1 2 3
Salamun , Diki Arisandi , Firman Wazir
Program Studi Teknik Informatika, Fakultas Teknik, Universitas Abdurrab Pekanbaru
Jl.Riau Ujung, No.73 Pekanbaru
Telp. 0761-38762
salamun@univrab.ac.id, diki@univrab.ac.id, firmanwazir@gmail.com
ABSTRAK
Wajah merupakan salah satu ukuran fisiologis yang paling mudah dan sering digunakan untuk membedakan
identitas individu yang satu dengan yang lainnya. Namun untuk mengembangkan sistem identifikasi
pengenalan wajah yang baik dan memiliki keakuratan tinggi merupakan sesuatu yang sulit dikarenakan wajah
manusia memiliki ekspresi yang beragam dan perubahan atribut seperti kacamata, kumis, janggut dan lain-
lain. Oleh karena itu, face recognition merupakan salah satu teknologi biometrics yang banyak dipelajari dan
dikembangkan oleh para ahli. Melalui pengembangan suatu teknik seperti Principal Components Analysis
(PCA). Proses pengenalan wajah ini menggunakan informasi mentah dari pixel citra yang dihasilkan melalui
camera yang kemudian direpresentasikan dalam metode Principal Components Analysis. Adapun cara kerja
metode Principal Components Analysis adalah dengan menghitung dari rata-rata flatvector pixel dari gambar-
gambar yang sudah disimpan dalam suatu database, dari rata-rata flatvector tersebut akan didapatkan nila
eigenface masing-masing gambar dan kemudian akan dicari nilai eigenface terdekat dari gambar citra wajah
yang ingin dikenali. Hasil pengujian menunjukkan tingkat keberhasilan pengenalan wajah secara keseluruhan
sebesar 82,27% dengan data wajah sebanyak 130 gambar. Penyebab dari sebagian hasil pengenalan wajah
yang kurang akurat tersebut adalah karena faktor pencahayaan, jarak, bentuk wajah, serta jumlah data yang
tersedia.
ABSTRACT
The face was one of the easiest physiological measure and often used to distinguish the identity of one
individual to another. However to develop good facial recognition identification system and has a high
accuracy was something that was difficult because of the human face has an expression of diverse and
changing attributes such as glasses, mustache, beard and others. Therefore face recognition biometrics
technology was one that was widely studied and developed by experts. Through the development of a
technique such as Principal Components Analysis ( PCA ). The face recognition process using the raw
information from the pixel image produced by the camera was then represented in the Principal Components
Analysis method. As for how the Principal Components Analysis method was to calculate the average
flatvector pixel of the images that have been stored in a database, from an average of flatvector will be
obtained tilapia Eigenface each image and then look for the value Eigenface closest pictures face image that
you want to identify. The test results show a success rate of face recognition as a whole by 82,27 % with the
data face as many as 130 images. The cause of most of the results are less accurate face recognition is due to
lighting, distance, shape of the face, as well as the amount of data available.
4. Proses Identifikasi
Untuk mengenali citra tes (testface) pada
saat uji, langkah identifikasinya adalah hitung
nilai eigenface untuk matriks testface dengan
cara yang sama seperti sebelumnya yaitu
dimulai dari awal penentuan nilai flatvector,
dikurangi dengan rata- rata FlatVector (didapat
dari citra training), dan mendapatkan
eigenface untuk testface
wajah.
3. Data citra wajah untuk data training
Kenali
berukuran 100x100 pixel. wajah
4. Metode yang digunakan dalam sistem ini
adalah metode Principal Componen
Analysi Hasil Pengenalan Selesai
2. Analisis Sistem
Analisis sistem merupakan tahap yang Gambar 4.1 Flowchart Sistem
bertujuan untuk memahami sistem, dan
menentukan kebutuhan proses dan hasil pada 3. Perancangan Sistem
sistem pengenalan wajah (face recognition). Proses dari sistem pengenalan wajah
Dengan menganalisis prosedur sistem yang menggunakan metode Principal Componen
digunakan dan melakukan pengujian hasil,
Analysis ini terdapat beberapa komponen
maka sistem dapat dievaluasi dan diusulkan
yang dapat digambarkan dalam blok
perbaikan-perbaikannya.
Berdasarkan kebutuhan sistem dan hasil diagram. Setelah itu akan dilakukan proses
analisis sistem di atas, maka sistem yang akan perancangan aplikasi.
Deteksi Penyelarasan
Training Capture Wajah Wajah
dibuat harus dapat memenuhi fungsi-fungsi
sebagai berikut:
1. Mengimplementasikan metode Principal 1. Diagram Blok Pengenalan Wajah
Simpan Data
Training (*.xml)
Componen Analysis pada sistem
pengenalan wajah. Recognize Deteksi Penyelarasan
2. Menguji performa dan kemampuan metode r Capture Wajah Wajah
Principal Componen Analysis pada sistem
pengenalan wajah dalam keadaan yang
Ekstraksi Principal
telah dikondisikan sebelumnya. Componen Analysis
Pencocokan
Hasil
Pencocokan
Jurnal Teknologi dan Sistem Informasi UNIVRAB
VOL. 1 No. 2, Juli 2016 ISSN : 2477-2062
Database
TrainedLabels.xml
End
Gambar 4.9 Flowchart Training Wajah
Hasil Pengenalan
(NamaWajah)
End
Jurnal Teknologi dan Sistem Informasi UNIVRAB
VOL. 1 No. 2, Juli 2016 ISSN : 2477-2062
kembali ke proses capture. Sedangkan Kacamata Sedih Dikenali
jika cocok, akan berlanjut. Tanpa Senyu
f. Selanjutnya jika cocok, akan dicari nilai Dikenali
Kacamata m
eigen yang mendekati. Tanpa
Normal Dikenali
g. Setelah ditemukan kemiripan (nilai eigen Kacamata
Tanpa
yang mendekati) dengan citra wajah, hasil Kacamata
Sedih Dikenali
Sedih Dikenali
Normal Dikenali
Laki- 5/6 * 100%
Laki =100%
Normal Dikenali
Sedih Tidak
Senyum Dikenali