Anda di halaman 1dari 13

IMPLEMENTASI SISTEM PENDETEKSI

WAJAH MANUSIA PADA CITRA DIGITAL

(PROPOSAL TESIS )

Program Studi Magister Ilmu Komputer


Jurusan Ilmu-Ilmu Matematika dan Ilmu Pengetahuan Alam

diajukan oleh
Setyo Nugroho
No. Mahasiswa : 18661/I-4/1445/02

Kepada
PROGRAM PASCASARJANA
UNIVERSITAS GADJAH MADA
YOGYAKARTA
DESEMBER 2003
Usulan Penelitian
IMPLEMENTASI SISTEM PENDETEKSI
WAJAH MANUSIA PADA CITRA DIGITAL

yang diajukan oleh


Setyo Nugroho
No. Mahasiswa : 18661/I-4/1445/02

telah disetujui oleh:

Pembimbing

Drs. Agus Harjoko, M.Sc, Ph.D. tanggal……………………


IMPLEMENTASI SISTEM PENDETEKSI
WAJAH MANUSIA PADA CITRA DIGITAL

1. LATAR BELAKANG

Dewasa ini teknologi pengenalan wajah semakin banyak

diaplikasikan, antara lain untuk sistem pengenalan biometrik (yang dapat juga

dikombinasikan dengan fitur biometrik yang lain seperti sidik jari dan suara),

sistem pencarian dan pengindeksan pada database citra digital dan database video

digital, sistem keamanan kontrol akses area terbatas, konferensi video, dan

interaksi manusia dengan komputer.

Dalam bidang penelitian pemrosesan wajah (face processing),

pendeteksian wajah manusia (face detection) adalah salah satu tahap awal yang

sangat penting di dalam proses pengenalan wajah (face recognition). Sistem

pengenalan wajah digunakan untuk membandingkan satu citra wajah masukan

dengan suatu database wajah dan menghasilkan wajah yang paling cocok dengan

citra tersebut jika ada. Sedangkan autentikasi wajah (face authentication)

digunakan untuk menguji keaslian/kesamaan suatu wajah dengan data wajah

yang telah diinputkan sebelumnya. Bidang penelitian yang juga berkaitan dengan

pemrosesan wajah adalah lokalisasi wajah (face localization) yaitu pendeteksian

wajah namun dengan asumsi hanya ada satu wajah di dalam citra, penjejakan

wajah (face tracking) untuk memperkirakan lokasi suatu wajah dalam video

1
secara real time, dan pengenalan ekspresi wajah (facial expression recognition)

untuk mengenali kondisi emosi manusia (Yang, 2002).

Gambar 1. Contoh hasil pendeteksian wajah


yang dilakukan oleh Rowley (Rowley, 1998)

Pada kasus tertentu seperti pemotretan untuk pembuatan KTP, SIM,

dan kartu kredit, citra yang didapatkan umumnya hanya berisi satu wajah dan

memiliki latar belakang seragam dan kondisi pencahayaan yang telah diatur

sebelumnya sehingga deteksi wajah dapat dilakukan dengan lebih mudah. Namun

pada kasus lain sering didapatkan citra yang berisi lebih dari satu wajah, memiliki

latar belakang yang bervariasi, kondisi pencahayaan yang tidak tentu, dan ukuran

wajah yang bervariasi di dalam citra. Contohnya adalah citra yang diperoleh di

bandara, terminal, pintu masuk gedung, dan pusat perbelanjaan. Selain itu juga

pada citra yang didapatkan dari foto di media massa atau hasil rekaman video.

Pada kasus tersebut pada umumnya wajah yang ada di dalam citra memiliki

2
bentuk latar belakang yang sangat bervariasi. Gambar 1 menunjukkan contoh

hasil pendeteksian wajah yang dilakukan oleh Rowley (Rowley, 1998).

Penelitian ini akan difokuskan pada masalah pendeteksian wajah.

Dengan sistem pendeteksi wajah yang akurat, maka proses selanjutnya yaitu

pengenalan wajah dapat dilakukan dengan lebih mudah.

2. PERUMUSAN MASALAH

Masalah deteksi wajah dapat dirumuskan sebagai berikut: dengan

masukan berupa sebuah citra digital sembarang, sistem akan mendeteksi apakah

ada wajah manusia di dalam citra tersebut, dan jika ada maka sistem akan

memberitahu berapa wajah yang ditemukan dan di mana saja lokasi wajah

tersebut di dalam citra. Keluaran dari sistem adalah posisi dari subcitra yang

berisi wajah yang berhasil dideteksi.

3
3. PEMBATASAN MASALAH

Pada sistem deteksi wajah ini diberikan pembatasan masalah sebagai

berikut:

• Citra masukan yang digunakan adalah hitam putih dengan 256 tingkat

keabuan (grayscale).

• Wajah yang akan dideteksi adalah wajah yang menghadap ke depan

(frontal), dalam posisi tegak, dan tidak terhalangi sebagian oleh objek lain.

• Metode yang dipakai adalah jaringan syaraf tiruan multi-layer perceptron

dengan algoritma pelatihan back-propagation.

4. KEASLIAN PENELITIAN

Penelitian tentang deteksi wajah dan pengenalan wajah telah

dilakukan sebelumnya, antara lain dengan menggunakan metode Eigenface (Turk

dan Pentland, 1991), dengan distribusi Gaussian dan clustering (Sung dan

Poggio, 1994), dengan jaringan syaraf tiruan dan arbitrasi (Rowley et al., 1998),

dengan support vector machine (Osuna et al., 1997), dan dengan metode statistik

dan wavelet (Schneiderman, 2000).

Pada tesis ini penulis akan mencoba mengimplementasikan sistem

pengenalan wajah dengan jaringan syaraf tiruan multi-layer perceptron dengan

algoritma pelatihan back-propagation. Kemudian akan dilakukan penelitian pada

pengaruh berbagai parameter yang digunakan terhadap unjuk kerja dari sistem.

4
Parameter-parameter yang digunakan misalnya jumlah unit dan bobot koneksi

pada hidden layer, pemakaian momentum, besarnya learning rate, banyaknya data

pelatihan, dan susunan dari jaringan syaraf tersebut. Untuk itu kami akan

membuat suatu program aplikasi sistem pendeteksi wajah yang dapat dijalankan

pada personal komputer, kemudian melakukan pelatihan pada sistem tersebut,

dan melakukan evaluasi terhadap unjuk kerjanya.

5. MANFAAT PENELITIAN

Hasil penelitian ini diharapkan dapat digunakan sebagai langkah awal

untuk membangun sistem pemrosesan wajah yang menyeluruh, yang bisa

diaplikasikan pada sistem pengenalan wajah atau verifikasi wajah. Program

aplikasi yang dibuat juga dapat dijadikan bahan untuk penelitian lebih lanjut di

bidang yang berkaitan.

Dengan penyesuaian tertentu, metode yang digunakan mungkin dapat

juga dimanfaatkan untuk sistem deteksi objek secara umum yang tidak hanya

terbatas pada wajah, misalnya deteksi kendaraan, pejalan kaki, bahan produksi,

dan sebagainya.

Dari hasil penelitian ini juga diharapkan dapat diperoleh pemahaman

yang lebih baik terhadap jaringan syaraf tiruan, dan pengaruh berbagai parameter

yang digunakan terhadap unjuk kerja pengklasifikasi jaringan syaraf tiruan.

5
6. TUJUAN PENELITIAN

Penelitian bertujuan untuk membuat suatu desain dan implementasi

sistem deteksi wajah dengan masukan berupa citra digital sembarang. Sistem ini

akan menghasilkan subcitra yang berisi wajah-wajah yang berhasil dideteksi.

7. TINJAUAN PUSTAKA

Citra didefinisikan sebagai fungsi intensitas cahaya dua-dimensi f(x,y)

dimana x dan y menunjukkan koordinat spasial, dan nilai f pada suatu titik (x,y)

sebanding dengan tingkat kecerahan (gray level) dari citra di titik tersebut. Citra

digital adalah citra dengan f(x,y) yang nilainya di-digitalisasi-kan (dibuat diskrit)

baik dalam koordinat spasialnya maupun dalam gray levelnya. Digitalisasi dari

koordinat spasial citra disebut dengan image sampling, sedangkan digitalisasi

dari gray level citra disebut dengan gray-level quantization. Citra digital dapat

dibayangkan sebagai suatu matriks dimana baris dan kolomnya

merepresentasikan suatu titik di dalam citra, dan nilai elemen matriks tersebut

menunjukkan gray level di titik tersebut (Gonzalez, 1992).

Jaringan syaraf tiruan adalah suatu sistem pemrosesan informasi yang

cara kerjanya memiliki kesamaan tertentu dengan jaringan syaraf biologis.

Jaringan syaraf tiruan dikembangkan sebagai model matematis dari syaraf

biologis dengan berdasarkan asumsi bahwa:

6
(1) Pemrosesan terjadi pada elemen-elemen sederhana yang disebut neuron.

(2) Sinyal dilewatkan antar neuron melalui penghubung.

(3) Setiap penghubung memiliki bobot yang akan mengalikan sinyal yang

lewat.

(4) Setiap neuron memiliki fungsi aktivasi yang akan menentukan nilai sinyal

output.

Jaringan syaraf digolongkan menjadi berbagai jenis berdasarkan pada:

(1) Arsitektur, yaitu pola hubungan antara neuron-neuron.

(2) Algoritma training, yaitucara penentuan nilai bobot pada penghubung.

(3) Fungsi aktivasi pada neuron.

Gambar 2 menunjukkan contoh jaringan syaraf sederhana dengan 2 input unit, 2

hidden unit, dan 1 output unit.

w1,1
X1 Y1 v1

w1,2
Z
w2,1

X2 Y2 v2
w2,2

Gambar 2. Contoh jaringan syaraf tiruan


dengan 2 input unit, 2 hidden unit, dan 1 output unit.

7
Salah satu algoritma jaringan syaraf tiruan yang banyak dimanfaatkan dalam

bidang pengenalan pola adalah backpropagation. Algoritma pelatihan

backpropagation pada dasarnya terdiri dari tiga tahapan, yaitu:

(1) Input nilai data pelatihan sehingga diperoleh nilai output

(2) Propagasi balik dari nilai error yang diperoleh

(3) Penyesuaian bobot koneksi untuk meminimalkan nilai error

Ketiga tahapan tersebut diulangi terus-menerus sampai mendapatkan nilai error

yang diinginkan. Setelah training selesai dilakukan, hanya tahap pertama yang

diperlukan untuk menggunakan jaringan syaraf tiruan yang dihasilkan. (Fausett,

1994).

Deteksi objek dapat dipandang sebagai masalah klasifikasi pola

dimana dari input yang berupa citra masukan akan ditentukan output berupa label

kelas dari input tersebut. Dalam hal ini terdapat dua label kelas, yaitu wajah dan

non-wajah (Sung, 1996).

8
8. METODE PENELITIAN

Metode yang akan digunakan dalam penelitian ini terdiri dari langkah-

langkah berikut:

• Melakukan studi kepustakaan terhadap berbagai referensi yang berkaitan

dengan penelitian yang dilakukan. Topik-topik yang akan dikaji antara

lain meliputi: pengenalan pola, pengolahan citra digital, pendeteksian

objek secara umum, pendeteksian wajah, dan jaringan syaraf tiruan.

• Menyiapkan training data set yang akan digunakan untuk proses

pembelajaran dari sistem. Data wajah yang digunakan akan melalui

praproses berupa resizing menjadi 20x20 pixel, masking, dan histogram

equalization (Sung, 1996).

• Merancang sistem pendeteksi wajah dengan jaringan syaraf tiruan,

kemudian membuat program aplikasinya.

• Melakukan pelatihan pada sistem dengan training data set yang telah

disiapkan sebelumnya.

• Melakukan pengujian unjuk kerja sistem. Unjuk kerja pada sistem

pendeteksi wajah diukur dengan menghitung detection rate dan false

positif rate.

9
9. JADWAL PENELITIAN

Bulan / tahun

No. Kegiatan Okt Nop Des Jan Fep Mar Apr


03 03 03 04 04 04 04

1 Pengumpulan Referensi
2 Studi Kepustakaan
3 Penulisan Proposal
4 Persiapan Data
5 Pembuatan Sistem/Program
6 Pengujian Sistem
7 Penulisan Laporan Tesis

10. DAFTAR PUSTAKA

L. Fausett, 1994, Fundamentals of Neural Networks: Architectures, Algorithms,


and Applications, Prentice-Hall Inc., USA.

R.C. Gonzalez, R.E. Woods, 1992, Digital Image Processing, Addison-Wesley


Publishing Company, USA.

S. Haykin, 1994, Neural Networks: A Comprehensive Foundation, Macmillan


College Publishing Company, USA.

E. Hjelmas, B.K. Low, 2001, “Face Detection: A Survey”, Computer Vision and
Image Understanding. 83, pp. 236-274.

Y. LeCun, L. Bottou, G.B. Orr, K.R. Muller, 1998, “Efficient BackProp”, Neural
Networks: tricks of the trade, Springer.

M. Moreira, E. Fiesler, 1995, Neural Networks with Adaptive Learning Rate and
Momentum Terms, IDIAP Technical Report.

10
E. Osuna, R. Freund, F. Girosi, 1997, “Training Support Vector Machines: An
Application to Face Detection”, Proc. IEEE Conf. Computer Vision and
Pattern Recognition 1997.

H. Rowley, S. Baluja, T. Kanade, 1998, “Neural Network-Based Face Detection”,


IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 20, no. 1.

W.S. Sarle, ed., 2002, Neural Network FAQ, URL: ftp://ftp.sas.com/pub/neural/


FAQ.html

R. Schalkoff, 1992, Pattern Recognition: Statistical, Structural and Neural


Approach, John Wiley & Sons, USA.

H. Schneiderman, 2000, “A Statistical Approach to 3D Object Detection Applied


to Faces and Cars”, CMU-RI-TR-00-06, Robotics Institute Carnegie
Mellon University.

H. Schneiderman, T. Kanade, 2000, “A Statistical Approach to 3D Object


Detection Applied to Faces and Cars”, Proc. IEEE Conf. Computer Vision
and Pattern Recognition vol. 1.

K.K. Sung, 1996, “Learning and Example Selection for Object and Pattern
Detection”, AITR 1572, Massachusetts Institute of Technology AI Lab.

K.K. Sung, T. Poggio, 1994, “Example-Based Learning for View-Based Human


Face Detection”, Technical Report AI Memo 1521, Massachusetts Institute
of Technology AI Lab.

M. Turk, A. Pentland, 1991, “Eigenfaces for Recognition”, J. Cognitive


Neuroscience, vol. 3, no.1.

M.H. Yang, D. Kriegman, N. Ahuja, 2002, “Detecting Faces in Images: A


Survey”, IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 24,
no. 1.

11