ISSN : 2338-493X
1.
PENDAHULUAN
2. TINJAUAN PUSTAKA
2.1 Pengenalan Pola
Pola adalah suatu bentuk dimana
masing-masing pola memiliki ciri-cirinya.
Ciri-ciri tersebut digunakan utuk membedakan suatu pola dengan pola yang lainnya.
Ciri yang baik adalah ciri yang memiliki daya
pembeda
yang
tinggi,
se-hingga
pengelompokkan pola berdasarkan ciri yang
dimiliki dapat dilakukan dengan keakuratan
yang tinggi.[6]
2.2 Pengenalan Wajah (Face Recogni-tion )
Pengenalan wajah adalah salah satu
teknologi biometrik yang telah banyak
diaplikasikan dalam sistem keamanan 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
41
ISSN : 2338-493X
(new) yang ingin dikenali, proses yang sama
juga diberlaku-kan untuk image (new), untuk
meng-ekstraksi eigenvector (v) dan eigenvalue
(), kemudian cari nilai eigen-face dari image
test face (new). Setelah itu barulah image baru
(new) memasuki tahapan pengenalan dengan
menggunakan metode-euclidean distance.
Tahap perhitungan se-lengkapnya dapat dilihat
seperti berikut ini.
Tahapan Perhitungan Eigenface :[15]
1. Langkah pertama adalah menyiapkan data
dengan membuat suatu himpunan S yang
terdiri dari seluruh training image, (1, 2, ,
M)
S = (1, 2, , M) (1)
2. Langkah kedua adalah ambil nilai tengah
atau mean ()
=1
(2)
=1
(4)
=
= 1, ,
=1
(6)
ISSN : 2338-493X
2.2 OpenCv
OpenCv adalah library yang didalam-nya
terdapat berbagai fungsi yang diper-gunakan
dalam computer vision. OpenCv ditulis dengan
bahasa C dan C++ dan dapat berjalan di Linux,
Windows dan MacOS.[7] OpenCv ini adalah
library yang sudah sangat terkenal pada
pengolahan citra computer vision. OpenCv
didesain untuk aplikasi real-time, memiliki
fungsi-fungsi yang baik untuk image/video.
OpenCv sendiri terdiri dari 5 library, yaitu :
1. CV : untuk algoritma image processing dan
vision.
2. MLL : untuk machine learning library.
3. HighGUI : untuk GUI, Image dan Video
I/O.
4. CvAux
5. CXCORE : untuk struktur data, support
XML dan fungsi-fungsi grafis.
METODOLOGI
4.
PERANCANGAN
MENTASI
4.1 Komponen Sistem
DAN
IMPLE-
ISSN : 2338-493X
Misalnya, training image terdapat dua data
wajah seperti terlihat pada gambar 4.4 dan 4.5,
yang masing-masing memiliki nilai matriks.
=1
1
2
=
=1
1
= 0
0
2
1
0
1
0
1
1
2
0 1
2 0 +
2 4
1 1
1 0
2 2
0 1
1 0
2 3
0 1
1 0
2 3
1
1 0
0 0 1
0 2
2
1
0
3
44
1 0
0 0
0 1
2
1
0
ISSN : 2338-493X
=1
1
0
2 = 0
3
0
0
0
3
b. Untuk 2 = 1, maka :
2
1
0
2
0
1
0
2 = 0
3
0
0
0
3
0 0
0 0
1 1
2 1
= 1 2
0 0
1
0
1 0
0
0 0 0
0 1
1
0
1
1
0
0
0
0
0
0
1
1
0
1
0
0
3
c. Untuk 3 = 3, maka :
2
1
0
1
2
0
1
0
2 = 0
3
0
0
0
3
1 0
L adalah 1 1 0
0
=
1 0
0= 0 1
0 0
0
2 1
0 1 2
1
0 0
0
0
3
=1
= 1, ,
1
2
0
0
0
3
=1
= 2
3
Eigenvector () dihasilkan dengan mensubstitusikan nilai eigenvalue () kedalam
persamaan = 0. Eigenvector dari
masing-masing
eigenvalue
didapat
berdasarkan masing-masing kolom eigenvalue dan kemudian dihimpun kembali
menjadi satu matriks.
a. Untuk 1 = 3, maka :
1 = x 1
1 1 0
1
= 1 1 0 x 1
0
0 0
0
0 1
1 = 2 1
0
0
2 = x 2
0
2 = 0
0
0 0
1 0
0 1
0
0
0
1
= 1
0
1 0
1 0
0 0
1 0
0
1 0 x 0
0 0
1
1 0
0 0
0 1
45
2
= 1
0
1 1
1 0
2 1 0 1
2 4
0 2
1
= 1
0
1 0
1 1
0 1
ISSN : 2338-493X
0
2
0
0 1
2 1
0
0
0
2
0
0
=
1
2
0
+ 1 2+ 1 2+ 0 2+ 1
1 2+ 0 2+ 0 2+ 0 2
= 4 =2
2 =
0
2
0
0 1
2 1
0
0
0
0
0
1
1
0
0
1
0
3
0
0
0
0
0
0
+ 1 2+ 1 2+ 4 2+ 1
1 2+ 0 2+ 0 2+ 0 2
= 8 = 2,828
Dalam hasil perhitungan, diperoleh jarak
eigenface citra wajah satu memiliki jarak yang
terkecil. Karena jarak eigenface wajah satu
dengan testface yang paling kecil, maka hasil
identifikasi menyimpul-kan bahwa testface
lebih mirip dengan wajah satu dibandingkan
dengan wajah dua.
1 0
1 1
1 0 x 1 1
0 0
0 0
0
= 2
0
0 1
2 1
0
0
0
1
1
ISSN : 2338-493X
ISSN : 2338-493X
dengan uji coba absensi sebanyak 10 kali yang
dilakukan oleh 5 orang dengan data-base
berjumlah 20 data dan 10 data. Untuk posisi
wajah, yang sangat baik adalah posisi wajah
menghadap ke depan. Hasil dari uji coba
tersebut dapat dilihat pada tabel di bawah ini.
ISSN : 2338-493X
Berikut adalah hasil scan dengan
database sebanyak 10 data :
Tabel 6. Hasil scan citra wajah 1 dengan
database sebanyak 10 data wajah
49
ISSN : 2338-493X
sebanyak 10 data wajah, persen-tase
keberhasilan sebesar 90%.
Berdasarkan hasil uji coba dan hasil pada
tabel tersebut menunjukan hasil persentase
yang berbeda pada setiap citra wajah dan pada
saat jumlah database yang berbeda, hasil
persentase juga menunjukkan perbedaan pada
masing-masing citra wajah. Pada saat
database yang terdiri dari 20 orang, hasil test
menunjukkan hasil yang berbeda antara citra
wajah 1 hingga citra wajah 5. Citra wajah 1
menghasilkan per-sentase sebesar 60%, citra
wajah 2 meng-hasilkan persentase sebesar
50%, citra wajah 3 menghasilkan persentase
sebesar 40%, citra wajah 4 menghasilkan
persen-tase sebesar 60%, da citra wajah 5
meng-hasilkan persentase sebesar 50%.
Sedangkan pada saat database ber-jumlah
10 orang, hasil yang didapat juga berbedabeda antara citra wajah 1 hingga citra wajah 5.
Pada citra wajah 1 meng-hasilkan persentase
sebesar 100%, citra wajah 2 menghasilkan
persentase sebesar 90%, citra wajah 3
menghasilkan persen-tase sebesar 80%, citra
wajah 4 mengasil-kan persentase sebesar 80%
dan citra wajah 5 mengasilkan persentase
sebesar 90%.
6.
KESIMPULAN
SARAN
ISSN : 2338-493X
[7] Denny, M. 2012. Pengenalan Computer
Vision dengan EmguCV di C#.Net.
http://bisakomputer.com/pengenalancomputer-vision-dengan-emgucv-di-cnet/
[8] Hermawati, F. A. 2013. Pengolahan Citra
Digital. Yogyakarta: Penerbit Andi.
[9] Indra. 2012. Sistem Pengenalan Wajah
Dengan Metode Eigenface Untuk
Absensi Pada PT. florindo lestari.
Jakarta: Universitas Budi Luhur.
[10] Iqbal,
Muhammad.
2009.
Dasar
Pengolahan
Citra
Menggunakan
MATLAB. Bogor: Institut Pertanian
Bogor.
[11] Lestya Dila Rahma. 2009. Pengolahan
Wajah Berdasarkan Pengolahan Citra
Digital Dengan Metode Gabor Wavelet.
Universitas Sumatera Utara. Medan
[12] Rahim, M.A. 2013.Perancangan Aplikasi
Pengenalan Wajah Menggunakan Metode
Viola Jonnes.Medan: STMIK Budi
Dharma.
[13] Sianipar, R. H. 2014. Pemrograman
Visual Basic.NET. Bandung: Informatika
Bandung.
[14] Suprianto, D. 2013. Sistem Pengenalan
Wajah Secara Real-Time, dengan
Adaboost, Eigenface PCA & MySql.
Malang. Universitas Brawijaya Malang.
[15] Turk, M and Pentland, A. 1991. Face
Recognition
Using
Eigenfaces.
http://www.cs.ucsb.edu/~mturk/Papers/m
turk-CVPR91.pdf
51