PRAKTIKUM V

SISTEM PENGENALAN WAJAH

LAPORAN PRAKTIKUM TEKNIK KLASIFIKASI

DAN PENGENALAN POLA

Disusun Oleh:

Rayuh Dhilah Hanggara

1501022088

LABORATORIUM KOMPUTER DAN INFORMATIKA

PROGRAM STUDI TEKNIK ELEKTRO
FAKULTAS TEKNOLOGI INDUSTRI
UNIVERSITAS AHMAD DAHLAN
2017
 PRAKTIKUM V

SISTEM PENGENALAN WAJAH

A. TUJUAN PRAKTIKUM
1. Mahasiswa mampu memahami pengenalan wajah sederhana
2. Mahasiswa mampu memahami pengklasifikasi metrik jarak

B. DASAR TEORI

Wajah merupakan salah satu karakteristik biometrik yang digunakan untuk

mengenali seseorang selain karakteristik yang lain seperti ucapan, sidik jari, retina,
dll. Praktikum ini memfokuskan pada perbandingan efektifitas penggunaan fungsi
jarak dengan sebagai pengklasifikasi pada sistem biometrik pengenalan wajah.
Ketiga fungsi jarak yang dikaji yaitu: Manhattan (L1), Euclidean (L2) dan
Canberra. Secara umum sistem pengenalan wajah dapat ditunjukkan pada Gambar
1, berikut:

Gambar 1. Blok diagram sistem pengenalan wajah

Pada prinsipnya sistem pengenalan wajah meliputi 5 bagian yaitu: akuisisi
data,pemproses awal, ekstraksi ciri, pengklasifikasi dan pemroses akhir.
Akuisisi data dan Database
Proses awal dari pengenalan wajah adalah akuisisi data yaitu pengambilan
gambar wajah menggunakan kamera digital atau webcam. Pada praktikum ini data
yang digunakan diperoleh melalui download dari:
http://www.ee.surrey.ac.uk/Personal/T.Windeatt/msc_projects/.
Data terbagi dalam 2 bagian yaitu data untuk pelatihan (training set)dan
data untuk pengujian (testing set), dari 5 gambar wajah orang dengan notasi: F1,
F2, ....dan F5 dalam berbagai ekspresi. Masing-masing wajah terdiri 8 sampel data.
Data nomor 1-4 untuk pelatihan (training) sedangkan data nomor 5-8 untuk
pengujian (testing).
Pemroses awal dan ekstraksi ciri
Pemroses awal pada dasarnya bertujuan untuk mendapatkan data dengan
ukuran yang lebih kecil namun cukup mewakili data asli yang sebenarnya. Pada
data gambar wajah yang digunakan dalam penelitian ini akan dilakukan penurunan
resolusi gambar asli yaitu dari 11292 piksel menjadi 3020 piksel. Selanjutnya
gambar wajah yan juga dapat dikatakan sebagai matriks berukuran 3020 tersebut
diubah menjadi suatu bentuk pola berupa matriks berukuran 6001.
Ekstraksi ciri bertujuan untuk menajamkan perbedaan-perbedaan pola
sehingga akan sangat memudahkan dalam pemisahan kategori klas pada proses
klasifikasi. Gambar/citra wajah setelah melalui pemroses awal dapat dinyatakan
dalam bentuk pola :

Rerata pola citra dan pola dengan pengurangan reratanya , didefinisikan

dengan:
 merupakan pola hasil ekstraksi ciri yang akan digunakan sebagai masukan pada
proses pengklasifikasi.

Pengklasifikasi dan Pemroses Akhir

Satu ide dasar penggunaan fungsi jarak sebagai alat pengklasifikasi adalah
kenyataan bahwa kemiripan atau perbedaan antara pola satu dengan pola yang lain
dapat diukur nilai kemiripannya. Maka pengukuran kemiripan atau ketidakmiripan
merupakan suatu dasar dalam tugas-tugas klasifikasi dan pengenalan. Pada sistem
pengenalan wajah yang dibuat ini akan dibandingkan efektifitas dua fungsi jarak
yaitu Manhattan (L1), Euclidean (L2) dan Canberra, sebagai pengklasifikasi.
Ketiga fungsi jarak tersebut sebagaimana terdapat pada praktikum sebelumnya.
Pola template merupakan pola yang akan digunakan sebagai referensi pada proses
pengukuran jarak. Pola ini didasarkan pada data pelatihan (training set) yang
digunakan dengan menghitung rerata dari sejumlah N data pelatihan. Pola template
wajah untuk masing-masing orang dapat diperoleh dari:

Pemroses akhir merupakan suatu proses tahap terakhir untuk pengambilan

keputusan hasil pengukuran jarak atau tingkat kemiripan. Suatu pola baru yang
belum dikenal oleh sistem dapat dikatakan mirip dengan salah satu pola
template/referensi jika telah dilakukan proses penghitungan nilai jarak antara pola
baru tersebut dengan setiap pola template/referensi. Kategori kemiripan didasarkan
pada nilai jarak minimum, yang dapat didefinisikan:

Dimana , n adalah jumlah orang yang akan dikenali .

C. ALAT DA BAHAN
1. Komputer
2. Matlab 2008b

D. HASIL DAN PEMBAHASAN

1. Pembuatan fungsi distL1.m
Dibuat fungsi kenalwajah.m yang didalamnya disertakan fungsi
distL1 sebagai persamaan dari metode manhattan untuk menghitung jarak :

Gambar 4.1.1 Program dmanhattan.m

Fungsi ini dituliskan kedalam tiga baris program, baris pertama
merupakan penulisan untuk input dan output variable dengan d sebagai
variable output dan x serta y adalah variable input. Sedangkan dmanhattan
sendiri adalah nama file yang sekaligus sebagai nama fungsi untuk
dipanggil saat nanti akan diperlukan. Berlanjut ke baris berikutnya pada
baris kedua adalah persamaannya atau bagian perhitungannya dari metode
manhattan itu sendiri. Kemudian baris terakhir adalah penutup dari fungsi
yang dibuat.

2. Menuliskan program fungsi kenalwajah.m

Merujuk ke percobaan sebelumnya, dengan menggunakan fungsi
yang sudah dibuat yaitu distL1.m dilakukan penulisan program atau fungsi
baru yang menerapkan pengklasifikasian pola sehingga dapat mengenali
citra yang diuji berdasarkan nilai jarak.
Gambar 4.2.1 program kenalwajah.m
 Program fungsi kenalwajah.m secara keseluruhan merupakan listing
program yang didalamnya terbagi dalam tiga bagian atau tiga sub program
dengan terdiri dari pengolangan citra template termasuk didalamnya
pemrosesan awal, pengujian citra dengan metode manhattan, dan yang
terakhir pemutusan dengan membandingkan hasil uji yang diperoleh.
Berikut ini hasil yang didapatkan setelah program kenalwajah.m dieksekusi
terhadap kelima sample citra wajah.

Gambar 4.2.2 hasil fungsi kenalwajah.m untuk f1

Gambar 4.2.3 hasil fungsi kenalwajah.m untuk f2

Gambar 4.2.4 hasil fungsi kenalwajah.m untuk f3

Gambar 4.2.5 hasil fungsi kenalwajah.m untuk f4

Gambar 4.2.6 hasil fungsi kenalwajah.m untuk f5

 Dari hasil diatas, secara sederhana dapat disimpulkan ke dalam tabel uji data
untuk program KenalWajah.m menggunakan metode Manhattan seperti
berikut ini :
Fungsi Jarak Manhattan (L1)
Masukan
F1 F2 F3 F4 F5
F1
F2
F3
F4
F5
Akurasi (%) 100%

Berdasarkan hasil tabel diatas, didapat bahwa pengujian dari 5 data

citra hasilnya memiliki keakuratan 100% dengan tiap citra diketahui
klasifikasi kelasnya masing masing.

E. TUGAS
a. Euclidean
Pada penugasan, dilakukan pengklasifikasian citra menggunakan
metode euclidean yang diwakili oleh fungsi distL2 dengan cara pengujian
yang serupa seperti pada percobaan untuk mode manhattan.

Gambar 4.4.1 Program distL2.m

Apabila merujuk pada fungsi manhattan maka hanya perlu dirubah
nama fungsi dan tentu saja persamaannya, sedangkan variabelnya tetap
sama, karena fungsi ini juga akan dipanggil pada fungsi kenalwajah.m
menggantikan fungsi manhattan.
Merujuk ke percobaan sebelumnya, dengan menggunakan fungsi
yang sudah dibuat yaitu kenalwajah.m dilakukan beberapa modifikasi
menjadi seperti pada Gambar 4.4.2 berikut ini.
 Gambar 4.4.2 Modifikasi kenalwajah.m untuk distL2

Modifikasi yang terjadi yaitu pada beberapa baris yang di antaranya

pada baris-baris : (50-54). Maka dari modifikasi tersebut didapatkan hasil
seperti pada Gambar 4.4.3 sampai 4.4.7 di bawah ini.

Gambar 4.4.3 hasil kenalwajah metode euclidean citra f1

Gambar 4.4.4 hasil kenalwajah metode euclidean citra f2

Gambar 4.4.5 hasil kenalwajah metode euclidean citra f3

Gambar 4.4.6 hasil kenalwajah metode euclidean citra f4

Gambar 4.4.7 hasil kenalwajah metode euclidean citra f5

 Dari hasil diatas, secara sederhana dapat disimpulkan ke dalam tabel uji data
untuk program kenalwajah.m menggunakan metode euclidean seperti
berikut ini :
Fungsi Jarak Euclidean (L2)
Masukan
F1 F2 F3 F4 F5
F1
F2
F3
F4
F5
Akurasi (%) 100%

Berdasarkan hasil tabel diatas, didapat bahwa pengujian dari 5 data

citra hasilnya memiliki keakuratan 100% dengan tiap citra diketahui
klasifikasi kelasnya masing masing.

b. Canberra
Pada penugasan kedua, dilakukan pengklasifikasian citra
menggunakan metode canberra yang diwakili oleh fungsi canberra.m
dengan cara pengujian yang serupa seperti pada percobaan untuk mode
Manhattan maupun euclidean.

Gambar 4.4.8 Program canberra.m

Apabila merujuk pada fungsi euclidean maka hanya perlu dirubah
nama fungsi dan tentu saja persamaannya, sedangkan variabelnya tetap
sama, karena fungsi ini juga akan dipanggil pada fungsi kenalwajah.m
menggantikan fungsi euclidean.
Merujuk ke percobaan sebelumnya, dengan menggunakan fungsi
yang sudah dibuat yaitu kenalwajah.m dilakukan beberapa modifikasi
menjadi seperti pada Gambar 4.4.9 berikut ini.
 Gambar 4.4.9 Modifikasi kenalwajah.m untuk canberra

Modifikasi yang terjadi yaitu pada beberapa baris yang di antaranya

pada baris-baris : (50-54). Maka dari modifikasi tersebut didapatkan hasil
seperti pada Gambar 4.4.10 sampai 4.4.14 di bawah ini.

Gambar 4.4.10 hasil kenalwajah metode canberra citra f1

Gambar 4.4.11 hasil kenalwajah metode canberra citra f2

Gambar 4.4.12 hasil kenalwajah metode canberra citra f3

Gambar 4.4.13 hasil kenalwajah metode canberra citra f4

Gambar 4.4.14 hasil kenalwajah metode canberra citra f5

 Dari hasil diatas, secara sederhana dapat disimpulkan ke dalam tabel uji data
untuk program kenalwajah.m menggunakan metode canberra seperti berikut
ini :
Fungsi Jarak Canberra
Masukan
F1 F2 F3 F4 F5
F1
F2
F3
F4
F5
Akurasi (%) 20%

Berdasarkan hasil tabel diatas, didapat bahwa pengujian dari 5 data

citra hasilnya memiliki keakuratan hanya 20% dengan tiap citra diketahui
klasifikasi kelasnya hanya merujuk ke f5 atau face 5.

F. KESIMPULAN
1. Terdapat beberapa metode klasifikasi dengan memanfaatkan jarak yaitu
manhattan, euclidean, canberra, dll.
2. Wajah merupakan salah satu karakteristik biometrik yang digunakan untuk
mengenali seseorang selain karakteristik yang lain seperti ucapan, sidik
jari, retina, dll.
3. Berdasarkan percobaan yang dilakukan untuk klasifikasi menggunakan
metode jarak, bahwa setiap metode (manhattan maupun euclidean) mampu
menentukan citra ke dalam suatu kelas secara tepat.
4. Sedangkan pada pengujian menggunakan metode canberra hanya merujuk
pada satu wajah saja.

G. REFERENSI

Fadlil, A. (2016) Petunjuk Praktikum Teknik Klasifikasi & Pengenalan Pola,

Yogyakarta: Universitas Ahmad Dahlan.