Pelita Informatika Budi Darma, Volume : IX, Nomor: 1, Maret 2015 ISSN : 2301-9425

PERANCANGAN APLIKASI PENGENALAN WAJAH

MENGGUNAKAN METODE FISHER LINEAR DISCRIMINANT (FLD)
Maha Kinnoy Sembiring (1011527)

Mahasiswa Program Studi Teknik Informartika STMIK Budi Darma Medan

Jl. Sisingamangaraja No. 338 Simpang Limun Medan
www.stmik-budidarma.ac.id //Email : kinvanburton@yahoo.co.id

ABSTRAK
Sistem identifikasi wajah berkembang dengan cepat. Perkembangan tersebut mendorong kemajuan sistem
identifikasi berbasis biometrik. Pengenalan wajah adalah salah satu sistem identifikasi yang dikembangkan
berdasarkan perbedaan ciri wajah seseorang berbasis biometrik yang memiliki keakuratan tinggi.
Namun untuk mengembangkan sistem identifikasi pengenalan wajah yang baik dan memiliki keakuratan
tinggi merupakan sesuatu yang sulit dikareanakan wajah manusia memiliki ekspresi yang beragam dan
perubahan atribut seperti kacamata, kumis, janggut dan lain-lain.
Fisher Linear Discriminant (FLD) merupakan metode class specific yang membedakan gambar wajah
masukan menjadi kelas kelas wajah dan metode Fisher Linear Discriminant (FLD) ini membentuk jarak antar
kelas dan intra kelas sehingga dapat menghasilkan klasifikasi yang lebih baik, algoritma PCA digunakan untuk
mendapatkan matriks proyeksi optimal yang digunakan untuk mendapatkan nilai bobot citra wajah. Sistem
identifikasi wajah yang dirancang memiliki keluaran dikenali atau tidak dikenalinya sebuah gambar masukan
sebagai salah satu individu pada database.

Kata kunci : Pengenalan wajah, Wajah, Fisher Linear Discriminant (FLD)

1. Pendahuluan karena metode ini berusaha untuk membentuk jarak

1.1 Latar Belakang
Pengenalan wajah merupakan salah satu
pendekatan pengenalan pola untuk keperluan
identifikasi personal di samping pendekatan biometric
lainnya seperti pengenalan sidik jari, tanda tangan,
retina mata dan sebagainya. Pengenalan citra wajah
berhubungan dengan obyek yang tidak pernah sama,
karena adanya bagian-bagian yang dapat berubah.
Perubahan ini dapat disebabkan oleh ekspresi wajah,
sudut pengambilan gambar, atau perubahan aksesoris
pada wajah. Dalam kaitan ini, obyek yang sama
dengan beberapa perbedaan harus dikenali sebagai
satu obyek yang sama (Marti, N.W., 2010:h.11).
Pada umumnya pengenalan wajah memiliki
beberapa tahapan untuk mengidentifikasi wajah yaitu
deteksi wajah, penyelarasan wajah, ekstraksi fitur dan
juga pencocokan wajah. Permasalahan yang banyak
dihadapi aplikasi pengenalan wajah adalah perubahan
atribut, pencahayaan dan perubahan aksesoris. Banyak
metode yang digunakan dalam aplikasi pengenalan
wajah salah satu diantaranya adalah metode Fisher
Linear Discriminant (FLD). Metode Fisher Linear
Discriminant (FLD) digunakan untuk mencari nilai
wajah rata-rata masing-masing kelas dan melakukan
perhitungan matriks sebaran dalam kelas dan matriks
sebaran antar kelas dan mencari nilai proyeksi optimal
dari citra untuk mendapatkan nilai bobot citra wajah
(Haijing Wang, et al., 2010:h.52).
Metode Fisher Linear Discriminant (FLD)
merupakan metode yang paling banyak dipakai untuk
pengenalan pola. Fisher Linear Discriminant (FLD)
merupakan salah satu contoh metode class specific,
Perancangan Aplikasi Pengenalan Wajah Menggunakan Metode Fisher Linear Discriminant (FLD).
Oleh : Maha Kinnoy Sembiring
(scatter) antar kelas dan intra kelas sehingga dapat
menghasilkan klasifikasi yang lebih baik (Changjun
Zhou, et al., 2010:h.695).
1.2 Perumusan Masalah
Adapun yang menjadi perumusan masalah dalam
penelitian ini adalah :
1. Bagaimana menerapkan metode Fisher Linear
Discriminant (FLD) di dalam aplikasi pengenalan
wajah ?
2. Bagaimana merancang aplikasi pengenalan wajah
metode Fisher Linear Discriminant (FLD)
menggunakan bahasa pemrograman visual C# ?
2. Landasan Teori
2.1 Pengenalan Wajah (Face Recognition)
Face recognition atau pengenalan wajah adalah
salah satu teknik identifikasi teknologi biometrik
dengan menggunakan wajah individu yang
bersangkutan sebagai parameter utamanya. (Riko,
2007:h.50).
2.1.1 Konsep Pengenalan Wajah
Face Recognition atau pengenalan wajah
merupakan salah satu teknologi biometrik yang
banyak diaplikasikan khususnya dalam sistem
security. Sistem absensi dengan wajah, mengenali
pelaku tindak kriminal adalah beberapa aplikasi dari
pengenalan wajah, efisiensi dan akurasi menjadi
faktor utama mengapa pengenalan wajah banyak
diaplikasikan khususnya dalam sistem security.
82
Pelita Informatika Budi Darma, Volume : IX, Nomor: 1, Maret 2015 ISSN : 2301-9425

Pengenalan wajah adalah suatu metode
pengenalan yang berorientasi pada wajah. Pengenalan
ini dapat dibagi menjadi dua bagian yaitu dikenali
atau tidak dikenali. Metode pengenalan wajah
memakai dua prosedur, yaitu :
a. Pengenalan kontur wajah dengan mengenali
bentuk hidung, mata dan mulut dan bentuk
korelasi di antara keduanya. Karakteristik organ
tersebut kemudian dinyatakan dalam bentuk
vektor.
b. Analisis komponen yang prinsipil, berdasarkan
informasi dari konsep ini, pencarian perhitungan
model terbaik yang menjelaskan bentuk wajah
dengan mengutip informasi yang paling relevan
di dalam wajah tersebut.
Permasalahan yang timbul dalam proses
pengenalan wajah adalah adanya perubahan skala,
perubahan posisi, perubahan pencahayaan, atau
adanya perubahan detail dan ekspresi wajah (Marti,
N.W., 2010:h.12).
berusaha untuk membentuk jarak (scatter) antar kelas
dan intra kelas sehingga dapat menghasilkan
klasifikasi yang lebih baik (Changjun Zhou, et al.,
2010:h.695).
Perhitungan metode Fisher Linear Discriminant
(FLD) dilakukan dengan langkah-langkah sebagai
berikut :
1. Tentukan jumlah kelas dan anggota setiap kelas.
2. Membentuk nilai rata-rata dari training set (m)
dan nilai wajah rata-rata masing-masing kelas
(class average face, ),
Dengan perhitungan rumus mencari nilai rata-rata
dari training set :
=
Perhitungan rumus mencari nilai rata-rata dari
masing-masing kelas :

2.2 Transformasi Citra Warna Menjadi Citra =

Grayscale
Citra warna bisa diubah menjadi citra grayscale
dengan cara menghitung rata-rata elemen warna Red,
Green, dan Blue. Secara matematis perhitungannya
adalah sebagai berikut :
3. Lakukan perhitungan matriks sebaran antar kelas
(between-class scatter-matrix, ) dan matriks
sebaran dalam kelas (within-class scatter-matrix,
). Dengan perhitungan rumus :
=

(x,y) =

2.3 Transformasi Citra Grayscale menjadi Citra 4. Cari eigenvalue atau matriks proyeksi
Biner (Thresholding) dengan perhitungan rumus :
Pada operasi ini nilai piksel yang memenuhi
syarat ambang batas dipetakan ke suatu nilai yang =
dikehendaki. Dalam hal ini syarat ambang batas dan
nilai yang dikehendaki disesuaikan dengan kebutuhan. = = .
Operasi thresholding yang mempunyai ketentuan 5. Hitung nilai eigenvector (w) dengan rumus :
berikut :
w= (
Nilai intensitas output (x,y) = 0, bila nilai 6. Hitung total scatter matrix untuk mendapatkan
intensitas input (x,y) 0, nilai (x,y) = bila matriks proyeksi PCA
< (x,y) , nilai (x,y) = bila <
(x,y) , …. , nilai (x,y) = bila
< (x,y) secara matematis dapat ditulis sebagai
berikut : = w
(x,y) 7. Hitung matriks proyeksi optimal
=
8. Hitung nilai bobot tiap masing-masing gambar
2.4 Metode Fisher Linear Discriminant (FLD)
Fisher Linear Discriminant (FLD) atau yang juga wajah dengan matriks proyeksi optimal
dikenal dengan Linear Discriminant Analysis (LDA) dengan perhitungan rumus.
ditemukan oleh Robert Fisher pada tahun 1936 untuk =
klasifikasi taksonomi dan menjadi salah satu teknik (Changjun Zhou, et al., 2010:h.696).
yang banyak digunakan dalam pengenalan pola Sebelum melakukan pengenalan wajah dengan
(pattern recognition). FLD merupakan salah satu perhitungan kemiripan Euclidean Distance, citra
contoh metode class specific, dan merupakan metode wajah yang akan diuji terlebih dahulu
yang terkenal untuk menggolongkan kelas menjadi dinormalisasikan dengan nilai rata-rata training set
matriks sebaran dalam kelas dan antar kelas yang dengan perhitungan rumus :
dapat dipercaya untuk klasifikasi, karena metode ini
Perancangan Aplikasi Pengenalan Wajah Menggunakan Metode Fisher Linear Discriminant (FLD). 83
Oleh : Maha Kinnoy Sembiring
Pelita Informatika Budi Darma, Volume : IX, Nomor: 1, Maret 2015
= –m
Setelah nilai normalisasi citra wajah uji didapat
maka selanjutnya memproyeksikan citra wajah yang
diuji ke dalam matriks proyeksi optimal.
= `
(Riko, A.S., 2007:h.54).
2.5 Euclidean Distance
Euclidean Distance (Jarak Euclidean) adalah
metrika yang paling sering digunakan untuk
menghitung kesamaan 2 vektor. Jarak Euclidean
menghitung akar dari kuadrat perbedaan 2 vektor.
Dengan perhitungan rumus sebagai berikut :
= ).
= matriks proyeksi PCA.
( Purnomo,M.H., dan Muntasa, A., 2010:h.223)
2.6 EmguCV
EmguCV adalah cross platform yang terdapat
dalam .NET untuk library pengolahan citra pada Intel
OpenCV. EmguCV ini mengikuti fungsi yang terdapat
pada OpenCV yang diambil dari .NET oleh sebab itu
compatible dengan bahasa pemrograman C#, VB,
VC++, IronPython dan sebagainya. Program ini
bersifat opensource sehingga sangat cocok apabila
digunakan untuk penelitian, salah satunya adalah
untuk computer vision (Kusumanto, R.D., Tompunu,
A.N., Pambudi, W.S., 2011:h.85).
3. Analisa
3.1 Analisa dan Logika Metode
Analisa dan logika metode digunakan untuk
mengetahui cara kerja metode dan mengetahui alur
proses dari metode yang digunakan dan dapat
diterapkan ke dalam sistem aplikasi. Analisa yang
pertama kali dilakukan adalah analisis deteksi objek
yang akan dibagi menjadi 4 tahapan, yaitu :
1. Tahap pertama adalah tahap pengambilan atau
input gambar melalui capture dari webcam.
2. Tahap kedua adalah tahap proses pengubahan
gambar menjadi grayscale dan threshold.
3. Tahap ketiga adalah tahap pengambilan nilai
training dan proses pendeteksian wajah
menggunakan metode Fisher Linear
Discriminant (FLD).
4. Tahap keempat adalah penghitungan kemiripan
citra wajah training (wajah yang terdapat di
dalam database) dengan citra wajah masukan dan
dengan keluaran (output) adalah citra wajah yang
dikenali.
3.2 Penerapan Metode Fisher Linear Discriminant
(FLD)
Perancangan Aplikasi Pengenalan Wajah Menggunakan Metode Fisher Linear Discriminant (FLD).
Oleh : Maha Kinnoy Sembiring
ISSN : 2301-9425
Penerapan metode Fisher Linear Discriminant
(2,11)
akan lebih mudah dengan merubah citra yang akan
diproses terlebih dahulu menjadi grayscale dan
thresholding untuk membatasi nilai intensitas citra.
Kemudian perhitungan FLD dapat dilakukan dengan
(2,12)
langkah berikut :
a. Tentukan jumlah kelas dan anggota setiap kelas
yang ada pada training set (kumpulan wajah
pelatihan).
b. Bentuk nilai rata-rata dari training set (m) dan
nilai wajah rata-rata masing-masing kelas (class
average face, ).
c. Lakukan perhitungan matriks sebaran antar kelas
(between-class scatter-matrix, ) dan matriks
sebaran dalam kelas (within-class scatter-matrix,
d. Cari eigenvalue atau matriks proyeksi .
e. Hitung nilai eigenvector (w).
f. Hitung total scatter matrix untuk mendapatkan
g. Hitung matriks proyeksi optimal
h. Hitung nilai bobot tiap masing-masing gambar
wajah dengan matriks proyeksi optimal .
4. Pengujian
Pengujian aplikasi pengenalan wajah dengan
metode Fisher Linear Discriminant (FLD) yang
dirancang dengan menggunakan bahasa pemrograman
Microsoft Visual C# 2008 dan dengan library
EmguCV.
Hasil perancangan aplikasi pengenalan wajah
yang dirancang penulis dapat dilihat dalam pengujian
sistem pada gambar di bawah ini :
4.1 Tampilan Menu Utama
Tampilan Menu Utama merupakan tampilan yang
muncul setelah menjalankan program utama.
Tampilan ini berisi judul skripsi, gambar latar serta
tampilan menu. Tampilan menu File terdiri dari Form
Training Image, Form Pengenalan Wajah, Exit, Help,
About. Tampilan Menu Utama dapat dilihat pada
Gambar 1 berikut :
Gambar 1 Tampilan Menu Utama
84
Pelita Informatika Budi Darma, Volume : IX, Nomor: 1, Maret 2015
4.2 Tampilan Form Training Image
Tampilan Form Training Image berguna untuk
melakukan capture image atau pengambilan gambar
wajah sebagai media untuk memasukkan citra wajah
training ke dalam database. Tampilan Form Training
Image dapat dilihat pada Gambar 2 berikut :
Gambar 2 Form Training Image
4.3 Tampian Form Pengenalan Wajah
Tampilan Form Pengenalan Wajah berguna untuk
melakukan pengenalan terhadap wajah yang akan
diuji dan dikenali. Pengenalan wajah dengan metode
FLD akan bekerja setelah pengguna meng-capture
wajah yang akan dikenali dan wajah yang akan
dikenali akan dicocokkan dengan citra wajah yang ada
pada database melalui proses penekanan tombol
training yang bertujuan untuk mendapatkan nilai ciri
dari wajah yang telah di-capture dan melalui proses
penekanan tombol deteksi yang bertujuan untuk
memproses nilai ciri dari proses training, dan dengan
menggunakan metode Fisher Linear Discriminant
maka citra wajah akan diproses dan mencari citra
wajah mana yang ada pada database yang cocok dan
identik dengan citra wajah yang telah di-capture.
Adapun tampilan form pengenalan wajah dapat
dilihat pada Gambar 3 berikut :
Gambar 3 Form Pengenalan Wajah
5. Penutup
Berdasarkan pembahasan dan evaluasi dari bab-
bab sebelumnya dan melalui teori yang ada, dan
Perancangan Aplikasi Pengenalan Wajah Menggunakan Metode Fisher Linear Discriminant (FLD).
Oleh : Maha Kinnoy Sembiring
ISSN : 2301-9425
setelah dilakukannya penelitian dan pengujian
terhadap aplikasi pengenalan wajah menggunakan
metode Fisher Linear Discriminant (FLD) maka
didapatkan beberapa kesimpulan sebagai berikut :
1. Penerapan metode Fisher Linear Discriminant
(FLD) dalam pengenalan wajah memiliki
keakurasian yang lebih tinggi dikarenakan
metode ini membagi kelas secara spesifik dan
aplikasi pengenalan wajah dengan metode Fisher
Linear Discriminant (FLD) mampu mengenali
wajah dengan ekspresi yang beragam juga
mampu mengenali wajah dengan perubahan
atribut seperti kacamata, kumis, dan lain-lain.
2. Aplikasi pengenalan wajah menggunakan bahasa
pemrograman visual C# mendukung pengenalan
wajah dikarenakan bahasa pemrograman ini
merupakan bahasa pemrograman berorientasi
objek.
Daftar Pustaka
[1] Changjun Zhou, et al., 2010. Fisher’s Linear
Discriminant (FLD) and Support Vector Machine
(SVM) in Non-negative Matrix Factorization
(NMF) Residual Space for Face Recognition.
Optica Applicata, Vol. XL, No. 3, 2010.
[2] Haijing Wang, Peihua Li, and Tianwen Zhang.,
2008. Histogram Feature-Based Fisher Linear
Discriminant for Face Detection. Neural Comput
& Applic (2008) 17:49–58
[3] Kusumanto, R.D., Tompunu, A.N., Pambudi,
W.S., 2011. Klasifikasi Warna Menggunakan
Pengolahan Model Warna HSV. JURNAL
ILMIAH ELITE ELEKTRO, VOL. 2, NO. 2,
SEPTEMBER 2011: 83-87.
[4] Marti, N.W., 2010. ISSN: 1907-5022.
Pemanfaatan GUI Dalam Pengembangan
Perangkat Lunak Pengenalan Citra Wajah
Manusia Menggunakan Metode Eigenfaces.
Seminar Nasional Aplikasi Teknologi Informasi
2010 (SNATI 2010).
[5] Purnomo, M.H, dan Muntasa, A., 2010. Konsep
Pengolahan Citra Digital dan Ekstraksi Fitur.
Yogyakarta : Penerbit GRAHA ILMU.
[6] Riko, A.S. 2007. Pengenalan Wajah Menggunakan
Metode Fisherface., Jurnal Teknik Elektro Vol. 7,
No. 1, Maret 2007: 50-62.
[7] T.Sutoyo, et al., 2009. Teori Pengolahan Citra
Digital. Yogyakarta : Penerbit ANDI
85