SISTEM PENGENALAN WAJAH DENGAN MENGGUNAKAN METODE

LINEAR DISCRIMINANT ANALYSIS (LDA)

Firman Brilian1, Arief Fatchul Huda2, Ichsan Taufik3

1, 2,3
Jurusan Teknik Informatika, Fakultas Sains dan Teknologi
Universitas Islam Negeri Sunan Gunung Djati Bandung
Jl. A.H. Nasution 105, Bandung
firman.brilian@gmail.com, arvada@yahoo.com, ichsan@if.uinsgd.ac.id

ABSTRAK: Pengenalan wajah merupakan salah satu pengolahan citra yang telah berhasil dan telah diaplikasikan
dalam berbagai bidang baik yang bersifat komersial maupun digunakan untuk kepentingan pemerintahan. Masalah
pada pengenalan wajah manusia ini adalah pada perubahan sudut, cahaya dapat mempengaruhi proses pengenalan
wajah manusia. Pada sistem ini data yang dapat dikenali berasal dari data wajah yang sebelumnya melakukan foto
kepada orang dengan beberapa variasi. Data wajah yang akan dikenali melalui proses pengolahan citra, dimana citra
data awal berformat RGB terlebih dahulu merubah format menjadi grayscale, setelah itu data citra akan mengalami
proses cropping dengan melakukan pemotongan bagian gambar yang tidak diperlukan dalam proses pelatihan,
setelah itu data wajah selanjutnya akan mengalami proses resize agar pada saat sistem melakukan proses tidak
terlalu berat. Data citra ini memiliki 2 tahapan yaitu pelatihan dan pengetesan. Pada proses pelatihan metode yang
digunakan adalah Linear Discriminant Analysis dimana data akan mengalami pengurangan dimensi dan dimana data
akan dipelajari oleh sistem yang kemudian informasi pelatihan ini digunakan sebagai data input pada saat klasifikasi
menggunakan K-NN untuk digunakan untuk mengenali wajah manusia pada saat pengetesan. Berdasarkan hasil
penelitian metode ini dapat melakukan pengenalan wajah manusia dengan komposisi data pelatihan sebanyak 6
variasi dan data pengujian sebanyak 4 variasi dengan mengambil nilai karakteristik atau nilai eigen sebanyak 80
dapat melakukan pengenalan wajah manusia dengan keakuratan sebesar 70 % dalam melakukan pengenalan wajah
manusia.

Kata Kunci: LDA, K-NN, Pengenalan Wajah

1. PENDAHULUAN penelitian tentang pengenalan wajah, hal tersebut

Beberapa tahun terakhir perkembangan teknologi
berkembang sangat pesat dari perkembangan tersebut
memunculkan beberapa perkembangan yang baik
terhadap teknologi pengenalan wajah manusia yang
mendapatkan perhatian serius dari beberapa peneliti
dibidang face localization yaitu pendeteksian wajah
manusia namun dengan asumsi hanya ada satu wajah
manusia di dalam citra, penjejakan wajah (face
tracking) untuk memperkirakan lokasi suatu wajah
manusia dalam video secara real time, dan
pengenalan ekspresi wajah (facial expression
recognition) untuk mengenali kondisi emosi manusia
[16].
Selain itu dalam bidang penelitian pemrosesan
wajah (face processing), pendeteksi wajah manusia
(face detection) adalah salah satu tahap awal yang
sangat penting di dalam proses pengenalan wajah
manusia (face recognition). Sistem pengenalan wajah
manusia digunakan untuk membandingkan satu citra
wajah manusia masukan dengan suatu database
wajah dan menghasilkan wajah yang paling cocok
dengan citra tersebut. Dengan berkembangnya
teknologi yang berkembang pesat dan beberapa
dapat diimplementasikan pada pembuatan sistem
keamanan suatu perusahaan, dengan sistem
pengenalan wajah manusia seseorang yang tidak
memiliki hak akses tidak dapat masuk ke dalam
ruangan tersebut.
Dalam pengenalan wajah terdapat beberapa
metode yang biasa digunakan antara lain Principal
Component Analysis , Linear Discriminant Analysis
dan Edge detection. Linear Discriminant Analysis
merupakan sebuah metode dalam mengekstraksi ciri
suatu objek. Dalam mengekstraksi ciri, LDA
membagi beberapa kelas dalam pencarian ciri,
misalnya ada data enam orang, dimana setiap orang
terbagi menjadi setiap kelas. Jika dibandingkan
dengan metode-metode lain, LDA memiliki ketepatan
yang sangat tinggi dalam mengenali wajah seseorang,
dikarenakan dalam metode LDA ini memiliki banyak
data dalam pengenalan wajah seseorang.
2. TINJAUAN PUSTAKA
Sistem Pengenalan Wajah
Pengenalan wajah manusia adalah bidang
penelitian penting dengan banyak aplikasi yang dapat

1
menggunakannya. Penelitian terhadap pengenalan
wajah manusia sudah banyak dilakukan dengan
kelebihan dan kekurangan tertentu. Hal ini
disebabkan karena wajah manusia merepresentasikan
sesuatu yang kompleks dan mengembangkan model
komputasi untuk pengenalan wajah manusia adalah
hal yang sulit. [8]
Pengenalan wajah ini dibagi menjadi dua bagian
yaitu: dikenali dan tidak dikenali, setelah dilakukan
perbandingan dengan pola yang sebelumnya
disimpan di dalam database. Perhitungan model
pengenalan wajah memiliki beberapa masalah.
Kesulitan muncul ketika wajah dipresentasikan dalam
suatu pola yang berisi informasi unik yang
membedakan dengan wajah lain. Metode pengenalan
wajah memiliki dua prosedur, yaitu :
a. Pengenalan kontur wajah dengan mengenali
bentuk hidung, mata dan mulut dan bentuk
korelasi diantara keduanya. Karakteristik organ
tersebut kemudian dinyatakan dalam bentuk
vektor.
b. Analisis komponen yang prinsipil, berdasarkan
informasi dari konsep ini, mencari perhitungan
model terbaik yang menjelaskan bentuk wajah
dengan mengutip informasi yang paling relevan
yang terkandung didalam wajah tersebut.
Dibalik kemudahan pengenalan wajah, ada
beberapa masalah yang mungkin timbul dalam proses
pengenalan wajah yang biasa disebut dengan robust,
yaitu:
a) Perubahan skala Citra seseorang dapat
dipresentasikan berbeda diakibatkan perbedaan
jarak antara wajah dengan kamera. Semakin
dekat jarak maka citra akan semakin besar.
b) Perubahan posisi Citra seseorang dapat
dipresentasikan berbeda diakibatkan perubahan
posisi seseorang ataupun perubahan sudut
pengambilan wajah.
c) Perubahan cahaya Citra seseorang dapat
dipresentasikan berbeda diakibatkan perubahan
intensitas cahaya yang terjadi pada saat
pengambilan citra.
Perubahan detail dan ekspresi Citra seseorang
dapat dipresentasikan berbeda diakibatkan perubahan
detail seperti adanya janggut, kumis, pemakaian
aksesoris, perubahan gaya, perubahan ekspresi wajah
menjadi tertawa, tersenyum, muram, menangis dan
lain sebagainya yang dapat mengakibatkan perubahan
citra.
Linear Discriminant Analysis
Linear Discriminant Analysis (LDA)
merupakan metode klasik untuk analisis multivariat.
Dimana bertujuan untuk mendapatkan cara yang
efisien dalam menyajikan ulang ruang wajah dengan
2
data pelatihan dibagi dalam beberapa kelas atau
kategori wajah. Data gambar dalam data pelatihan
dibagi ke dalam beberapa kelas sesuai dengan
kelompoknya dengan mengunakan informasi ini LDA
mempunyai ketepatan yang lebih tinggi dalam proses
pengenalan data wajah dibandingkan dengan
beberapa metode yang lain dalam ekstraksi ciri.
Dimana perbedaan dengan yang lain terdapat pada
arah optimal vector w sehingga jarak antar mean
maksimal dan lebar varian minimal tersebut dapat
dilihat pada Gambar 1
Gambar 1 Arah optimal vector w sehingga jarak
antar mean maksimal dan lebar varian minimal
[7]
a. Mencari matriks scatter between class
SB disebut matriks scatter between class
atau penyebaran data antar kelas yang berbeda.
Bila pada PCA dicari rata-rata seluruh image
saja, rnaka pada LDA juga harus dicari lebih
dulu rata-rata image yang terdapat dalam satu
kelas. Berikut rumus mencari matriks scatter
between class :
SB = ∑𝑐𝑖=1 Ni (𝜇 i – 𝜇) (𝜇 i – 𝜇)T
Dimana Ni = Jumlah Image pada kelas ke i
𝜇 i = rata – rata kelas ke i
𝜇 = rata-rata total
C = Jumlah kelas yang ada
b. Mencari scatter within class
SW disebut matriks scatter within class atau
penyebaran data dalam satu kelas yang sama.
Berikut rumus mencari matriks scatter within
class :
SW = ∑𝑐𝑖=1 Ni( Xk - 𝜇 i) ( Xk - 𝜇 i) T
Dimana Xk = Image ke k
C = Jumlah kelas yang ada
𝜇 I = rata-rata kelas ke I
c. Mencari Covarian matriks LDA
Berbeda dari PCA yang mendapatkan
covarian matrix dari seluruh image dikurangi
rata-rata totalnya, covarian Matrix LDA
 didapatkan dari operasi antara Sb dan Sw.
dimana C adalah covarian matrix LDA. Maka
Rumus dari covarian matriks LDA sebagai
berikut :
C = SBSW-1
d. Mencari Eigen vector dan Eigen value
Yang dimaksud dengan eigenvalue adalah
sebuah bilangan skalar dan eigenvector adalah
sebuah matriks yang keduanya dapat
mendifinisikan matriks A.
Gambar 2 Skema Sistem Pengenalan Wajah

Di dalam arsitektur sistem terdapat beberapa tahap

e. Mencari Feature LDA
yaitu :
Feature LDA dicari dengan cara yang sama
a. Pada tahap pertama data gambar yang sudah
seperti pada PCA.Feature dapat dicari dengan
dalam bentuk grayscale akan mengalami
persamaan sebagai berikut
ekstraksi ciri dengan metode LDA buat mencari
nilai karakteristik dan mengurangi dimensi
diproyeksikan terhadap nilai normalisasi gambar
I= data tiap pixel dari image training ke-I yang akan diujikan.
m = jumlah image training b. Selanjutnya gambar yang akan diujikan dicari
nilai normalisasi dan diproyeksikan hasil terhadap
Klasifiksi K-NN gambar hasil pelatihan sebagai matriks proyeksi.
K-Nearest Neighbor (K-NN) adalah suatu Lalu hasil matriks proyeksi diklasifikasikan
metode yang menggunakan algoritma menggunakan KNN setelah diklasifikasi maka akan
supervised dimana hasil dari query instance yang mengetahui wajah yang kita cari itu akan mengetahui
baru diklasifikan berdasarkan mayoritas dari pemilik data wajah yang kita cari. Alur dari LDA
kategori pada K-NN. Tujuan dari algoritma ini bisa dilihat pada Gambar 3 berikut.
adalah mengklasifikasikan obyek baru bedasarkan
atribut dan training sample

Langkah 0 Tentukan k, siapkan data training dan

data testing

Langkah 1 Cari jarak antara data baru dengan

data training menggunakan
Euclidean distance

Langkah 2 Urutkan jarak data secara menaik

(ascending) dan pilih data sejumlah
k dengan jarak terdekat

Langkah 3 Data baru diklasifikasikan ke kelas

terbanyak data sejumlah k
3. Analisis dan perancangan Sistem
Gambar 2 menerangkan bagaimana sistem
pengenalan wajah manusia bekerja sehingga dapat
mengetahui identitas data yang akan dikenali
Gambar 3 Alur LDA
Pada proses LDA memiliki beberapa tahap dalam
proses seperti pada Gambar 3 adapun tahap LDA
sebagai berikut :
a. Tahap pertama siapkan data wajah dengan
beberapa variasi disiapkan misalnya yang
digunakan adalah 2 orang dengan 10 variasi.
Setelah data disiapkan selanjutnya akan

3
 mengalami proses Preprocessing dimana dalam Diagram Konteks
proses preprocessing tersebut data wajah akan Berikut merupakan Diagram Konteks
mengalami beberapa pase yaitu RGB to Grey Pengenalan Wajah Manusia yang terlihat pada
merubah data gambar ke bentuk keabuan, Gambar 4 :
selanjutnya proses cropping yaitu memotong Data Presentase Ketepatan Pengenalan Wajah

gambar yang tidak diperlukan dan resize yaitu

SISTEM
memperkecil ukuran gambar. Pengguna Text PENGENALAN Data wajah Admin
WAJAH
b. Setelah didapatkan data wajah hasil dari
preprocessing selanjutnya data tersebut diubah Citra Wajah
dengan menjadi matriks vector dan nanti
hasilnya berupa matriks dengan dimensi 20 x Gambar 4 Diagram Context Sistem Pengenalan
896 selanjutnya hasil dari matriks vector lalu Wajah
membentuk kelas karena ada dua wajah manusia
yang berbeda dengan demikian kelas ada dua. 4. Implementasi Sistem
c. Tahap selanjutnya mencari ukuran gambar
tersebut yang dimana akan digunakan dalam Persiapan Sistem
mencari matriks scatter within class. Dan pada Beberapa hal yang harus dipersiapkan dalam
proses selanjutnya mencari nilai normalisasi pengimplementasian adalah sebagai berikut :
dimana nilai tersebut didapat dari nilai matriks Spefikasi Perangkat Lunak
vector dikurangi matriks gambar Adapun spesifikasi perangkat lunak yang
d. Kemudian mencari nilai rata-rata setiap digunakan untuk mengimplementasikan sistem ini
kelasnya dan rata totalnya yang akan digunakan adalah:
dalam mencari matriks scater between class. 1. Sistem operasi yang digunakan adalah
e. Pada tahap selanjutnya mencari matriks scatter Windows 7 Ultimate SP 1
within class dengan maksud mencari jarak di 2. Matlab Digunakan untuk membuat sistem
antara kelas dan mencari matriks scatter between Pengenalan wajah
class dengan maksud mencari jarak di dalam Implementasi Antarmuka
kelas sendiri. Pada Gambar 5 merupakan hasil
f. Lalu mencari nilai covarian yang merupakan implementasi antarmuka dari penerapan metode LDA
inputan dari nilai matriks scatter betwenn class pada sistem pengenalan wajah manusia secara offline:
dikalikan invers dari matriks scatter within class.
Selanjutnya mencari nilai eigen vector dan eigen
value
g. Setelah didapat nilai eigen value selanjutnya
diurutkan dari terbesar sampai terkecil yang
bersesuaian dengan indeks eigen vector dan
diambil beberapa saja misalnya mengambil 60
variabel dari 896 variabel yang kemudian
diproyeksikan terhadapa nilai normalisasi
sebagai matriks proyeksi.
h. Data hasil matriks proyeksi sebagai inputan
dalam mengklasifikasi dengan menggunakan K-
NN dengan maksud mencari nilai ketetanggaan
dan mencari nilai minimum yang paling dekat.
i. Lalu didapatkan gambar wajah yang kita tes

Pemodelan Sistem
Dalam Pemodelan sistem citra wajah digunakan Gambar 5 Implementasi Antarmuka secara offline
untuk memberikan gambaran tentang sistem yang
akan dibuat yaitu penggambaran sistem dalam bentuk Sedangkan pada Gambar 6 berikut merupakan hasil
diagram konteks ini menggambarkan seluruh sistem implementasi antarmuka dari penerapan metode LDA
yang akan dibuat dan akan diimplementasikan dalam pada Sistem pengenalan wajah manusia secara online
sebuah program.

4
 Tabel 1 Hasil percobaan

6. Kesimpulan dan saran

Kesimpulan
Setelah melakukan penelitan ini maka dapat
ditarik kesimpulan sebagai berikut :
Gambar 6 Implementasi Antarmuka secara online
a. Bahwa metode Linear Discriminant Analysis
5. Pengujian Sistem diterapkan pada proses extraction fiture dimana
Pengujian adalah suatu proses proses ini diterapkan ketika proses preprocessing
pengeksekusian program yang bertujuan untuk telah dilakukan.
menemukan kesalahan. Pengujian sebaiknya b. Data yang telah didapatkan dari extraction fiture
menemukan kesalahan yang tidak disengaja dan tersebut diklasifikasi dengan langkah-langkah
pengujian dinyatakan sukses jika berhasil mengetes gambar yang akan diuji dengan
memperbaiki kesalahan tersebut. Selain itu, beberapa kali iterasi,mencari jarak terdekat dan
pengujian juga bertujuan untuk menunjukkan mencari nilai minimal dimana proses tersebut
kesesuaian fungsi-fungsi perangkat lunak dengan dipakai dalam pengenalan suatu wajah.
spesifikasinya. Gambar 7 merupakan langkah-
langkah dalam pengujian sistem pengenalan wajah Saran
Sistem pengenalan wajah yang menggunakan
metode Linear Disciminant Analysis tersebut dapat
diterapkan pada berbagai aplikasi seperti absensi
yang mengunakan wajah sebagai pengenalan ataupun
sistem keamanan yang mengunakan wajah sebagai
data inputannya
.
Daftar Pustaka

[1] Afdal, 2011, Penentuan kateristik batuan dengan

metode linear discriminant analysis.

[2] Azizah, R., 2005, Pengenalan wajah dengan

metode subspace LDA, Insitut teknologi
sepuluh November.

[3] Damayanti, F., 2010, Pengenalan citra wajah

Gambar 7 Skema Pengujian
Tabel 1 merupakan hasil sebuah test telah dilakukan
dengan melakukan dengan beberapa data pelatihan
dan data pengetesan
dengan menggunakan metode Linear
Discriminant Analysis dan support vector
marchine..
[4] Kendall, E.K., 2010, Systems Analysis and
Design 8th Edition, Prentice Hall.

[5] Ganaphthiraju, Linear discriminant brief tutorial,

Institute for Signal and Information
Processing Department of Electrical and
Computer Engineering Mississippi State
University.

5
[6] Guitierez, R., Linear Discriminant Analysis,Two
Classes.

[7] Huda, A.F., 2008, Pengenalan wajah 3d, Gambar

berkualitas rendah mengunakan kernel
linear discriminant, Universitas Indonesia”,
Depok

[8] Lukas, S., 2010, System Pengenalan Citra Wajah

Berbasis Transformasi Wavelet Diskrit
Dan Teori Rough Set, Universitas Pelita
Harapan, Tangerang

[9] Mario, 2009, State Of The Art Face Recognition,

Penerbit IN-The, Vienna Austria

[10] Munir, R., 2004, Pengolahan citra digita,

Penerbit Informatika, Bandung

[11] Pressman, R.S., 2002, Rekaya Perangkat Lunak,

Penerbit McGrawHill Translate Andi
Publisher

[12] Prijono, A., 2007, Pengolahan citra digital

menggunakan Matlab, Penerbit
Informatika, Bandung

[13] Putra, D., 2010, Pengolahan citra digital,

Penerbit Andi, Yogyakarta

[14] Shirren. (2008). “A tutorial on reduction data

linear discriminant analysi”s.University
Lioussivile

[15] Stanz. ,2011, Handbook Of face recognition,

Penerbit Springer

[16] Yang, T. T., Menon, V., Eliez, S., Blasey, C.,

White, C. D., Reid, A. J.,…& Reiss, A. L.
(2002). Amygdalar activation associated
with positive and negative facial
expressions. Brain Imaging, 13(14), 1737-
1741.