yang akan di uji ini menggunakan Jarak Euclid Terdekat.
3
sebagainya), menggunakan transformasi atau pembentukan geometri. Wajah biasanya lebih lanjut dinormalisasi dengan memperhatikan properti fotometrik (iluminasi dan grayscale). Hal tersebut bertujuan untuk mendapatkan data dengan ukuran yang lebih kecil yang mewakili data image asli yang sebenarnya. Normalisasi digunakan untuk mengubah data agar tetap berada dalam batas yang diinginkan. Jika data melebihi batas yang diinginkan, maka proses normalisasi akan memampatkan data kedalam batas yang dinginkan. Untuk melakukan normalisasi pada ukuran sebuah gambar, maka yang perlu dilakukan adalah normalisasi pada sisi horizontal dan normalisasi pada sisi vertikalnya[1].
Pengubahan dari citra berwarna ke bentuk grayscale mengikuti aturan rumus (2.1) Setelah citra di Grayscaling, selanjutnya citra yang sudah berbentuk Grayscale akan diolah dengan Low-pass filtering menggunakan metode 2-D moving average filter. Low-pass filtering sangat penting untuk mereduksi gangguan frekuensi tinggi dan mengekstraksi komponen frekuensi rendah yang paling efektif untuk pengenalan. Selanjutnya tahap Adjacent Pixel Intensity Difference Quantization Termodifikasi bisa dilakukan. Dalam APIDQ, untuk setiap pixel dari sebuah citra input, perbedaan intensitas piksel horizontal berdekatan (ππΌπ₯) dan perbedaan intensitas piksel vertikal berdekatan (ππΌπ₯) yang pertama dihitung dengan menggunakan operasi pengurangan sederhana, seperti pada rumus di bawah ini :
Mulai
(3.3) (3.4) Alur proses pengolahan citra digital yang dikerjakan dapat digambarkan sebagai berikut :
Model / User
Mulai Capture/ menangkap citra wajah Input citra wajah
Citra Wajah
Proses Grayscaling Proses Normalisasi Proses Lowpass Filtering Valid Input Citra wajah citra hasil Selesai Selesai
Gambar 3.1 Diagram Alir Preprosesing
Gambar 3.2 Diagram Alir Proses Pengolahan Citra Digital Pada proses pencarian selisih dengan piksel terdekat (APID),proses di atas sangat berpengaruh. Proses Grayscaling berpengaruh pada matrik yang diolah menjadi lebih sederhana (dari 3 matrik menjadi 1 matrik). Sedangkan proses lowpass filtering
3.1.2 Pengolahan Citra Digital Proses untuk merubah citra wajah berwarna (RGB) menjadi bentuk citra wajah abu-abu (grayscale) disebut Grayscaling. Tujuan dari proses grayscaling adalah untuk mereduksi matriks penyusun citra dari 3 matrik menjadi 1 matrik sehingga memudahkan dalam pemrosesan selanjutnya.
4
memberikan pengaruh pada selisih dengan piksel terdekat menjadi lebih kecil. 3.1.3 Proses Menentukan Ciri Wajah dengan Metode Adjacent Pixel Intensity Difference Quantization Termodifikasi Proses pertama adalah mengolah citra input yang di ambil dengan web cam, selanjutnya tahap normalisasi / proses awal yang akan dilalui oleh setiap image, citra input masih berupa citra wajah berwarna (RGB) dan kemudian akan di proses menjadi citra wajah abu-abu (grayscale). Proses untuk merubah citra wajah berwarna (RGB) menjadi bentuk citra wajah abu-abu (grayscale) disebut Grayscaling. Tujuan dari proses grayscaling adalah untuk mereduksi matriks penyusun citra dari 3 matrik menjadi 1 matrik untuk mempermudah pemrosesan selanjutnya. Proses selanjutnya citra akan diolah dengan Low-pass filtering menggunakan metode 2-D moving average filter. Low-pass filtering sangat penting untuk mereduksi gangguan frekuensi tinggi dan mengekstrak komponen frekuensi rendah yang paling efektif untuk pengenalan. Selanjutnya tahap APIDQ bisa dilakukan. Dalam APIDQ, untuk setiap pixel dari sebuah citra masukan, perbedaan intensitas piksel horizontal berdekatan (ππΌπ₯) dan perbedaan intensitas piksel vertikal berdekatan ( ππΌπ₯) yang pertama dihitung dengan menggunakan operasi pengurangan sederhana, seperti pada rumus di bawah ini :
Gambar 3.3 Plotting ππΌπ₯ π, π dan ππΌπ₯ π, π pada sumbu ππΌπ₯, ππΌπ¦ Dari koordinat (dIx-dIy) kemudian akan dilakukan proses kuantisasi. Tingkat kuantisasi ditetapkan 13 tingkat di sumbu dIx dan 13 tingkat di sumbu dIy jadi total adalah 170. Seperti yang terlihat pada gambar di bawah 2.12. Jumlah vektor terkuantisasi di setiap daerah kuantisasi dihitung dan akan dihasilkan Histogram. Hasil dari penghitungan histogram inilah yang menjadi ciri citra wajah yang kemudian akan disimpan ke dalam database. (dIy)
(dIx)
(3.5)
Tabel 3.1: Tabel kuantisasi (dIx-dIy) Pada proses ini vektor fitur citra wajah yang akan dimasukkan ke database merupakan hasil dari generate histogram daerah kuantisasi bernilai 0 sampai dengan 169.
Pasangan dari ππΌπ₯, ππΌπ¦ merupakan vektor tunggal dalam bidang ππΌπ₯, ππΌπ¦ seperti yang ditunjukkan pada gambar berikut :
Mulai
citra hasil
5
Proses APID Proses Kuantisasi
Pada proses pengenalan ini yang pertama dilakukan adalah mengambil data vektor fitur wajah yang sebelumnya telah disimpan di database. Kemudian pengambilan vektor fitur wajah dari citra input dilakukan. Selanjutnya dicari jarak terpendek antara input dengan database yang ada. Output dari proses pengenalan ini dalah berupa hasil identifikasi wajah.
Gambar 3.4 Diagram Alir Ekstraksi Vektor Ciri Citra Wajah 3.1.4 Proses Pengenalan Jarak Euclid dapat digunakan untuk mengukur kedekatan suatu data dengan data lainnya. Pada tugas akhir ini, jarak Euclid akan digunakan untuk mencari vektor ciri citra wajah di database yang mempunyai jarak terdekat dengan vektor ciri citra wajah input. Vektor ciri citra wajah terdekat inilah yang kemudian dicari data aslinya dan ditampilkan sebagai hasil pengenalan wajah
3.2
Skema Umum Rancangan Sistem Skema umum rancangan sistem yang akan dibangun dapat dilihat pada Gambar 3.5 dibawah ini. Mulai
ο·
Tahap Preprocessing Normalisasi
Mulai Input Citra Wajah Citra wajah dari database Tahap Pengolahan Citra Digital ο· Grayscalling ο· Lowpass Filtering
Masukkan citra input
Tahap Proses Menentukan Ciri Wajah ο· APIDQ termodifikasi
Cari vektor fitur wajah
Temukan jarak Euclid minimum ο·
Tahap Pengenalan Jarak Euclid Terdekat
Hasil Identifikasi
Wajah
Wajah yang dikenali
Selesai
Gambar 3.5 Diagram Proses Pengenalan Selesai
6
Gambar 3.6 Skema Umum Rancangan Tahapan Sistem. 3.3
Proses Pengujian Data Citra Wajah Dalam proses pengujian data citra wajah ini, data yang akan diuji ada 2 jenis. Data pertama adalah data yang sudah pernah tersimpan folder/ direktori sedangkan data yang kedua dari citra wajah yang diambil langsung dari webcam. Untuk dua jenis data tersebut akan dilakukan pengujian yang sedikit berbeda. 1. 2.
Gambar 4.1 Citra Wajah Hasil Proses Grayscaling dan Proses Lowpass Filtering 4.1.2 Pengujian Proses Ekstraksi Vektor Ciri Wajah Ukuran matrik penyusun citra yang dihasilkan dari proses lowpass filtering masih berukuran besar. Karena itu tidaklah mungkin matrik ini yang dipakai untuk pengenalan. Dengan proses ekstraksi vektor ciri wajah, matrik penyusun citra ini akan diubah menjadi matrik yang berukuran kecil yakni 1 x 50. Dengan matrik yang kecil ini, sangatlah mudah untuk mencari kedekatan jarak antara matrik yang satu dengan matrik yang lainnya. Matrik inilah yang kemudian disebut sebagai vektor ciri citra. Untuk bisa mendapatkan vektor ciri citra, maka matrik dari hasil lowpass filtering akan diproses lagi yaitu proses Adjacent Pixel Intensity Difference (APID), proses kuantisasi dan proses generate histogram. Hasil akhir dari proses ini bisa dilihat pada gambar 5.3 di bawah ini.
Pengujian Data Wajah yang Sudah Tersimpan dalam Database. Pengujian Data Wajah yang belum Tersimpan dalam Database.
IV. IMPLEMENTASI PROGRAM Ruang lingkup implementasi program yang dibangun dalam Tugas Akhir ini meliputi : perangkat keras yang digunakan prosesor AMD TURION II Dual Core 2,20GHz with ATI RADEON 4200, Memory RAM 2.00 GB, perangkat lunak Perangkat lunak Sistem Operasi: Microsoft Windows 7 Ultimate 32 bit dan Bahasa Pemprograman: MATLAB R2009a. 4.1 Pengujian Proses Pengolahan Citra Ada beberapa proses pengolahan citra yang terdapat pada sistem pengenalan wajah ini, berikut ini adalah hasil pengujian beberapa proses tersebut : 4.1.1 Pengujian Grayscaling dan Pengujian Lowpass Filtering Pada proses ini citra wajah yang berupa citra wajah RGB akan diubah menjadi grayscal sehingga matrik dibuat lebih sederhana menjadi 1 matrik saja. Dengan menyisakan hanya 1 matrik saja, maka proses selanjutnya akan lebih cepat. Seperti tampak pada Gambar 5.1 di bawah ini. Gambar di samping kiri adalah sebelum grayscaling, sedangkan yang kanan adalah sesudah proses grayscaling. Setelah citra wajah mengalami proses grayscaling, kemudian akan diperhalus dengan mengurangi gradasi intensitas yang tinggi dari citra. Proses ini disebut sebagai proses Lowpass Filtering.
Gambar 4.2 Hasil Ekstraksi Vektor Ciri Citra 4.2 Pengujian Proses Pengenalan Wajah Pengujian ini dilakukan menggunakan dua data untuk uji coba. Data yang pertama adalah data wajah dari AT&T Laboratorium Cambridge. Sedangkan data yang kedua adalah dari citra wajah mahasiswa Matematika ITS. 4.2.1 Uji Coba dengan Database Wajah dari AT&T Laboratories Cambridge Proses uji coba ini menggunakan data citra wajah sebanyak 40 data wajah dimana
7
masing - masing wajah terdapat 10 macam citra wajah dengan pose yang berbeda - beda sehingga keseluruhan terdapat 400 citra wajah. Dari masing - masing data wajah kemudian diambil 5 citra wajah kemudian disimpan di database wajah. Berdasarkan hasil percobaan di atas, dengan menggunakan rumus : Berdasarkan hasil percobaan di atas, dengan menggunakan rumus : Persentase akurasi =
terdapat 5 macam citra wajah dengan pose yang berbeda - beda sehingga keseluruhan terdapat 60 citra wajah. Dari masing - masing data wajah kemudian diambil kemudian disimpan di database wajah. Sementara sisanya akan digunakan sebagai test akurasi pengenalan wajah. Berdasarkan hasil percobaan di atas, dengan menggunakan rumus : Persentase akurasi
π½π’πππβ πΆππ‘ππ ππππβ π¦πππ ππππππππ Γ 100% π½π’πππβ πΆππ‘ππ ππππβ π¦πππ ππ π’ππ
=
Kemudian akan dilakukan pengujian lagi seperti diatas sebanyak 3 kali. Dengan hasil.
π½π’πππβ πΆππ‘ππ ππππβ π¦πππ ππππππππ Γ 100% π½π’πππβ πΆππ‘ππ ππππβ π¦πππ ππ π’ππ 190 = Γ 100% = 95 % 200
=
π½π’πππβ πΆππ‘ππ ππππβ π¦πππ ππππππππ π½π’πππβ πΆππ‘ππ ππππβ π¦πππ ππ π’ππ Γ 100% 192 = Γ 100% = 96 % 200 3) Uji Program Pertama
=
π½π’πππβ πΆππ‘ππ ππππβ π¦πππ ππππππππ Γ 100% π½π’πππβ πΆππ‘ππ ππππβ π¦πππ ππ π’ππ 196 = Γ 100% = 98 % 200
%=
3
π½π’πππβ πΆππ‘ππ ππππβ π¦πππ ππππππππ Γ 100% π½π’πππβ πΆππ‘ππ ππππβ π¦πππ ππ π’ππ 59 = Γ 100% = 98,33 % 60
Maka persentase akurasi pengenalan wajah total menggunakan metode APIDQ Termodifikasi mempunyai akurasi sebesar:
Maka persentase akurasi pengenalan wajah total menggunakan metode APIDQ Termodifikasi mempunyai akurasi sebesar: π½π’πππ β πππππππππ
π½π’πππβ πΆππ‘ππ ππππβ π¦πππ ππππππππ Γ 100% π½π’πππβ πΆππ‘ππ ππππβ π¦πππ ππ π’ππ 58 = Γ 100% = 96,66 % 60
3) Uji Program Ketiga =
95+96+98
π½π’πππβ πΆππ‘ππ ππππβ π¦πππ ππππππππ Γ 100% π½π’πππβ πΆππ‘ππ ππππβ π¦πππ ππ π’ππ 58 = Γ 100% = 96,66 % 60
2) Uji Program Kedua
=
π»ππ ππ πππππππππ
Γ 100%
1) Uji Program Pertama
2) Uji Program Kedua
=
π½π’πππβ πΆππ‘ππ ππππβ π¦πππ ππ π’ππ
Sama seperti pada database Wajah dari AT&T Laboratories Cambridge kemudian akan dilakukan pengujian lagi seperti diatas sebanyak 3 kali. Dengan hasil.
1) Uji Program Pertama =
π½π’πππβ πΆππ‘ππ ππππβ π¦πππ ππππππππ
π»ππ ππ πππππππππ π½π’πππ β πππππππππ
%
%=
96,66+96,66+98,33 % 3
= 97,11%
= 96,33%
4.2.2 Uji Coba Dengan Database Wajah Mahasiswa ITS Proses uji coba ini menggunakan data citra wajah sebanyak 12 data wajah Mahasiswa Matematika dimana masing - masing wajah
V. KESIMPULAN DAN SARAN 5.1 Kesimpulan Dari hasil uji coba yang telah dilakukan dapat diambil beberapa kesimpulan sebagai berikut :
8
1.
2.
[3]. Fadlisyah (2007). Computer Vision dan Pengolahan Citra. Yogyakarta : Penerbit Andi. [4]. Lee, Feifei., Koji Kotani, Qiu Chen, dan Tadahiro Ohmi (2009). Face Recognition Using Modified Adjacent Pixel Intensity Difference Quantization, IEEE Computer Society (2009) 533 β 536. [5]. Lee, Feifei., Koji Kotani, Qiu Chen, dan Tadahiro Ohmi (2009). Face Recognition Using Adjacent Pixel Intensity Difference Quantization Histogram. International Journal of Computer Science and Network 9 (2009) 147 β 154. [6]. Mabrur, Andik. 2010. βPengenalan wajah dengan menggunakan metode Adjacent Pixel Intensity Difference Quantization (APIDQ) Histogram Generation.β. Tugas Akhir Jurusan Matematika FMIPA-ITS.
Penggunaa Metode Adjacent Pixel Intensity Difference Quantization Termodifikasi untuk proses pengenalan ciri wajah memberikan hasil: a. Untuk proses uji coba data wajah dari AT&T Laboratorium Cambridge memiliki akurasi pengenalan mencapai 96,33% b. Untuk proses uji coba menggunakan data citra wajah sebanyak 12 data wajah Mahasiswa Matematika memiliki akurasi pengenalan mencapai 97,11% Metode Adjacent Pixel Intensity Difference Quantization Termodifikasi layak digunakan dalam sebuah sistem pengenalan ciri wajah.
5.2 Saran Dari hasil yang telah dicapai dalam penelitian tugas akhir ini, terdapat beberapa hal yang perlu dipertimbangkan untuk melakukan pengembangan pada penelitian ini, diantaranya sebagai berikut : 1. Proses pengenalan wajah ini menggunakan webcam dengan cara mengcapture (menangkap) wajah dari pengguna/user. Untuk pengembangan selanjutnya akan lebih baik jika pengenalan dilakukan secara real time dengan video. 2. Untuk dapat melakukan pengenalan wajah secara real time dengan video diperlukan deteksi daerah wajah ( face detection) pada proses akuisisi citra wajah.
DAFTAR PUSTAKA [1]. Ahmad, Usman (2005). Pengolahan Citra Digital dan Teknik Pemrogamannya. Yogyakarta : Graha Ilmu. [2]. Comparing face recognition against other types of biometric authentication methods,
9
