IMPLEMENTASI SISTEM PENGENALAN WAJAH PADA KEAMANAN

RUMAH DENGAN METODE NAIVE BAYES CLASSIFIER

OUTLINE PROPOSAL TUGAS AKHIR

OLEH:

EKA WAHYUNI MUDASIR

H1051131051

PROGRAM STUDI SISTEM KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS TANJUNGPURA
PONTIANAK
TAHUN 2017
1. Latar Belakang
Di zaman modernisasi seperti sekarang, manusia sangat bergantung pada
teknologi. Hal ini membuat teknologi menjadi kebutuhan dasar setiap orang.
Kebutuhan manusia akan teknologi juga didukung dengan perkembangan ilmu
pengetahuan dan teknologi yang sangat pesat. Perkembangan teknologi
berkembang secara drastis dan terus berevolusi hingga sekarang dan semakin
mendunia.
Pada zaman moderninsasi ini pula, teknologi dapat menjadi solusi
permasalahan diberbagai bidang kehidupan. Salah satu masalah di kehidupan
yang dapat diselesaikan dengan bantuan teknologi terkini yaitu maslah di bidang
keamanan. Keamanan merupakan salah satu kebutuhan yang sangat penting bagi
manusia, terutama dalam menghadapi kemajuan teknologi yang berkembang
pesat. Keingintahuan pada keadaan atau kondisi hal yang dimiliki juga menjadi
faktor penting bagi manusia untuk terus mengembangkan sistem keamanan.
Meningkatnya tindak kriminal seperti pencurian, perampokan dan pembunuhan
serta tindak kriminal lainnya, maka diperlukan sebuah sistem keamanan yang
dapat diterapkan sebagai pengamanan rumah.
Sistem keamanan pada rumah yang ada saat ini dirasakan masih belum
memberikan keamanan yang optimal. Oleh karena itu dibutuhkan sistem
keamanan yang dapat mengoptimalkan penggunaan teknologi yang ada saat ini
untuk pencegahan bahaya dengan cepat sehingga dapat memberikan rasa aman
kepada pemilik rumah, serta dapat mengontrol keamanan rumah secara
keseluruhan tanpa perlu mengorbankan sumber daya yang berlebih.
Salah satu solusi untuk menyelesaikan masalah ini adalah dengan
menggunakan teknologi biometrik. Biometrik merupakan metode mengenali
karakteristik biologis manusia secar fisik biologisnya.Contoh penerapan teknologi
biometrik adalah, penggunaan sistem pengenalan sidik jari, iris mata dan wajah.
Pengenalan wajah (face recognition) merupakan salah satu bentuk
pengenbngan teknologi biometrik. Wajah merupakan bagian dari tubuh yang
berperan penting dalam proses penyampaian ciri, identitas dan emosi seseorang.
Proses pengenalan wajah terjadi begitu cepat dan dapat tersimpan cukup lama di
memory manusia. Wajah manusia mengalami perubahan visual seperti terjadinya
perubahan kondisi, ekspresi sudut pandang dan penuaan. Karakteristik tersebut
menginspirasi ilmuan untuk dapat diterapkan ke dalam teknologi. Dengan
teknologi pengenalan wajah dapat diterapkan untuk menyelesaikan masalah dalam
sistem keamanan.
Penelitian sebelumnya berjudul Pengenalan Citra Huruf Alfhabet Tulisan
Tangan dengan menggunakan metode Naive Bayes Classifier, Jurusan Teknik
Informatika, Fakultas Sains dan Teknologi, Universitas Islam Negeri Maulana
Malik Ibrahim Malang. Dalam penelitian ini dibangun aplikasi pengenalan tulisan
tangan menggunakan metode Naive Bayes Classifier dengan data training
sebanyak 468 data dengan masing- masing huruf terdiri dari 18 sampel dengan
yang digunakan untuk pelatihan sistem. Penelitian selanjutnya berjudul
Implementasi Face Identification Dan Face Recognition Pada Kamera Pengawas
Sebagai Pendeteksi Bahaya. Prodi Sistem Komputer, Fakultas Teknik,
Universitas Telkom.Sistem yang dibuat merupakan penerapan dari Computer
Vision dalam sistem kemanan gedung atau rumah. Sistem akan mengambil citra
dari masukan berupa video. Setiap frame dari video tersebut akan diproses oleh
sistem. Citra akan diproses dengan menggunakan metode Haar Cascade untuk
mendeteksi objek berupa wajah yang terdapat pada citra. Lalu sistem akan
menggunakan metode Fisherface sebagai metode untuk proses mencocokkan
objek wajah yang terdeteksi dengan wajah yang terdapat pada database
sistem.penelitian selanjutnya berjudul Penerapan Metode Eigenface Untuk
Pencocokan Wajah Dengan Menggunakan Klasifikasi Naive Bayesian, Teknik
Informatika, Universitas Santa Dharma Yogyakarta. Metode yang digunakan
dalam penelitian ini adalah metode Eigenface untuk menegenali ciri wajah pada
tahap preprocessing dan metode Naive bayesian sebagai proses klasifikasi.
Dengan permasalahan yang dipaparkan sebelumnya, maka peneliti merasa
perlu dibuat sebuah sistem keamanan rumah dengan menggunakan biometrik
berupa sistem pengenalan wajah. Cara kerja dari system yang akan dibuat adalah
dengan deteksi posisi wajah menggunakan metode Haar Cascade Feature Like
Classifier dan dilanjutkan menggunakan metode Naive Bayes Classifier untuk
pengenalan wajah dengan mengklasifikasikan ciri wajah objek. Dengan
menggunakan metode tersebut diharapkan sistem dapat bekerja lebih optimal dan
dapat digunakan untuk tindakan pencegahan terjadinya kejahatan orang yang
tidak dikenal didalam rumah oleh pemilik rumah.

2. Perumusan Masalah
Berdasarkan latar belakang yang telah disebutkan sebelumnya, maka dapat
dirumuskan masalah sebagai berikut :
1. Bagaimana metode Haar Cascade Feature Like Classifier.dapat
mendeteksi posisi wajah dengan baik
2. Bagaimana pengenalan wajah menggunakan metode Naive Bayes
Classifier
3. (Tambahkan kasus implementasi pengamanan rumahnya, sesuai judul)

3. Tujuan Penelitian
Tujuan penelitian yang akan dilakukan adalah :
1. Menerapkan metode Haar Cascade Feature Like Classifier. untuk
mengekstrasi atau mendeteksi posisi wajah dengan baik
2. Menerapkan metode Naive Bayes Classifier sebagai metode
pengenalan wajah
3. Tambahkan juga tujuan utk menjawab poin 3 pada perumusan
masalah.

4. Batasan Masalah
Batasan masalah dalam penelitian ini adalah :
1. Proses pengambilan citra wajah menggunakan IP Camera
2. Data citra wajah berukuran ....x ....pixel (ini tidak perlu di batasan)
3. Tambahkan metode-metodenya, haar utk apa, naive bayes clasifier utk
apa? Ini perlu dibuat di batasan masalah
4. Sistem peringatan berupa SMS pemberitahuan.

5. Manfaat Penelitian
1. Memberikan authentifikasi pengenalan wajah untuk keamanan rumah
saat pemilik tidak berada di rumah. (ini bagi pemilik rumah)
2. Memberikan solusi keamanan yang optimal untuk pencegahan bahaya
dengan mengenali wajah pada sistem keamanan rumah. (ini tidak
perlu lagi, karena sdh dicakup pada poin 1 di atas) tambahkan manfaat
bagi penulis (mbak eka)
 3. tambahkan juga manfaatnya bagi masyarakat secara luas, sebagai
contoh pengembangan keamanan rumah dari jarak jauh

6. Deskripsi Penelitian
Sistem yang akan dibuat merupakan sebuah sistem pengenalan wajah
menggunakan metode Haar Cascade Feature Like Classifier sebagai deteksi
posisi wajah dan metode Naive bayes Classifier digunakan sebagai mengenali
wajah dengan kamera ip sebagai input masukan. Sistem ini ditujukan untuk
memberikan informasi hasil dari pencocokan berupa pengenalan wajah yang
terdeteksi yang dapat dilihat melalui web browser PC pemilik rumah apabila
terdeteksi adanya wajah yang tidak dikenal. Apabila terdeteksi wajah yang
tidak dikenal maka sistem akan memberi peringatan berupa SMS Gateway
kepada pemilik rumah.
Dalam penelitian ini, terdapat dua tahapan yang akan dilakukan untuk
dapat mengenali wajah, yaitu tahap training dan tahap testing/pengenalan.
Citra training dan citra testing akan melakukan preprosessing atau proses
awal berupa scalling, grayscale dan ekstrasi fitur. Untuk citra yang akan
dikenali berbentuk pengenalan wajah akan melalui preproses tambahan
berupa cropping dan rize pada data mentah berupa foto.
Pada proses trainning, citra trainning akan diubah ke dalam bentuk
grayscale, kemudian dilakukan scalling yaitu memperbesar dan memperkecil
citra yang akan di proses sesuai kebutuhan, kemudian dilakukan ekstrasi fitur
yaitu berupa pengambilan ciri / fitur dari citra wajah yang akan dikenali yang
kemudian akan dikenali, fitur akan dirubah dalam bentuk vektor dan
dilakukan perhitungan parameter yaitu dengan nilai mean dan varian dari
setiap fitur perkelas dan disimpan ke dalam database untuk digunakan pada
prose testing. Pada proses testing, citra wajah yang akan dikenali, pertama
dilakukan proses cropping dan rize untuk menyesuaikan ukuran dimensi pixel
citra sesuai kebutuhan, kemudian citra wajah dirubah ke dalam bentuk
grayscale sehingga citra menjadi ke abu abuan, langkah selajutnya tahap
ekstrasi ciri merupakan langkah awal yang diterapkan pada setiap citra.data
dirubah ukurannya (reshap) menjadi bentuk matriks. Proses selanjutnya
dilakukan proses pengenalan dengan metode Naive Bayes Classifier dengan
 input berupa mean dan parameter varian yang diperoleh dari proses training
serta ekstraksi fitur citra yang akan dikenali.

Proses Tranning

Citra awal pengenalan wajah

Grayscale scalling Ekstrasi fitur Estimasi Parameter

Databasee
Database

Proses Testing/ Pengenalan

Citra pengenalan wajah

Metode Haar Grayscale Cropping Scalling Ekstrasi Fitur Nave Bayes Clasifier

perbaiki gambar di atas, atur agar tidak melampaui margin kiri dan kanan
Database
6. 1. Pengenalan Pola
Pengenalan pola atau pattern Recognition secara umum bertujuan
untuk mengenali suatu objek dengan mengekstraksi informasi penting
yang terdapat pada suatu citra, sehingga proses klasifikasi citra dapat
dilakukan. Pengenalan pola tidak hanya dilakukan untuk mendapatkan
suatu citra dengan kualitas tertentu, tetapi juga untuk mengklasifikasikan
bermacam-macam citra. Dari sejumlah citra diolah sehingga citra dengan
ciri yang sama akan dikelompokan pada suatu kelompok tertentu.

6. 2. Biometrik
 Biometric adalah suatu atribut fisiologis yang terukur atau suatu
karakteristik perilaku yang dapat digunakan untuk mengidentifikasi
perorangan. Istilah Biometrics biasanya digunakan untuk pengenalan
secara otomatis atau pengenalan secara perhitungan komputer seseorang
sampai penggunaan seperti atribut individuals geometri tangan, sidik jari,
suara, atau struktur mata.

6. 3. Pengenalan Wajah
Pengenalan wajah adalah tugas yang biasa dilakukan manusia
secara mudah dan rutin dalam kehidupan sehari-hari. Sehingga muncul
minat yang sangat besar untuk membuat agar pengenalan wajah dapat
dilakukan oleh sistem komputer dalam pengolahan gambar digital
otomatis. Sistem 17 pengenalan wajah pertama dikembangkan oleh Takeo
Kanade pada tahun 1973 (Li & Jain, 2011). Sistem pengenalan wajah
adalah salah satu metode identifikasi biometrik dari individu dengan fitur
wajah. Selama dekade terakhir, pengenalan wajah telah menjadi penelitian
umum di bidang visual mesin dan juga salah satu aplikasi yang sukses dari
pengolahan gambar yang memainkan peran penting dalam banyak aplikasi
saat ini. Contoh aplikasi yang menerapkan sistem pengenalan wajah
adalah: otentikasikeamanan untuk membuat akses ke sistem perbankan,
smart card, hiburan dan lainlain(Tofighi, Khairdoost, Monadjemi, &
Jamshidi, 2014).Secara umum, sistem deteksi wajah dalam penelitian yang
dilakukan oleh Tofighi et al. (2014) terdiri dari bagian-bagian berikut:
Mendeteksi wajah dari input video
Fitur ekstraksi untuk menentukan identitas wajah dalam video
Perbandingan dengan gambar yang direkam dalam database dan
mengidentifikasi wajah.
Pengenalan wajah adalah masalah pengenalan pola visual, di mana
wajah direpresentasikan sebagai objek tiga dimensi yang dipengaruhioleh
pencahayaan, pose, ekspresi dan faktor lainnya, perlu diidentifikasi
berdasarkan gambar yang diperoleh. Aplikasi tertentu membutuhkan
tingkat keamanan yang lebih tinggi dengan menggunakan gambar tiga
dimensi (kedalaman jangkauan) atau gambar optikdi luar spektrum visual
 (Li & Jain, 2011). Sistem pengenalan wajah mendeteksi wajah dari latar
belakang atau background(Li & Jain, 2011).

Gambar 1 Face Recognition

6. 4. Metode Haar Cascade Feature Like Classifier

Haar-Like Feature yang dikenal sebagai Haar Cascade Classifier
merupakan rectangular (persegi) features, yang memberikan indikasi
secara spesifik pada sebuah gambar atau image. Ide dari Haar-Like Feature
adalah untuk mengenali obyek berdasarkan nilai sederhana dari fitur tetapi
bukanmerupakan nilai piksel dari image obyek tersebut. Metode ini
memiliki kelebihan yaitu komputasinya sangat cepat, karena hanya
bergantung pada jumlah piksel dalam persegi bukan setiap nilai piksel dari
sebuah image. Metode ini merupakan metode yang menggunakan
statistical model (classifier). Pendekatan untuk mendeteksi objek dalam
gambar menggabungkan empat konsep utama (Pambudi & Simorangkir,
2012) :
Training data
Fitur segi empat sederhana yang disebut fitur Haar
Integral image untuk pendeteksian fitur secara cepat
Pengklasifikasi bertingkat (Cascade classifier) untuk
menghubungkan banyak fitur secaraefisien.
Cascade classifier adalah sebuah rantai stage 15 classifier, dimana
setiap stage classifier digunakan untuk mendeteksi apakah didalam image
sub window terdapat obyek yang diinginkan (object of interest). Stage
classifier dibangun dengan menggunakan algoritma adaptive-boost
(AdaBoost). Algoritma tersebut mengkombinasikan performance banyak
weak classifier untuk menghasilkan strong classifier. Weak classifier
dalam hal ini adalah nilai dari Haar-Like Feature. Jenis AdaBoost yang
digunakan adalah Gentle AdaBoost.
6. 5. Metode Naive Bayes Classifier
Naive bayes merupakan pengembangan dari metode bayesian
classification. Bayesian classification adalah pengklasifikasian statistik
yang dapat digunakan untuk memprediksi probabilitas keanggotaan suatu
kelas. Bayesian classification didasarkan pada teorema bayes yang
memiliki kemampuan klasifikasi serupa dengan decision tree dan neural
network. Bayesian classification terbukti memiliki akurasi dan kecepatan
yang tinggi saat diaplikasikan ke dalam database dengan data yang besar
(Munir, 2004).
Dalam prosesnya, Naive Bayes Classifier mengasumsikan bahwa
ada atau tidak adanya suatu fitur pada suatu kelas tidak berhubungan
dengan ada atau tidaknya fitur lain di kelas yang sama. Probabilitas Naive
Bayes dapat dirumuskan:
p (C/ F1,...,Fm )

Dimana C adalah peubah kelas yang dependen yang akan berisi

salah satu kelas dari berbagai kelas, dan F1 sampai Fn adalah peubah fitur
atau ciri-ciri dari masukan (Aribowo, 2010). Namun, jika nilai n terlalu
besar atau ada beberapa fitur yang memiliki nilai yang sangat besar, maka
dengan menggunakan teorema bayes persamaan di atas dapat disesuaikan
menjadi :

p C p(F 1,... , FmC)

p (C F1,...,Fm ) = p( F 1, , Fm)

Dimana variabel C merepresentasikan kelas, sementara variabel

F1,...,Fn merepresentasikan karakteristik dari setiap fitur citra yang
digunakan untuk melakukan klasifikasi. Jadi rumus tersebut menjelaskan
bahwa peluang masuknya sampel dengan karakteristik tertentu dalam kelas
C (posterior) adalah peluang munculnya kelas C (sebelum masuknya
sampel tersebut, seringkali disebut prior), dikali dengan peluang
kemunculan karakteristik fitur sampel pada kelas C (disebut juga
likelihood), dibagi dengan peluang kemunculan karakteristik- karakteristik
sampel secara global (disebut juga evidence) (Natalius, 2010). Karena itu,
secara sederhana rumus tersebut dapat ditulis seperti berikut :

Prior Likeli h ood

Posterior = Evidence

Karena nilai Fi selalu diberikan dan dependen terhadap nilai C,

maka nilai penyebut (evidence) pada persamaan di atas akan selalu
konstan. Karenanya, yang bisa kita lakukan hanyalah memanipulasi
pembilangnya sesuai dengan joint probability model sebagaimana yang
ditunjukkan dalam Persamaan 2.14 (Aribowo, 2010).

p C,F1,...,Fm

= p (C) p (F1,...,Fm|C)

= p (C) p (F1|C) p (F2,...,Fm|C,F1 )

= p (C) p (F1|C) p (F2|C,F1) p (F3,...,Fn|C,F1,F2 )

= p (C) p (F1|C) p (F2|C,F1)... p (Fm|C,F1,F2,F3,...,Fm1 )

Diasumsikan setiap Fi independen secara kondisional terhadap F

J dengan j i. Hal ini ditunjukkan dalam Persamaan :

p (Fi|C,Fj) = p (Fi|C)

Sehingga persamaan awal dapat ditulis kembali seperti pada

Persamaan :
 n
pC F 1 n ,... , Fm=P(C ) p FiC
i =1

Berdasarkan aturan diskriminan f pada kelas C jika gi > gj, untuk

setiap j i maka diperoleh rumusan seperti pada Persamaan :

fjic 2



n n
1
gj f j=log ( p ( Cj ) ) log ( ic )
i=1 2 i=1

Selanjutnya, proses testing dilakukan dengan cara membandingkan

nilai diskriminan dari setiap kelas dan mengambil nilai diskriminan
tertinggi sebagai hasil dari testing. Sehingga dapat dirumuskan dengan
Persamaan :

= ar g max gj

7. Metode Penelitian
Langkah-langkah yang digunakan dalam penelitian ini adalah sebagai berikut:
1. Studi literatur
Literatur yang digunakan adalah yang terkait dengan pengolahan citra
berupa pengenalan wajah Pembelajaran tersebut dilakukan dengan cara
mencari literatur-literatur di perpustakaan, browsing di internet, serta
bertanya secara langsung kepada ahli-ahli yang memiliki kompetensi di
bidangnya.
2. Analisa Kebutuhan
 Pada tahap ini dilakukan analisa kebutuhan dalam pembuatan sistem
pengenalan wajah. Misalkan, menggunakan ip Cam sebagai inputan untuk
masukan citra.
3. Perancangan system
Rancangan dari aplikasi yang akan dibuat adalah sebuah sistem
yang dapat memberikan pengenalan wajah pada keamanan rumah dan
dapat memberikan pembertahuan peringatan, apabila terdeteksi wajah
yang tidak dikenal.

4. Integrasi
Pada tahap integrasi keseluruhan system yang telah dibuat akan
dijadikan satu kesatuan system dalam mencapai tujuan menyelesaikan
masalah yang telah dipaparkan.
5. Pengujian
Setelah sistem selesai dibangun dapat dilakukan pengujian sistem
untuk mengetahui apakah sistem pengenalan wajah yang dibangun telah
bekerja dengan benar sesuai dengan konsep yang telah di rencanakan.
6. Analisa
Pada tahap analisa dilakukan untuk menganalisa hasil dari
pengujian sistem yang dibuat, apakah sistem tersebut telah sesuai dengan
tujuan yang diharapkan. jika sistem yang dibuat belum sesuai dengan
tujuan yang diharapkan, maka proses akan diulang kembali pada tahap
perancangan.
7. Kesimpulan dan saran
Merupakan tahap akhir dari keseluruhan system yang akan dibuat,
kesimpulan berisikan hal-hal yang di anggap pokok di dalam proses
pembuatan sistem dan saran berisi hal-hal yang menjadi masukan untuk
pengembangan dan kesempurnaan dari sistem yang dibuat.

8. Daftar Pustaka
Daftar pustakanya mana mbak? Buatlah buku yg terkait dengan topik
pengenalan pola, pengolahan citra, biometric, haar detection, naive
bayes clasifier, dan pengembangan sistem