JURNAL LOGIC. VOL. 11. NO. 1.

MARET 2011 57

APLIKASI PENGENALAN WAJAH DENGAN MENGGUNAKAN

METODE KLASIFIKASI SUPPORT VECTOR MACHINE (SVM)

Sri Andriati Asri

Jurusan Teknik Elektro Politeknik Negeri Bali

Bukit Jimbaran, P.O Box 1064 Tuban Badung-BALI
Phone : (0361)701981, Fax : (0361) 701128

Abstrak : Aplikasi pengenalan wajah terdiri dari dua proses utama yaitu proses ekstraksi ciri dan klasifikasi.
Ekstraksi ciri akan melakukan karakterisasi sebuah obyek untuk dikenali, pada penelitian obyek yang akan
dikenali adalah berbentuk gambar sampel wajah. Ciri-ciri sebuah obyek pada kategori yang sama mempunyai
nilai yang hampir mirip (similar). Tahap selanjutnya adalah klasifikasi, proses ini bertujuan untuk menempatkan
atau menggolongkan sebuah obyek ke dalam sebuah kategori atau kelas. Metode klasifikasi untuk aplikasi
pengenalan wajah yang banyak digunakan adalah Neural Network, namun metode ini mempunyai keterbatasan
dalam hal generalisasi, menghasilkan model untuk mencocokkan data. Maka dalam penelitian ini digunakan
metode Support Vector Machine (SVM), dimana metode ini mempunyai kemampuan generalisasi yang baik.
sedangkan ekstraksi ciri yang digunakan adalah Analisis Diskriminan Majemuk/Transformasi Fukunaga Koontz
(AMD/TFK). Basis data wajah yang digunakan adalah basis data Yale dan ORL.

Dari hasil uji coba didapat bahwa keberhasilan metode klasifikasi SVM untuk basis data Yale mencapai 100 %
dan untuk basis data ORL mencapai 95%. Hasil ini menunjukkan bahwa aplikasi pengenalan wajah dengan
menggunakan metode klasifikasi SVM merupakan sebuah aplikasi yang cukup handal.

Kata kunci : ekstraksi ciri, klasifikasi, Analisis Diskriminan Majemuk/Transformasi Fukunaga Koontz, Support
Vector Machine

Face Recognition Application by using Support Vector Machine (SVM) Classifying Method
Abstract : Face recognition application consist of two major processes, as feature extraction process and
classification. The former was done by characterizing an object to recognize, .which use an object of face
picture sample. Features of an object in the same category had a nearly same value). The next stage was
classification, intended to place an object into a category or class. Classification method for face recognition
application widely used is Neural Network, however this methods has weakness in term of generalization,
producing models to match the data. Therefore, the method used in this research was Support Vector Machine
(SVM), whose generalization capability is considered proper. The extraction used was Multiple Discriminant
Analysis/Fukunaga Koontz Transformation.. Face database used was Yale and ORL data base.

The experiment shows that the success of SVM classifying methods was 100% for Yale database and 95% for
ORL database. This result shows that face recognition application with SVM classifying methods is a
sufficiently proper application

Key word : feature extraction, classification, Multiple Discriminant Analysis/Fukunaga Koontz Transformation,
Support Vector Machine

I. PENDAHULUAN Diskriminan Majemuk/Transformasi Fukunaga

Pengenalan wajah mendapat perhatian yang
cukup tinggi, karena pengenalan wajah dapat
diterapkan pada banyak aplikasi potensial, seperti
otentikasi identitas, information security,
surveillance dan interaksi manusia komputer.
Banyak metode yang digunakan dalam
aplikasi pengenalan wajah. Mulai dari metode
ekstraksi ciri seperti Analisis Komponen Utama,
Diskriminan Linear Fisher atau sering disebut
Analisis Diskriminan Linier (ADL) dan Analisis
Koontz, sampai pada metode klasifikasi, seperti
Neural Network (NN) dan Support Vector Machine
(SVM).
Dalam pengenalan wajah, proses klasifikasi
sama pentingnya dengan proses ekstraksi ciri.
Setelah ciri-ciri penting data atau citra wajah
dihasilkan pada proses ekstraksi ciri, ciri-ciri
tersebut nantinya akan digunakan untuk proses
klasifikasi. Metode klasifikasi yang digunakan
adalah pengklasifikasi Support Vector Machine
JURNAL LOGIC. VOL. 11. NO. 1. MARET 2011 58

(SVM). Pengklasifikasi SVM menggunakan sebuah dapat menghasilkan jumlah eigenvector diskriminan
fungsi atau hyperplane untuk memisahkan dua buah lebih besar dari C-1, karena biasanya rank
kelas pola. SVM akan berusaha mencari hyperplane I dan E lebih besar dari C-1.
yang optimal dimana dua kelas pola dapat Metode klasifikasi Support Vector Machine (SVM)
dipisahkan dengan maksimal. SVM pada dasarnya bekerja berdasarkan prinsip Structural Risk
merupakan pengklasifikasi biner, namun SVM Minimization, yang meminimalkan batas atas dari
dapat juga digunakan untuk permasalahan banyak dimensi VC atau Vapnik-Chervonenkis. SVM dapat
kelas (pengenalan wajah). SVM mempunyai melakukan klasifikasi data yang terpisah secara linier
kemampuan generalisasi yang tinggi dalam beberapa dan nonlinier. Data terpisah secara linier merupakan
aplikasi, termasuk pada aplikasi pengenalan wajah. data yang dapat dipisahkan secara linier. Misalkan
{x1,..., xn} adalah dataset dan yi {+1,1} adalah
II. METODE PENELITIAN label kelas dari data xi.. Bidang pemisah terbaik tidak
hanya dapat memisahkan data tetapi juga memiliki
2.1 Studi Pustaka margin paling besar. Data yang berada pada bidang
Metode ekstraksi ciri Analisis Diskriminan pembatas ini disebut support vector.
Majemuk/Transformasi Fukunaga Koontz membagi
data kedalam dua kelas yaitu intraclass I = {( ai xi.w + b +1 untuk yi = +1
aj)L(ai) = L(aj)} dan ruang extraclass E = {( ai xi.w + b -1 untuk yi = -1
aj)L(ai) L(aj)}, dimana L(ai ) adalah label kelas ai.
Menurut Moghaddam I dan E didefinisikan w adalah normal bidang dan b adalah posisi bidang
sebagai berikut relatif terhadap pusat koordinat. Nilai margin (jarak)
antara bidang pembatas (berdasarkan rumus jarak
1
I = H I H IT = (ai - a j )(ai - a j )T 1 - b - ( -1 - b ) 2
NI L( ai ) = L ( a j ) garis ke titik pusat) adalah =
w w
1 pencarian bidang pemisah terbaik dengan nilai margin
E = H E H TE = (ai - a j )(ai - a j )T terbesar dapat dirumuskan menjadi masalah optimasi
N E L ( ai ) L (a j )
konstrain, yaitu min 1 w 2
2
ni (ni - 1) adalah jumlah
1
Dengan mI = mE, , N I = Untuk mengklasifikasi data yang terpisah secara
2
tidak linier dapat dilakukan dengan menggunakan
sampel pada I dan N E = Li L j ni n j adalah jumlah
teknik softmargin hyperplane (seperti tampak pada
sampel pada E . Biasanya rank ( E ) dan rank ( I ) gambar), dengan formula pencarian bidang pemisah
keduanya lebih besar dari dari C-1, dimana C adalah terbaik:
jumlah kelas., dengan HI dan HE adalah matriks 1 2 l
min w + C x i
2 i =1
percussor dari dan . Menurut Koontz,
Dimana yi ( xi .w + b) 1 - x i dan x i . C adalah
subruang optimal F dapat dihitung dengan
memaksimalkan criterion baru dimana jarak parameter yang menentukan besar penalti akibat
Bhattacharyya: kesalahan dalam klasifikasi data dan nilainya
ditentukan oleh pengguna. Bentuk persoalan di atas
(
J MDA = ln | FT E F ) (F
-1 T
I F + ) memenuhi prinsip SRM, dimana meminimumkan
1 2
(F T
I F ) (F
-1 T
)
E F + 2I d | 2
w ekivalen dengan meminimumkan dimensi VC

Dengan mengaplikasikan Transformasi dan meminimumkan C ( i x i )k berarti

Fukunaga Koontz pada I dan E dapat diperoleh meminimumkan error pada data pelatihan.
empat subspace dengan dua kurva eigenvalue.
Anggap lI dan lE adalah eigenvalue yang j
berasosiasi dengan eigenvector yang sama dan l a
xj w
adalah generalized eigenvalue dari pasangan matriks
( I , E ) , maka generalized eigenvalue l = l I xi Kelas
lE i 2
dan l I + l E = 1 . JMDA dapat dimaksimalkan dengan
menghitung eigenvector yang bersesuaian dengan Kelas

atau ekivalen dengan l I + l E . Metode ini

1
1
l + xi.w+b = -1
l lE lI
JURNAL LOGIC. VOL. 11. NO. 1. MARET 2011
Gambar 1. Softmargin hyperplane
Metode lain untuk mengklasifikasikan data yang
tidak dapat dipisahkan secara linier adalah dengan
mentransformasikan data ke dalam dimensi ruang fitur
(feature space) sehingga dapat dipisahkan secara
linier pada feature space. Dengan menggunakan
transformasi F : R d R q , d < q , selanjutnya proses
pembelajaran SVM dalam menemukan support vector
hanya tergantung dari dot product dari data yang
sudah ditransformasikan. Untuk ( F( x i ).F( x j ) ,
terdapat fungsi kernel K sedemikian hingga
K = ( x i , x j ) = F( x i ).F( x j ) . Dengan demikian
fungsi hasil pembelajaran dapat dituliskan :
ns ns
f ( x) = a i y i F( si ).F( x ) + b = a i y i K (si , x ) + b
i =1 i =1
Dengan si adalah support vector, syarat sebuah
fungsi menjadi fungsi kernel adalah fungsi tersebut
harus memenuhi teorema Mercer yang menyatakan
bahwa matriks Kernel yang dihasilkan harus positive
semi definite.
Dalam penelitian ini digunakan metode SVM
One Against All. Metode ini akan membangun
sejumlah K SVM biner (K classifier). Setiap model
pengklasifikasi ke-i dilatih dengan menggunakan
keseluruhan data, untuk mencari solusi bidang
pemisah terbaik.
2.2 Disain Sistem
Secara garis besar dapat dibagi menjadi 3 proses
utama yaitu, pemrosesan awal, training (pelatihan)
dan testing (pengujian). Masing-masing data base
wajah yang digunakan dibagi menjadi dua. Sebagian
digunakan untuk proses training (pelatihan ) dan
sebagiannya lagi digunakan untuk proses testing
(pengujian).
2.2.1 Pemrosesan Awal (preprocessing)
Pemrosesan awal merupakan proses
pengambilan data wajah dan normalisasi data wajah.
Data wajah yang digunakan harus dalam bentuk citra
abu-abu. Pada penelitian ini hanya dilakukan proses
normalisasi. Normalisasi dilakukan untuk mereduksi
ukuran dan mendapatkan citra wajah yang cukup
ideal untuk dijadikan sebagai data masukan dengan
cara melakukan proses cropping sehingga
didapatkan citra yang ideal untuk dijadikan sebagai
data masukan. Dalam proses implementasi pada
penelitian ini citra masukan mengalami proses resize
menjadi setengah atau seperempat dari ukuran citra
masukan. Hal ini disebabkan oleh jika vektor wajah
input yang dihasilkan masih terlalu besar
membutuhkan memori yang besar dalam proses
komputasi.
Setelah mengalami pemrosesan awal, citra
wajah pada basis data ORL menjadi berukuran
59
92x112, dan 64x88 untuk citra wajah pada basis data
Yale.
2.2.2 Pelatihan (Training)
Proses training meliputi proses ekstrasi fitur dan
klasifikasi. Ekstrasi fitur dilakukan dengan
menggunakan metode Analisis Diskriminan
Majemuk/Transformasi Fukunaga Koontz, pada
tahap ini bertujuan mendapatkan set vektor fitur
yang nantinya dapat digunakan pada tahap
klasifikasi (testing).Pada tahap awal proses ekstraksi
fitur, data input matriks wajah dimensi nxm akan
diubah kedalam vektor wajah berdimensi (nxm) x 1
atau menjadi vektor kolom. Hasil dari proses
ektraksi fitur ini berupa vektor fitur dengan dimensi
lebih kecil (sesuai dengan dimensi proyeksi).
Dalam penelitian ini menggunakan SVM
multiclass One Againts All. Dengan kernel
polynomial orde 1 (linier). Pada dasarnya proses
klasifikasi dengan SVM dibagi menjadi dua tahap
yaitu proses pelatihan dan proses pengujian. Pada
proses pelatihan variabel hyperplane untuk setiap
pengklasifikasi (classifier) yang didapat akan
disimpan dan nantinya akan digunakan sebagai data
tiap pengklasifikasi dalam proses pengujian, dengan
kata lain proses pelatihan adalah untuk mencari
support vector dari data input (dalam hal digunakan
quadratic programming). Pada proses pengujian
menggunakan data hasil pelatihan untuk
menghasilkan klasifikasi yang benar dari data uji.
Hasil akhir dari proses ini berupa nilai indeks dari
fungsi keputusan yang terbesar yang menyatakan
kelas dari data yang diklasifikasi.
2.2.3 Pengujian (Testing)
Setelah mendapatkan hasil dari proses training,
maka untuk mengetahui kinerja sistem, dilakukan
proses testing.
III. HASIL DAN PEMBAHASAN
Aplikasi ini dibuat dengan menggunakan bahasa
pemrograman MATLAB versi 7.0. Basis Data Yale
memuat 15 orang dengan masing-masing memiliki
11 citra. Subyek bervariasi terhadap jenis kelamin,
ekspresi wajah, pencahayaan dan asesoris wajah
(misalnya kacamata). Citra yang digunakan terlebih
dahulu akan dinormalisasi dengan melakukan
reduksi ukuran citra asal menjadi berukuran 6488.
Basis Data ORL memuat 40 orang yang masing-
masing memiliki 10 citra wajah, citra yang
digunakan terlebih dahulu akan dinormalisasi
dengan melakukan reduksi ukuran citra asal menjadi
berukuran 92112 dan memiliki karakteristik variasi
ras, ekspresi wajah, pencahayaan (lighting) dan
diambil dalam waktu yang berlainan.
JURNAL LOGIC. VOL. 11. NO. 1. MARET 2011 60

Citra input Citra input

pelatihan Pengujian

Pemrosesan Pemrosesan
awal awal

Ekstraksi fitur Ekstraksi fitur

Data
pengklasifikasi hyperplane pengklasifikasi Kelas citra
SVM SVM input

Pengujian
Pelatihan
Gambar 2. Desain Sistem

3.1 Pengujian pada Basis Data Yale

Dilakukan 9 kali pengujian untuk basis data
Yale. Mulai dari menggunakan 2 sampel pelatihan
1
per kelas sampai 9 buah sampel pelatihan per kelas.
Hasil pengujian basis data Yale dapat dilihat pada 0.9

gambar 3. 0.8

0.7
UJI ORL 2
Akurasi Klasifikasi

UJI ORL 3
0.6
UJI ORL 4

0.5 UJI ORL 5

UJI ORL 6
0.4 UJI ORL 7
UJI ORL 8
0.3 UJI ORL 9

0.2

0.1
7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63 65 67 69 71 73 75 77 79

Dimensi Proyeksi

Gambar 4 Grafik tingkat keberhasilan pengenalan untuk

tiap variasi pengujian pada Basis Data ORL

Gambar 3 Grafik tingkat keberhasilan pengenalan untuk

tiap variasi pengujian pada Basis Data Yale
3.2 Pengujian pada Basis Data ORL
Seperti halnya dengan basis data Yale. Untuk
pengujian basis data ORL juga dilakukan sebanyak 9 kali
pengujian. Hasil pengujian dapat dilihat pada gambar 4.
3.3 Pembahasan
Dari hasil uji coba pada masing-masing basis
data secara umum dapat dilihat yaitu bahwa
kenaikan jumlah sampel training mampu menaikkan
tingkat keberhasilan pengujian.
Pada Gambar 3 secara keseluruhan tampak
bahwa kenaikan jumlah sampel pelatihan yang
digunakan dan dimensi proyeksi, mampu
meningkatkan tingkat keberhasilan pengenalan.
Hanya saja, kenaikan dimensi proyeksi dengan
menggunakan sampel pelatihan banyak tidak
berpengaruh signifikan terhadap tingkat
keberhasilan pengenalan. Pada Gambar tersebut
JURNAL LOGIC. VOL. 11. NO. 1. MARET 2011 61

tampak pada penggunaan sampel pelatihan sebanyak
2 (UJI YALE), belum menunjukkan hasil yang yang
optimal dibanding dengan uji lainnya. Hal ini
memang, karena data fitur dan data hyperplane yang
dihasilkan belum memadai untuk meningkatkan
hasil pengenalan. Semakin banyak jumlah sampel
pelatihan per kelas, maka dengan dimensi proyeksi
kurang dari C-1 tingkat pengenalan maksimal
yang dicapai adalah 100 %.
Gambar 4 menunjukkan bahwa secara
keseluruhan hasil uji coba terhadap Basis Data ORL,
kenaikan jumlah sampel pelatihan per kelas dan
kenaikan jumlah dimensi proyeksi mampu
meningkatkan prosentase pengenalan. Penggunaan
dimensi proyeksi yang semakin besar mampu
meningkatkan tingkat pengenalan atau akurasi
klasifikasi, baik untuk jumlah sampel pelatihan per
kelas sedikit maupun dengan penggunaan sampel
pelatihan per kelas yang banyak. Semakin banyak
jumlah sampel pelatihan per kelas yang digunakan,
maka dengan dimensi proyeksi kurang dari C-1
akurasi tingkat pengenalan dapat maksimal.
IV. SIMPULAN DAN SARAN
4.1 Simpulan
Dari hasil uji coba aplikasi pengenalan wajah
dengan metode klasifikasi SVM dengan basis data
Yale dan ORL dapat disimpulkan bahwa :
- Untuk basis data Yale tingkat keberhasilan
pengenalan maksimal adalah 100 %.
- Untuk basis data ORL tingkat keberhasilan
pengenalan maksimal adalah 97,5 %
- Semakin banyak jumlah sampel pelatihan
yang digunakan semakin tinggi tingkat
keberhasilan pengenalan.
- Metode klasifikasi SVM terbukti mampu
melakukan proses klasifikasi secara
maksimal untuk setiap sampel citra yang
diuji.
[2.] Dennis. O, Castrillon. M, Hernandes . M, Face
recognition using independent component
analysis and support vector machine, Journal
in Pattern Recognition Letter, Elsevier, 2003.
[3.] Duda, R., Hart, P., and Stork, D. Pattern
Recognition, Second edition. J. Wiley and
Sons, Inc, 2000.
[4.] Fukunaga, K., Introduction to Statistical
Pattern Recognition, second ed. Academic
Press, 1990.
[5.] Gun, S, Support Vector Machine for
Classification and Regression, ISIS Technical
Report, University of Southampton, 1998.
[6.] Soelaiman, Rully. Sistem Pengenalan Wajah
Dengan Penerapan Algoritma Genetika pada
Optimasi Basis Eigenface dan Proyeksi
Fisherfac, Tesis, Universitas Indonesia,
Jakarta, 2003
[7.] Walpole, R.E, Myers R.H, Myers Sharon L, Ye,
K. Probability&Statistic for
Engineers&Scientists, Prentice Hall, New
Jersey, 2007.
[8.] Zhang, S., and Sim, T, Discriminant Subspace
Analysis: A Fukunaga Koontz Approach, IEEE
Transaction On Pattern Analysis and Machine
Intelligence, vol 29, no 10, pp 1732-1745,
Oktober 2007.

4.2 Saran
Metode klasifikasi SVM untuk multiclass yang
digunakan pada penelitian ini adalah metode One
Against All, dengan Kernel polinomial orde 1
(linier), pada penelitian selanjutnya penggunaan
Kernel dengan tipe yang berbeda ( Kernel Gaussian
dan Polinomial dengan orde yang lebih tinggi) dapat
dilakukan. Selain itu untuk membuktikan
kemampuan SVM menangani permasalahan
multiclass, penelitian selanjutnya dapat
menggunakan SVM untuk multiclass dengan lain,
misalnya metode One Against One atau DAGSVM .

DAFTAR PUSTAKA
[1.] Burges, J.C., A Toturial on Support Vector
Machines for Pattern Recognition, Data Mining
and Knowledge Discovery, 2(2):955-974, 1998.