Anda di halaman 1dari 6

SISTEM PENGENALAN WAJAH DENGAN MENGGUNAKAN METODE

LINEAR DISCRIMINANT ANALYSIS (LDA)


Firman Brilian1, Arief Fatchul Huda2, Ichsan Taufik3
1, 2,3

Jurusan Teknik Informatika, Fakultas Sains dan Teknologi


Universitas Islam Negeri Sunan Gunung Djati Bandung
Jl. A.H. Nasution 105, Bandung
firman.brilian@gmail.com, arvada@yahoo.com, ichsan@if.uinsgd.ac.id
ABSTRAK: Pengenalan wajah merupakan salah satu pengolahan citra yang telah berhasil dan telah diaplikasikan
dalam berbagai bidang baik yang bersifat komersial maupun digunakan untuk kepentingan pemerintahan. Masalah
pada pengenalan wajah manusia ini adalah pada perubahan sudut, cahaya dapat mempengaruhi proses pengenalan
wajah manusia. Pada sistem ini data yang dapat dikenali berasal dari data wajah yang sebelumnya melakukan foto
kepada orang dengan beberapa variasi. Data wajah yang akan dikenali melalui proses pengolahan citra, dimana citra
data awal berformat RGB terlebih dahulu merubah format menjadi grayscale, setelah itu data citra akan mengalami
proses cropping dengan melakukan pemotongan bagian gambar yang tidak diperlukan dalam proses pelatihan,
setelah itu data wajah selanjutnya akan mengalami proses resize agar pada saat sistem melakukan proses tidak
terlalu berat. Data citra ini memiliki 2 tahapan yaitu pelatihan dan pengetesan. Pada proses pelatihan metode yang
digunakan adalah Linear Discriminant Analysis dimana data akan mengalami pengurangan dimensi dan dimana data
akan dipelajari oleh sistem yang kemudian informasi pelatihan ini digunakan sebagai data input pada saat klasifikasi
menggunakan K-NN untuk digunakan untuk mengenali wajah manusia pada saat pengetesan. Berdasarkan hasil
penelitian metode ini dapat melakukan pengenalan wajah manusia dengan komposisi data pelatihan sebanyak 6
variasi dan data pengujian sebanyak 4 variasi dengan mengambil nilai karakteristik atau nilai eigen sebanyak 80
dapat melakukan pengenalan wajah manusia dengan keakuratan sebesar 70 % dalam melakukan pengenalan wajah
manusia.
Kata Kunci: LDA, K-NN, Pengenalan Wajah
1.

PENDAHULUAN
Beberapa tahun terakhir perkembangan teknologi
berkembang sangat pesat dari perkembangan tersebut
memunculkan beberapa perkembangan yang baik
terhadap teknologi pengenalan wajah manusia yang
mendapatkan perhatian serius dari beberapa peneliti
dibidang face localization yaitu pendeteksian wajah
manusia namun dengan asumsi hanya ada satu wajah
manusia di dalam citra, penjejakan wajah (face
tracking) untuk memperkirakan lokasi suatu wajah
manusia dalam video secara real time, dan
pengenalan ekspresi wajah (facial expression
recognition) untuk mengenali kondisi emosi manusia
[16].
Selain itu dalam bidang penelitian pemrosesan
wajah (face processing), pendeteksi wajah manusia
(face detection) adalah salah satu tahap awal yang
sangat penting di dalam proses pengenalan wajah
manusia (face recognition). Sistem pengenalan wajah
manusia digunakan untuk membandingkan satu citra
wajah manusia masukan dengan suatu database
wajah dan menghasilkan wajah yang paling cocok
dengan citra tersebut. Dengan berkembangnya
teknologi yang berkembang pesat dan beberapa
penelitian tentang pengenalan wajah, hal tersebut

dapat diimplementasikan pada pembuatan sistem


keamanan suatu perusahaan, dengan sistem
pengenalan wajah manusia seseorang yang tidak
memiliki hak akses tidak dapat masuk ke dalam
ruangan tersebut.
Dalam pengenalan wajah terdapat beberapa
metode yang biasa digunakan antara lain Principal
Component Analysis , Linear Discriminant Analysis
dan Edge detection. Linear Discriminant Analysis
merupakan sebuah metode dalam mengekstraksi ciri
suatu objek. Dalam mengekstraksi ciri, LDA
membagi beberapa kelas dalam pencarian ciri,
misalnya ada data enam orang, dimana setiap orang
terbagi menjadi setiap kelas. Jika dibandingkan
dengan metode-metode lain, LDA memiliki ketepatan
yang sangat tinggi dalam mengenali wajah seseorang,
dikarenakan dalam metode LDA ini memiliki banyak
data dalam pengenalan wajah seseorang.
2. TINJAUAN PUSTAKA
Sistem Pengenalan Wajah
Pengenalan wajah manusia adalah bidang
penelitian penting dengan banyak aplikasi yang dapat
menggunakannya. Penelitian terhadap pengenalan
wajah manusia sudah banyak dilakukan dengan

kelebihan dan kekurangan tertentu. Hal ini


disebabkan karena wajah manusia merepresentasikan
sesuatu yang kompleks dan mengembangkan model
komputasi untuk pengenalan wajah manusia adalah
hal yang sulit. [8]

dibagi ke dalam beberapa kelas sesuai dengan


kelompoknya dengan mengunakan informasi ini LDA
mempunyai ketepatan yang lebih tinggi dalam proses
pengenalan data wajah dibandingkan dengan
beberapa metode yang lain dalam ekstraksi ciri.
Dimana perbedaan dengan yang lain terdapat pada
arah optimal vector w sehingga jarak antar mean
maksimal dan lebar varian minimal tersebut dapat
dilihat pada Gambar 1

Pengenalan wajah ini dibagi menjadi dua bagian


yaitu: dikenali dan tidak dikenali, setelah dilakukan
perbandingan dengan pola yang sebelumnya
disimpan di dalam database. Perhitungan model
pengenalan wajah memiliki beberapa masalah.
Kesulitan muncul ketika wajah dipresentasikan dalam
suatu pola yang berisi informasi unik yang
membedakan dengan wajah lain. Metode pengenalan
wajah memiliki dua prosedur, yaitu :
a. Pengenalan kontur wajah dengan mengenali
bentuk hidung, mata dan mulut dan bentuk
korelasi diantara keduanya. Karakteristik organ
tersebut kemudian dinyatakan dalam bentuk
vektor.
b. Analisis komponen yang prinsipil, berdasarkan
informasi dari konsep ini, mencari perhitungan
model terbaik yang menjelaskan bentuk wajah
dengan mengutip informasi yang paling relevan
yang terkandung didalam wajah tersebut.
Dibalik kemudahan pengenalan wajah, ada
beberapa masalah yang mungkin timbul dalam proses
pengenalan wajah yang biasa disebut dengan robust,
yaitu:
a) Perubahan skala Citra seseorang dapat
dipresentasikan berbeda diakibatkan perbedaan
jarak antara wajah dengan kamera. Semakin
dekat jarak maka citra akan semakin besar.
b) Perubahan posisi Citra seseorang dapat
dipresentasikan berbeda diakibatkan perubahan
posisi seseorang ataupun perubahan sudut
pengambilan wajah.
c) Perubahan cahaya Citra seseorang dapat
dipresentasikan berbeda diakibatkan perubahan
intensitas cahaya yang terjadi pada saat
pengambilan citra.
Perubahan detail dan ekspresi Citra seseorang
dapat dipresentasikan berbeda diakibatkan perubahan
detail seperti adanya janggut, kumis, pemakaian
aksesoris, perubahan gaya, perubahan ekspresi wajah
menjadi tertawa, tersenyum, muram, menangis dan
lain sebagainya yang dapat mengakibatkan perubahan
citra.

Gambar 1 Arah optimal vector w sehingga jarak


antar mean maksimal dan lebar varian minimal
[7]
a.

Mencari matriks scatter between class


SB disebut matriks scatter between class atau
penyebaran data antar kelas yang berbeda. Bila
pada PCA dicari rata-rata seluruh image saja,
rnaka pada LDA juga harus dicari lebih dulu
rata-rata image yang terdapat dalam satu kelas.
Berikut rumus mencari matriks scatter between
class :
c

SB =

Ni

i=1

Dimana

Ni = Jumlah Image pada kelas ke i


i = rata rata kelas ke i
= rata-rata total
C = Jumlah kelas yang ada

b. Mencari scatter within class


SW disebut matriks scatter within class atau
penyebaran data dalam satu kelas yang sama.
Berikut rumus mencari matriks scatter within
class :
c

SW =

Linear Discriminant Analysis


Linear
Discriminant
Analysis
(LDA)
merupakan metode klasik untuk analisis multivariat.
Dimana bertujuan untuk mendapatkan cara yang
efisien dalam menyajikan ulang ruang wajah dengan
data pelatihan dibagi dalam beberapa kelas atau
kategori wajah. Data gambar dalam data pelatihan

Ni( Xk -

i) ( Xk - i) T

i=1

Dimana

c.

Xk = Image ke k
C = Jumlah kelas yang ada
I = rata-rata kelas ke I

Mencari Covarian matriks LDA

Berbeda dari PCA yang mendapatkan


covarian matrix dari seluruh image dikurangi
rata-rata totalnya, covarian Matrix LDA
didapatkan dari operasi antara Sb dan Sw.
dimana C adalah covarian matrix LDA. Maka
Rumus dari covarian matriks LDA sebagai
berikut :
C = SBSW-1
d. Mencari Eigen vector dan Eigen value
Yang dimaksud dengan eigenvalue adalah
sebuah bilangan skalar dan eigenvector adalah
sebuah
matriks
yang
keduanya
dapat
mendifinisikan matriks A.

Gambar 2 menerangkan bagaimana sistem


pengenalan wajah manusia bekerja sehingga dapat
mengetahui identitas data yang akan dikenali

Gambar 2 Skema Sistem Pengenalan Wajah


Di dalam arsitektur sistem terdapat beberapa tahap
yaitu :
a. Pada tahap pertama data gambar yang sudah
dalam bentuk grayscale
akan mengalami
ekstraksi ciri dengan metode LDA buat mencari
nilai karakteristik dan mengurangi dimensi
diproyeksikan terhadap nilai normalisasi gambar
yang akan diujikan.
b. Selanjutnya gambar yang akan diujikan dicari
nilai normalisasi dan diproyeksikan hasil terhadap
gambar hasil pelatihan sebagai matriks proyeksi.
Lalu hasil matriks proyeksi diklasifikasikan
menggunakan KNN setelah diklasifikasi maka akan
mengetahui wajah yang kita cari itu akan mengetahui
pemilik data wajah yang kita cari. Alur dari LDA bisa
dilihat pada Gambar 3 berikut.

e.

Mencari Feature LDA


Feature LDA dicari dengan cara yang sama
seperti pada PCA.Feature dapat dicari dengan
persamaan sebagai berikut
I= data tiap pixel
dari
image
training ke-I
m = jumlah image training
Klasifiksi K-NN
K-Nearest Neighbor (K-NN) adalah suatu
metode
yang
menggunakan
algoritma
supervised dimana hasil dari query instance yang
baru diklasifikan berdasarkan mayoritas dari
kategori pada K-NN. Tujuan dari algoritma ini
adalah mengklasifikasikan obyek baru bedasarkan
atribut dan training sample
Langkah 0 Tentukan k, siapkan data training dan
data testing
Langkah

3.

Cari jarak antara data baru dengan


data
training
menggunakan
Euclidean
distance

Langkah 2

Urutkan jarak data secara menaik


(ascending) dan pilih data sejumlah
k dengan jarak terdekat

Langkah 3

Data baru diklasifikasikan ke kelas


terbanyak data sejumlah k

Gambar 3 Alur LDA


Pada proses LDA memiliki beberapa tahap dalam
proses seperti pada Gambar 3 adapun tahap LDA
sebagai berikut :

Analisis dan perancangan Sistem

a.

b.

c.

d.
e.

f.

g.

h.

i.

Tahap pertama siapkan data wajah dengan


beberapa variasi disiapkan misalnya yang
digunakan adalah 2 orang dengan 10 variasi.
Setelah data disiapkan selanjutnya akan
mengalami proses Preprocessing dimana dalam
proses preprocessing tersebut data wajah akan
mengalami beberapa pase yaitu RGB to Grey
merubah data gambar ke bentuk keabuan,
selanjutnya proses cropping yaitu memotong
gambar yang tidak diperlukan dan resize yaitu
memperkecil ukuran gambar.
Setelah didapatkan data wajah hasil dari
preprocessing selanjutnya data tersebut diubah
dengan menjadi matriks vector dan nanti
hasilnya berupa matriks dengan dimensi 20 x
896 selanjutnya hasil dari matriks vector lalu
membentuk kelas karena ada dua wajah manusia
yang berbeda dengan demikian kelas ada dua.
Tahap selanjutnya mencari ukuran gambar
tersebut yang dimana akan digunakan dalam
mencari matriks scatter within class. Dan pada
proses selanjutnya mencari nilai normalisasi
dimana nilai tersebut didapat dari nilai matriks
vector dikurangi matriks gambar
Kemudian
mencari nilai rata-rata setiap
kelasnya dan rata totalnya yang akan digunakan
dalam mencari matriks scater between class.
Pada tahap selanjutnya mencari matriks scatter
within class dengan maksud mencari jarak di
antara kelas dan mencari matriks scatter between
class dengan maksud mencari jarak di dalam
kelas sendiri.
Lalu mencari nilai covarian yang merupakan
inputan dari nilai matriks scatter betwenn class
dikalikan invers dari matriks scatter within class.
Selanjutnya mencari nilai eigen vector dan eigen
value
Setelah didapat nilai eigen value selanjutnya
diurutkan dari terbesar sampai terkecil yang
bersesuaian dengan indeks eigen vector dan
diambil beberapa saja misalnya mengambil 60
variabel dari 896 variabel yang kemudian
diproyeksikan terhadapa nilai normalisasi
sebagai matriks proyeksi.
Data hasil matriks proyeksi sebagai inputan
dalam mengklasifikasi dengan menggunakan KNN dengan maksud mencari nilai ketetanggaan
dan mencari nilai minimum yang paling dekat.
Lalu didapatkan gambar wajah yang kita tes

yang akan dibuat dan akan diimplementasikan dalam


sebuah program.

Diagram Konteks
Berikut
merupakan
Diagram
Konteks
Pengenalan Wajah Manusia yang terlihat pada
Gambar 4 :

Gambar 4 Diagram Context Sistem Pengenalan


Wajah
4.

Implementasi Sistem

Persiapan Sistem
Beberapa hal yang harus dipersiapkan dalam
pengimplementasian adalah sebagai berikut :
Spefikasi Perangkat Lunak
Adapun spesifikasi perangkat lunak yang
digunakan untuk mengimplementasikan sistem ini
adalah:
1. Sistem operasi yang digunakan adalah
Windows 7 Ultimate SP 1
2. Matlab Digunakan untuk membuat sistem
Pengenalan wajah
Implementasi Antarmuka
Pada
Gambar
5 merupakan hasil
implementasi antarmuka dari penerapan metode LDA
pada sistem pengenalan wajah manusia secara offline:

Pemodelan Sistem
Dalam Pemodelan sistem citra wajah digunakan
untuk memberikan gambaran tentang sistem yang
akan dibuat yaitu penggambaran sistem dalam bentuk
diagram konteks ini menggambarkan seluruh sistem

Gambar 5 Implementasi Antarmuka secara offline

Sedangkan pada Gambar 6 berikut merupakan hasil


implementasi antarmuka dari penerapan metode LDA
pada Sistem pengenalan wajah manusia secara online
Tabel 1 Hasil percobaan

6.

Kesimpulan dan saran

Kesimpulan
Setelah melakukan penelitan ini maka dapat
ditarik kesimpulan sebagai berikut :
a. Bahwa metode Linear Discriminant Analysis
diterapkan pada proses extraction fiture dimana
proses ini diterapkan ketika proses preprocessing
telah dilakukan.
b. Data yang telah didapatkan dari extraction fiture
tersebut diklasifikasi dengan langkah-langkah
mengetes gambar yang akan diuji dengan
beberapa kali iterasi,mencari jarak terdekat dan
mencari nilai minimal dimana proses tersebut
dipakai dalam pengenalan suatu wajah.

Gambar 6 Implementasi Antarmuka secara online


5.

Pengujian Sistem
Pengujian
adalah
suatu
proses
pengeksekusian program yang bertujuan untuk
menemukan
kesalahan.
Pengujian
sebaiknya
menemukan kesalahan yang tidak disengaja dan
pengujian dinyatakan sukses jika berhasil
memperbaiki kesalahan tersebut. Selain itu,
pengujian juga bertujuan untuk menunjukkan
kesesuaian fungsi-fungsi perangkat lunak dengan
spesifikasinya. Gambar 7 merupakan langkahlangkah dalam pengujian sistem pengenalan wajah

Saran
Sistem pengenalan wajah yang menggunakan
metode Linear Disciminant Analysis tersebut dapat
diterapkan pada berbagai aplikasi seperti absensi
yang mengunakan wajah sebagai pengenalan ataupun
sistem keamanan yang mengunakan wajah sebagai
data inputannya
.
Daftar Pustaka
[1] Afdal, 2011, Penentuan kateristik batuan dengan
metode linear discriminant analysis.
[2] Azizah, R., 2005, Pengenalan wajah dengan
metode subspace LDA, Insitut teknologi
sepuluh November.
[3] Damayanti, F., 2010, Pengenalan citra wajah
dengan menggunakan metode Linear
Discriminant Analysis dan support vector
marchine..

Gambar 7 Skema Pengujian


Tabel 1 merupakan hasil sebuah test telah dilakukan
dengan melakukan dengan beberapa data pelatihan
dan data pengetesan

[4] Kendall, E.K., 2010, Systems Analysis and


Design 8th Edition, Prentice Hall.

[11] Pressman, R.S., 2002, Rekaya Perangkat Lunak,


Penerbit McGrawHill Translate Andi
Publisher

[5] Ganaphthiraju, Linear discriminant brief tutorial,


Institute for Signal and Information
Processing Department of Electrical and
Computer Engineering Mississippi State
University.

[12] Prijono, A., 2007, Pengolahan citra digital


menggunakan
Matlab,
Penerbit
Informatika, Bandung

[6] Guitierez, R., Linear Discriminant Analysis,Two


Classes.

[13] Putra, D., 2010, Pengolahan citra digital,


Penerbit Andi, Yogyakarta

[7] Huda, A.F., 2008, Pengenalan wajah 3d, Gambar


berkualitas rendah mengunakan
kernel
linear discriminant, Universitas Indonesia,
Depok

[14] Shirren. (2008). A tutorial on reduction data


linear discriminant analysis.University
Lioussivile

[8] Lukas, S., 2010, System Pengenalan Citra Wajah


Berbasis Transformasi Wavelet Diskrit Dan
Teori Rough Set,
Universitas Pelita
Harapan, Tangerang

[15] Stanz. ,2011, Handbook Of face recognition,


Penerbit Springer
[16] Yang, T. T., Menon, V., Eliez, S., Blasey, C.,
White, C. D., Reid, A. J.,& Reiss, A. L.
(2002). Amygdalar activation associated
with positive and negative facial
expressions. Brain Imaging, 13(14), 17371741.

[9] Mario, 2009, State Of The Art Face Recognition,


Penerbit IN-The, Vienna Austria
[10] Munir, R., 2004, Pengolahan citra digita,
Penerbit Informatika, Bandung