Pengenalan Wajah Menggunakan Two DimensionalLinear DiscriminantAnalysis Berbasis Optimasi Feature Fusion Strategy

Jatisi, Vol. 3 No. 1 September 2016

 1

Pengenalan Wajah Menggunakan Two DimensionalLinear DiscriminantAnalysis Berbasis Optimasi Feature Fusion Strategy Sahmanbanta Sinulingga*1, Chastine Fatichah2, Anny Yuniarti3 Jurusan Sistem Informasi, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember Surabaya, Kampus Keputih, Sukolilo Surabaya 60111 Telp : (031)5999944, Fax : (031) 5964965 e-mail: *[email protected], [email protected], [email protected]

1,2,3

Abstrak Era teknologi dewasa ini, penelitian mengenai citra biometric bukanlah hal yang awam dilakukan. Salah satu citra biometrik yang sering diteliti adalah face recognition (pengenalan wajah). Permasalahan pada pengenalan wajah manusia adalah adanya keanekaragaman fitur atau bentuk antara satu wajah dengan wajah lainnya. Oleh karena itu, perlu adanya ekstraksi fitur dan klasifikasi wajah menggunakan metode tertentu sehingga klasifikasi tersebut dapat dikenali dengan benar.Pada penelitian ini diusulkan metode ekstraksi fitur yang dapat mengatasi permasalahan non-linear data secara automatic yang terdapat pada citra wajah yang dinamakan dengan Two Dimensional Linear Discriminant Analysis based on Feature Fusion Strategy (TDLDA-FFS). Tidak berhenti pada ekstraksi fitur, diusulkan juga metode klasifikasi wajah yang dapat mengatasi permasalahan adaptive matrix yang bertujuan untuk mempelajari kepentingan bobot pada masing – masing input dengan metode Generalized Relevanced Learning Vector Quantization (GRLVQ).Penelitian ini mengintegrasikan metode TDLDA-FFS dan GRLVQ untuk pengenalan wajah. Dengan kombinasi kedua metode tersebut terbukti dapat memberikan hasil yang optimal dengan tingkat akurasi pengenalan yang berkisar diantara 77,78 % sampai dengan 82,22% dengan uji coba menggunakan basis data citra wajah dari Institut Bisnis dan Informatika Stikom Surabaya. Sedangkan ujicoba menggunakan basis data yang berasal dari YaleB Database mencapai tingkat akurasi yang berkisar antara 88.89% sampai dengan 94.44%. Kata kunci : Non-linier data, adaptive matrix, TDLDA, FFS, GRLVQ.

Abstract The era of technology today,, research on biometric image is not common to do. One well researched biometric image is a face recognition (face recognition). Problems on the human face recognition is a diversity of features or shape between one another face to face. Therefore, the need for facial feature extraction and classification using a particular method so that the classification can be recognized correctly.In this study proposed feature extraction method that can overcome the problems of non-linear automatic data contained in the face image, called the Two Dimensional Linear Discriminant Analysis based on Feature Fusion Strategy (TDLDA-FFS). Not stopping on feature extraction, classification methods proposed also faces that can overcome the problems of the adaptive matrix which aims to study the benefit of weight on each - each input with the method Relevanced Generalized Learning Vector quantization (GRLVQ).This research integrates methods TDLDA-FFS and GRLVQ for face recognition. With the combination of both methods are proven to provide optimal results with a level of recognition accuracy ranged between 77.78% to 82.22% with a pilot using a database



ISSN: 1978-1520 ISSN PRINT ISSN ONLINE

2

: 2407-4322 : 2503-2933

of facial images from the Institute of Business and Information Stikom Surabaya. While the test uses a database derived from YaleB Database achieve accuracy levels ranging from 88.89% to 94.44%. Keywords : Non-linier data, adaptive matrix, TDLDA, FFS, GRLVQ

1. PENDAHULUAN erkembangan ilmu pengetahuan dan teknologi telah memberikan dampak yang sangat besar dalam kehidupan manusia. Dengan adanya teknologi berbagai permasalahan di dunia nyata dapat diselesaikan melalui teknologi tersebut. Teknologi yang dikembangkan saat ini adalah teknologi komputer yang dapat diaplikasikan di berbagai bidang diantaranya kesehatan, keamanan data, pendidikan, biometrik, dan lain-lain. Salah satu bidang biometrik yang banyak diteliti oleh banyak pakar adalah wajah [1]. Wajah merupakan salah satu biometricnon-intrusive dan tidak bergantung pada resiko kesehatan. Teknologi biometrik dalam pengenalan wajah merupakan bahasan yang menarika beberapa tahun terakhir ini. Pada setiap wajah manusia terdapat pola-pola yang berbeda. Perbedaan tersebut disebabkan karena adanya berbagai faktor yang dapat mempengaruhi dari masing-masing wajah tersebut. Oleh karena itu, perlu adanya pengenalan wajah manusia menggunakan algoritma tertentu sehingga wajah-wajah tersebut dapat dikenali dengan benar. Berbagai penelitian terkait telah dilakukan dalam klasifikasi wajah manusia dengan algoritma yang berbeda [2-3]. Dalam sistem pengenalan wajah tahapan ekstraksi fitur merupakan tahap yang perlu diperhatikan. Salah satu metode dalam ekstraksi fitur adalah metode Two-Dimensional Linear Discriminant Analysis (TDLDA). Metode TDLDA merupakan pengembangan dari metode Linear Discriminant Analysis (LDA), dan metode LDA sendiri merupakan penyempurnaan dari metode Principal Component Analysis (PCA). Metode PCA diperkenalkan oleh Turk dan Pentland pada tahun 1991. Metode tersebut bertujuan untuk memproyeksikan data pada arah yang memiliki variasi terbesar, yang ditunjukkan oleh vektor eigen yang bersesuaian dengan nilai eigen terbesar dari matriks kovarian. Disamping itu juga bertujuan untuk mereduksi dimensi dengan melakukan transformasi linier dari suatu ruang berdimensi tinggi kedalam ruang berdimensi rendah. Kelemahan dari metode PCA adalah kurang optimal dalam pemisahan antar kelas [4]. Metode LDA pertama sekali diperkenalkan oleh Cheng (1991). Metode ini mencoba menemukan sub ruang linier yang memaksimalkan perpisahan dua kelas pola menurut Fisher Criterion. Hal ini dapat diperoleh dengan meminimalkan matrik sebaran dalam kelas yang sama dan memaksimalkan jarak matrik sebaran dalam kelas yang berbeda. Jika dimensi data jauh lebih tinggi daripada jumlah sample training, maka sebaran kelas yang sama menjadi singular. Hal ini merupakan kelemahan dari metode LDA [5]. Metode TDLDA menilai secara langsung matrik sebaran kelas yang sama dari matrik citra tanpa transformasi citra ke vektor, dan hal ini dapat mengatasi singular problem dalam metode LDA. Perbedaan yang paling menonjol antara metode LDA dengan metode TDLDA yaitu metode TDLDA bekerja dengan cara merepresentasikan image ke dalam matrik secara langsung Sedangkan metode LDA bekerja dengan cara merepresentasikan image ke dalam vektor. Metode TDLDA dapat meminimalkan kebutuhan memori dan kompleksitas waktu dibandingkan dengan metode LDA [6]. Ektraksi fitur dengan menggunakan metode TDLDA bukanlah penelitian pertama sekali dilakukan dalam pengenalan wajah. Sudah banyak penelitian yang mencoba untuk menguji performa atau keakuratan metode tersebut. Salah satunya adalah penelitian dilakukan oleh Damayanti yaitu pengenalan wajah menggunakan metode TDLDA dan Support Vector Machine (SVM). Menurut Damayanti masih perlu adanya perbaikan atau penelitian yang lebih lanjut mengenai pengenalan wajah yaitu dengan meneliti fitur yang bersifat non-linier pada wajah manusia [7]. Berbagai metode telah dilakukan untuk mengatasi permasalahan pengenalan wajah

P

JCCS Vol. x, No. x, July201x : first_page–end_page


 3

yang bersifat non-linier. Salah satunya adalah metode Feature Fusion Strategy (FFS). Menurut Chen, secara umum ekstraksi fitur dalam pengenalan wajah terbagi menjadi 2 (dua) yaitu fitur global dan fitur lokal. Fitur global sangat baik dalam mengatasi perubahan fitur-fitur linier, sedangkan fitur lokal sangat baik dalam mengatasi perubahan fitur-fitur non-linier. Pada penelitiannya penggabungan fitur global dan fitur lokal pada wajah manusia membantu dalam mendapatkan fitur-fitur yang bersifat euclidean structure dan manifold structure secara simultan. Pada pembentukan criterion function FFS dapat dilakukan secara manual [8] dan automatic [9]. Penentuan secara manual parameter criterion function FFS membutuhkan timeconsuming yang lebih lama karena dilakukan secara iterative (berulang). Sedangkan penentuan secara automatic parameter criterion function FFS dioptimasi melalui teknik cross-iterative sehingga tidak terjadi time-consuming yang banyak. Secara intuisi, penggunaan fungsi optimasi FFS ke dalam TDLDA dimungkinkan dapat meningkatkan keakurasian pengenalan wajah. Berdasarkan penjelasan yang dipaparkan, maka pada penelitian ini mengusulkan metode TDLDA berbasis fungsi optimasi FFS sebagai ekstraksi fitur dalam meningkatkan keakurasian pengenalan wajah. Tingkat akurasi pengenalan wajah manusia akan diujikan dengan menggunakan database yang beasal dari Stikom Surabaya dan YaleB Database untuk memvalidasi sistem. Tingkat akurasi tersebut akan dibandingkan antara metode TDLDA yang menggunakan fungsi optimasi FFS dengan metode TDLDA biasa.

2. METODE PENELITIAN Penelitian ini mengevaluasi performa pengenalan wajah menggunakan metode ekstrasi TD-LDA berbasis FFS serta beberapa metode ekstrasi TD-LDA-Fisher. Database wajah yang digunakan dalam penelitian ini berasal dari sistem parkir Institut Bisnis dan Informatika Stikom Surabaya dan YaleB Database yang ada pada Internet. 2.1. Sampel Database Wajah Data uji coba yang digunakan pada penelitian ini berasal dari Institut Bisnis dan Stikom Surabaya. Data uji coba tersebut berupa citra wajah yang diambil dari parking information sistem yang dimiliki oleh Stikom Surabaya. Pemilihan data dilakukan secara acak tanpa memperhatikan resolusi, pose, illumination, dan ekspresi dari objek citra. Untuk memvalidasi tentang kebenaran logika sistem terhadap data yang diujicobakan, maka ditambahkan data uji coba sistem yang berasal dari internet. Data citra tersebut adalah data yang berbeda dengan data real-time yang didapatkan dari Stikom Surabaya. Banyaknya data yang akan digunakan pada penelitian ini sebanyak 195 citra wajah dimana citra tersebut dibagi menjadi 2 (dua) bagian yaitu sebanyak 150 citra digunakan sebagai data uji coba training dan 45 digunakan sebagai data uji coba testing. Sedangkan data yang didapatkan dari internet berjumlah 180 citra wajah dimana citra tersebut juga akan dibagi menjadi 2 (dua) bagian yaitu 144 citra akan digunakan sebagai uji coba training dan 36 citra akan digunakan sebagai uji coba testing. Setiap citra akan di-processing terlebih dahulu dengan menggunakan teknik cropping, teknik resize dan teknik grayscale. Tujuan dilakukannya teknik cropping adalah untuk mendapatkan citra bagian wajah saja, sedangkan teknik resize bertujuan untuk menyamakan dimensi setiap citra yaitu 125 piksel x 125 piksel. Hasil citra dari teknik preprocessing tersebut akan dilanjutkan pada tahap selanjutnya yaitu ekstraksi fitur dan klasifikasi. Untuk memvalidasi sistem yang telah dibangun, beberapa dataset dari internet akan diambil dan dilakukan implementasi dengan menggunakan metode yang sama pada dataset Stikom Surabaya. Hasil citra preprocessing baik dari Institut Bisnis dan Informatika Stikom Surabaya maupun dari internet yang berasal dari




4

: 2407-4322 : 2503-2933

www.vision.ucsd.edu/leekc/ExtYaleDatabase/ExtYaleB.html ditunjukkan pada Gambar 2 dan Gambar 3.

Gambar 2 Institut Bisnis dan Informatika Stikom Surabaya face database

Gambar 3 YaleB face databases 2.2. Preprocessing Citra Sebelum melakukan tahap ekstraksi fitur, database wajah akan dilakukan perlakukan awal berupa preprocessing citra. Jenis citra yang akan digunakan dalam sistem pengenalan wajah penelitian ini adalah citra dengan tingkat keabuan dan ukuran yang sama. Untuk itu perlu dilakukan konversi citra pada database wajah menjadi citra wajah dengan tingkat keabuan dan mengubah ukuran citra menjadi ukuran 125 piksel x 125 piksel. 2.3. Ekstraksi Fitur TDLDA adalah salah satu metode ekstraksi fitur yang mendeskripsikan citra sebagai sinyal dua dimensi yang bertujuan untuk mencari proyeksi optimal L dan R Penyelesaian komputasi TDLDA-FFS dilakukan secara iterative [8].Untuk R yang tetap, dilakukan komputasi penyelesaian untuk mendapatkan matrik transformasi L. Kemudian dilakukan update terhadap matrik transformasi R setelah diperoleh dari matrik transformasi L [6]. Terdapat dua macam jenis ekstraksi fitur, yaitu ekstraksi fitur yang bersifat linier (euclidian structure) dan ekstraksi fituryang bersifat non-linier (manifold structure). Jenis ekstraksi fiturdapat ditinjau dari jenis scatter matrix yang digunakan. Scatter matrix withinclass (SW) dan scatter matrix between-class (SB) merupakan scatter matrix yang bersifat global dan jika dikomputasi berdasarkan matriks transformasinya akan menjadi seperti yang ditunjukkan pada persamaan (1) dan (2). PCA maupun LDAmerupakan jenis ekstraksi fitur ini. k

S W    ( A  M i ) RR T ( A  M i ) T

(1)

i 1 xe  i k

S B   ni ( M i  M ) RR T ( M i  M ) T

(2)

i 1

LPP dan UDP merupakan merupakan jenis ekstraksi fitur yang bersifat lokal. Dalam pendekatannya menggunakan scatter matrix locallokal SLdan scatter matrix non-local SNL, didefinisikanpada persamaan (3) [10] JCCS Vol. x, No. x, July201x : first_page–end_page

 5


J (a, b,W ) 

tr (W T (bSbR  (1  b 2 ) S N )W ) tr (W T (aSwR  (1  a) S L )W )

(3)

Dimana Hijmerupakan adjacency matrix pembobotan, yang didefenisikan pada persamaan (4) [9]   A A i j   exp  H ij   t     

2

  , Ai  N K A j atauAj  N K  Ai   0, sebaliknya

(4)

dimana t > 0 dan Nk(A) adalah k nearest neighbor dari data A. FFS merupakan penggabungan dari keempat scatter matrix yangmembentuk struktur gabungan. Fungsi diskriminan daripenggabungan tersebut pada persamaan (5) [9]

tr (W T (bSbR  (1  b 2 ) S N )W ) tr (W T (aS wR  (1  a) S L )W )

J (a, b, W ) 

(5)

Kunci permasalahan kombinasi TDLDA dengan FFS adalah dengan menyelesaikan fungsi diskriminan pada persamaan (2). Seperti halnya penyelesaian space dimensi rendah TDLDA, scatter matrix local(SL) dan scatter matrix non-local (SNL) didefinisikan pada persamaan (6) dan (7).

S LR 

S NR 

1 1 2 MM

1 1 2 MM

M

M

M

 H i 1 j 1

ij

( Ai  A j ) RR T ( Ai  A j ) T

M

 (1  H i 1 j 1

ij

)( Ai  A j ) RR T ( Ai  A j ) T

(6)

(7)

Matrik transformasi L dan R diperoleh dari penyelesaian generalized eigen-system. Komputasi dekomposisi eigen diaplikasikan dengan menggunakan SVD. Dalam penelitian ini, nilai a dan b yang merupakan rasio perimbangan struktur euclidian dan manifold, ditentukan melalui persamaan (8) [9]

ak 

tr (WkT1 S LRWk 1 ) 2tr (WkT1 S wRWk 1 ) (8)

bk 

T R k 1 b k 1 T R k 1 NL k 1

tr (W S W ) 2tr (W S W )

Adapun diagram alir penyelesaian TDLDA-FFS seperti ditunjukkan pada Gambar 4.




6

: 2407-4322 : 2503-2933

Mulai

·

Citra Pelatihan, L1, L2

· ·

Hitung Rata-rata piksel setiap kelas Hitung Nilai rata-rata global Hitung Nilai adjency matriks

· · · ·

Inisiasi Matriks R

Hitung Between class scatter R Hitung Within class scatter R Hitung Local class scatter R Hitung Non-Local class scatter R Ya

Ya

Matriks Proyeksi L

· · · ·

Tidak

Hitung Between class scatter L Hitung Within class scatter L Hitung Local class scatter L Hitung Non-Local class scatter L

Hitung Nilai a dan b dengan cross-iterative

Hitung Eigenvalue / Tranformasi L

Inisialisasi nilai a dan b

Inisialisasi nilai a dan b

Hitung Eigenvalue / Tranformasi R

Hitung Nilai a dan b dengan cross-iterative

Tidak

Matriks Proyeksi R

Tidak

Iterasi

Ya

Database fitur wajah

Selesai

Gambar 4 Diagram Alir Ekstraksi Fitur TDLDA-FFS 2.4. Klasfikasi dan Evaluasi Sistem Penelitian ini menggunakan salah satu metode supervised learning yaitu Generalized Relevanced Learning Vector Quantization (GRLVQ). Metode GRLVQ ini akan digunakan sebagai mesin classifier dalam pengenalan wajah manusia. Untuk menguji performa pengenalan wajah dilakukan pengukuran akurasi terhadap dataset testing pada setiap database wajah yang digunakan. Adapun pengukuran akurasi seperti ditunjukkan pada persamaan (9): 𝐴𝑘𝑢𝑟𝑎𝑠𝑖 =

𝐽𝑢𝑚𝑙𝑎ℎ𝑇𝑒𝑟𝑖𝑑𝑒𝑛𝑡𝑖𝑓𝑖𝑘𝑎𝑠𝑖𝐵𝑒𝑛𝑎𝑟 𝑥 𝐽𝑢𝑚𝑙𝑎ℎ𝐷𝑎𝑡𝑎𝑇𝑒𝑠𝑡𝑖𝑛𝑔

100%

(9)

3. HASIL DAN PEMBAHASAN Performa pengenalan wajah diuji cobakan dengan variasi learning rate pada mesin klasifikasi. Jumlah data training yang digunakan adalah sebanyak 150 citra wajah yang berasal dari Institut Bisnis dan Informatika Stikom Surabaya. Sedangkan yang berasal dari YaleB Database sebanyak 144 citra wajah. Jumlah data testing yang diujicobakan adalah sebanyak 45 citra wajah yang berasal dari Stikom Surabaya dan 36 citra yang berasal dari YaleB database. Pada pengujiannya juga antara data training dan data testing dipastikan berbeda-beda antar setiap citranya. Setiap pengujian performa pengenalan wajah akan dibandingkan menggunakan dua metode ekstrasi fitur, TDLDA dan TDLDA-FFS. Adapun hasil screenshot aplikasi interface grafis yang dibangun dengan Visual Studio.Net 2012 seperti ditunjukkan pada Gambar 5. Beberapa parameter yang harus ditentukan terlebih dahulu dalam penggunaan fitur optimasi FFS adalah nilai normalisasi pembobotan (t) dan rasio euclidean dan manifold



 7

structure (nilai a dan b) [8]. Dari hasil penelitian, parameter yang digunakan tersebut adalah sebagai berikut: · Normalisasi pembobotan (t) sebesar 1000. · Inisialisasi a dan b sebesar 0,5 baik pada database Stikom dan YaleB.

Gambar 5 Hasil sistem pengenalan wajah yang dibangun Tabel 1 adalah perbandingan akurasi pengenalan wajah dengan jumlah sampel yang digunakan untuk pelatihan sebanyak 50 sampel citra per kelas. Dimana citra yang digunakan pada perbandingan tersebut berasal dari citra real-time yang berasal dari Institut Bisnis dan Informatika Stikom Surabaya. Secara keseluruhan, terlihat bahwa hasil uji coba dengan menggunakan metode ekstraksi fitur TDLDA-FFS menunjukkan akurasi pengenalannya lebih baik daripada metode ekstraksi fitur TDLDA. Hal ini dikarenakan TDLDA-FFS mampu memproyeksikan baik dari struktur euclidian dan struktur manifold secara simultan [9]. Sedangkan pada metode TDLDA hanya memproyeksikan struktur euclidian saja. Sehingga baik ciri objek yang berkaitan dengan hubungan antar kelas citra maupun ciri objek yang berkaitan dengan hubungan antara piksel citra, terepresentasi dengan baik. Dan juga data-data yang terpengaruh secara non-linear terklasifikasi dengan baik. Hal inilah yang menyebabkan nilai akurasi pengenalan wajah pada metode TDLDA-FFS menghasilkan akurasi cukup tinggi dibandingkan metode TDLDA. Pada pengujian cross-iterative, juga berpengaruh pada akurasi pengenalan wajah. Jika dibandingkan dengan metode TDLDA, akurasi TDLDA-FFS lebih baik dikarenakan adanya fungsi automatic optimation yang berfungsi untuk mendapatkan struktur manifold pada pengenalan wajah. Pada penelitian [8], tidak terdapat fungsi automatic optimation yang menyebabkan waktu yang diperlukan lebih lama karena update fitur yang didapatkan dari nilai cross iterative dilakukan secara manual. Selain pengujian pada metode ekstraksi fitur, pengujian pada learning rate juga akan dibahas pada bagian analisis hasil berikut ini. Learning rate adalah sebuah parameter yang umum dalam algoritma pembelajaran dan mempengaruhi kecepatan dalam mendapatkan bobot optimal. Pada uji coba TDLDA dengan memperhatikan learning rate, menghasilkan tingkat akurasi yang terbesar yaitu pada 66,67%. Dimana learning rate yang mencapai nilai 66,67%




8

: 2407-4322 : 2503-2933

tersebut berada pada learning rate 0.3 sampai dengan 0.9. Hal ini disebabkan oleh fungsi pemisah (klasifier/learning machine) secara optimal dapat memisahkan kelas yang satu dengan kelas yang lainnya. Setiap kelas memiliki pola yang berbeda dan dipisahkan oleh fungsi pemisah, sehingga jika ada data baru yang akan diklasifikasikan akan diketahui kelas yang sesuai dengan data baru tersebut. Dengan demikian klasifikasi yang dihasilkan lebih sempurna baik. Tabel 1 Perbandingan TDLDA dan TDLDA – FFS dataset Stikom Metode Ekstraksi Cross Iterative Learning Rate Akurasi (%) TDLDA a = -, b = 0.3 66.67 a = -, b = 0.5 66.67 a = -, b = 0.7 66.67 a = -, b = 0.9 66.67 TDLDA - FFS a = 0.5 , b = 0.5 0.3 82.22 a = 0.5 , b = 0.5 0.5 82.22 a = 0.5 , b = 0.5 0.7 82.22 a = 0.5 , b = 0.5 0.9 82.22 Gambar 6 menunjukkan bahwa dengan melakukan ujicoba TDLDA-FFS dengan variasi learning rate yang berbeda-beda, menghasilkan akurasi terbaik pada learning rate 0.3 sampai dengan 0.9. Hal ini disebabkan karena matriks fitur yang diperoleh dari dataset real-time dengan metode TDLDA-FFS adalah matriks fitur yang baik jika dibandingkan TDLDA. Matriks fitur tersebut akan dijadikan input bobot guna mendapatkan jarak bobot yang optimal pada mesin learning yaitu menggunakan metode klasifier GRLVQ.

100 90 80 70 60 50 40 30 20 10 0

TDLDA-FFS TDLDA

0.001 0.003 0.005 0.007 0.009 0.01 0.03 0.05 0.07 0.09 0.1 0.3 0.5 0.7 0.9 1

Akurasi (%)

Grafik akurasi dengan variasi learning rate

Learning Rate Gambar 6 Grafik akurasi menggunakan database Stikom Surabaya dengan variasi learning rate Tabel 2 adalah perbandingan akurasi pengenalan wajah dengan jumlah sampel yang digunakan untuk pelatihan sebanyak 48 sampel citra per kelas. Dimana citra yang digunakan pada perbandingan tersebut berasal dari YaleB face dataset yang telah ter-preprocessing dengan baik. Secara keseluruhan, terlihat bahwa hasil uji coba dengan menggunakan metode ekstraksi fitur TDLDA-FFS menunjukkan akurasi pengenalannya lebih baik daripada metode ekstraksi fitur TDLDA. JikaTabel 1 dibandingkan denganTabel 2 maka akan terlihat bahwa dataset yang JCCS Vol. x, No. x, July201x : first_page–end_page

 9


berasal dari internet dengan memiliki akurasi yang lebih tinggi dibandingkan dataset yang berasal dari Institut Bisnis dan Informatika Stikom Surabaya. Hal ini dikarenakan data real time yang berasal dari Stikom Surabaya belum ter-preprocessing dengan baik seperti halnya dataset yang telah tersedia. Tahapan preprocessing merupakan langkah yang perlu diperhatikan juga karena akan bertujuan mendapatkan fitur-fitur optimal yang akan dimasukan pada proses ekstraksi fitur dan menjadi bobot inputan ketika akan diproses dengan metode klasifikasi yang telah diusulkan. Tabel 2 Perbandingan TDLDA dan TDLDA – FFS YaleB Database Metode Ekstraksi Cross Iterative Learning Rate Akurasi (%) TDLDA a = -, b = 0.3 83.33 a = -, b = 0.5 83.33 a = -, b = 0.7 83.33 a = -, b = 0.9 83.33 TDLDA - FFS a = 0.5 , b = 0.5 0.3 94.44 a = 0.5 , b = 0.5 0.5 94.44 a = 0.5 , b = 0.5 0.7 94.44 a = 0.5 , b = 0.5 0.9 94.44 Gambar 7 menunjukkan bahwa dengan melakukan ujicoba TDLDA-FFS dengan variasi learning rate yang berbeda-beda, menghasilkan akurasi terbaik pada learning rate 0.3 sampai dengan 0.9. Hal ini disebabkan karena matriks fitur yang diperoleh dari dataset internet dengan metode TDLDA-FFS adalah matriks fitur yang baik jika dibandingkan TDLDA. Matriks fitur tersebut akan dijadikan input bobot guna mendapatkan jarak bobot yang optimal pada mesin learning yaitu menggunakan metode klasifier GRLVQ.

Grafik akurasi dengan variasi learning rate Akurasi (%)

100 80 60 40

TDLDA-FFS

20

TDLDA

0.001 0.003 0.005 0.007 0.009 0.01 0.03 0.05 0.07 0.09 0.1 0.3 0.5 0.7 0.9 1

0

Learning Rate

Gambar 7 Grafik akurasimenggunakan YaleB Database dengan variasi learning rate Selain pada matriks fitur yang telah didapatkan, mesin klasifier juga berperan dalam menentukan jarak optimal yang akan dijadikan penentu dalam memisahkan setiap obyek ke dalam kelas yang telah ditentukan. Apabila matriks fitur yang didapatkan (yang akan dijadikan sebagai inputan pada mesin klasifier) tidak begitu optimal dalam mendapatkan fiturnya, maka mesin learning juga akan kesulitan dalam meminimalkan jarak terhadap setiap citra yang akan diujikan.




10

: 2407-4322 : 2503-2933

4. KESIMPULAN Performa pengenalan wajah menggunakan metode TDLDA dapat ditingkatkan dengan penggunaan fungsi optimasi FFS. Hasil penelitian menunjukkan bahwa performa TDLDA berbasis fungsi optimasi FFS lebih baik dibanding TDLDA khususnya variasi learning rate. Hasil uji coba dengan menggunakan database Stikom Surabaya menghasilkan perhitungan akurasi pengenalan wajah berkisar antara 77,78% - 82,22% pada variasi learning rate, dan pada database YaleB berkisar antara 88,89% - 94,44% pada variasi learning rate. Hal tersebut dikarenakan TDLDA-FFS mampu memproyeksikan baik dari euclidean structuredan manifold structuresecara simultan. Sehingga data yang bersifat linier dan nonlinier dapat dimaksimalkan fiturnya dengan baik.

5. SARAN ·

·

Adapun saran pada penelitian selanjutnya yang perlu diperhatikan yaitu : Pada data real-time seperti dataset Stikom Surabaya, perlumemperhatikan normalisasi dataset sebelum memulai metode ekstraksi fitur yang dapat memungkinkan terjadinya peningkatan akurasi pengenalan wajah. Dapat membandingkan keakurasian dengan fungsi optimasi lainnya yang dapat memperbaiki data-data bersifat non-linier.

UCAPAN TERIMA KASIH Penulis mengucapkan terima kasih kepada instansi-instansi terkait yang telah membantu penulis dalam menyelesaikan penelitian ini khususnya kepada Stikom Surabaya sebagai penyedia data kepada penulis.

DAFTAR PUSTAKA [1]

Jafri, R., Arabnia, H.R., 2009, A Survey of Face RecognitionTechniques, Journal of Information Processing Systems, vol 5. no. 2, hal 41-68.

[2]

Guiyu Feng, Dewen Hu, Zongtan Zhou, 2008, A Direct Locality Preserving Projections (DLPP) Algorithm for Image Recognition, Springer Science, hal 247-255.

[3]

Bashyal. S, Venayagamoorthy. G. K., 2008, Recognition of facial expressions using Gabor Wavelets and Learning Vector Quantization, Elsevier, hal 1056-1064.

[4]

Turk, M, A. Pentland, 1991, Face recognition using eigenfaces, Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, Maui, Hawaii, June.

[5]

Belhumeur, P. N, Heespanha, J. P, Kriegman, D. J, 1997, Eigenfaces vs Ficergaces : Recognition Using Class Specific Linear Projection, IEEE Transcations on Pattern Analysis and Machine Intelligence, vol 19. no.7, hal 711-720.

[6]

J. Ye, R. Janardan and Q. Li, 2005, Two-Dimensional Linear Discriminant Analysis, Advances in Neural Information Processing System, hal 1569-1576.



 11

[7]

Damayanti, 2010, Pengenalan Citra Wajah Menggunakan Two Dimensional Liner Discriminant Analysis dan Support Vector Machine, Tesis, Program Pasca Sarjana Teknik Informatika, Institut Teknologi Sepuluh Nopember, Surabaya.

[8]

Sinulingga, S, B. Afandi, dan P.A.R. Devi, 2015, Pengenalan Wajah Menggunakan Two Dimensional Linier Discrimininant Analysis berbasis Feature Fusion Strateg,Jurnal Cybermatika, vol. 3. no.1. hal 23-28.

[9]

Chen, W.S, X. Dai, B. Pan, and T. Huang, A novel discriminant criterion based on feature fusion strategy for face recognition,Neurocomputing, vol. 159, hal 67–77.

[10] Yang, J., Zhang, D., Yang, Y., Niu, B., 2007, Globally maximizing, locally minimizing: unsupervised discriminant projection with applications to face and palm biometrics, IEEE Trans. Pattern Anal. Mach. Intell., vol. 29, no. 4, hal 650-664

Pengenalan Wajah Menggunakan Two DimensionalLinear DiscriminantAnalysis Berbasis Optimasi Feature Fusion Strategy

Recommend Documents