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.
1
menggunakannya. Penelitian terhadap pengenalan data pelatihan dibagi dalam beberapa kelas atau
wajah manusia sudah banyak dilakukan dengan kategori wajah. Data gambar dalam data pelatihan
kelebihan dan kekurangan tertentu. Hal ini dibagi ke dalam beberapa kelas sesuai dengan
disebabkan karena wajah manusia merepresentasikan kelompoknya dengan mengunakan informasi ini LDA
sesuatu yang kompleks dan mengembangkan model mempunyai ketepatan yang lebih tinggi dalam proses
komputasi untuk pengenalan wajah manusia adalah pengenalan data wajah dibandingkan dengan
hal yang sulit. [8] beberapa metode yang lain dalam ekstraksi ciri.
Dimana perbedaan dengan yang lain terdapat pada
Pengenalan wajah ini dibagi menjadi dua bagian arah optimal vector w sehingga jarak antar mean
yaitu: dikenali dan tidak dikenali, setelah dilakukan maksimal dan lebar varian minimal tersebut dapat
perbandingan dengan pola yang sebelumnya dilihat pada Gambar 1
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 Gambar 1 Arah optimal vector w sehingga jarak
model terbaik yang menjelaskan bentuk wajah antar mean maksimal dan lebar varian minimal
dengan mengutip informasi yang paling relevan [7]
yang terkandung didalam wajah tersebut.
Dibalik kemudahan pengenalan wajah, ada a. Mencari matriks scatter between class
beberapa masalah yang mungkin timbul dalam proses SB disebut matriks scatter between class
pengenalan wajah yang biasa disebut dengan robust, atau penyebaran data antar kelas yang berbeda.
yaitu: Bila pada PCA dicari rata-rata seluruh image
a) Perubahan skala Citra seseorang dapat saja, rnaka pada LDA juga harus dicari lebih
dipresentasikan berbeda diakibatkan perbedaan dulu rata-rata image yang terdapat dalam satu
jarak antara wajah dengan kamera. Semakin kelas. Berikut rumus mencari matriks scatter
dekat jarak maka citra akan semakin besar. between class :
b) Perubahan posisi Citra seseorang dapat SB = ∑𝑐𝑖=1 Ni (𝜇 i – 𝜇) (𝜇 i – 𝜇)T
dipresentasikan berbeda diakibatkan perubahan Dimana Ni = Jumlah Image pada kelas ke i
posisi seseorang ataupun perubahan sudut
𝜇 i = rata – rata kelas ke i
pengambilan wajah.
c) Perubahan cahaya Citra seseorang dapat 𝜇 = rata-rata total
dipresentasikan berbeda diakibatkan perubahan C = Jumlah kelas yang ada
intensitas cahaya yang terjadi pada saat
pengambilan citra. b. Mencari scatter within class
Perubahan detail dan ekspresi Citra seseorang SW disebut matriks scatter within class atau
dapat dipresentasikan berbeda diakibatkan perubahan penyebaran data dalam satu kelas yang sama.
detail seperti adanya janggut, kumis, pemakaian Berikut rumus mencari matriks scatter within
aksesoris, perubahan gaya, perubahan ekspresi wajah class :
menjadi tertawa, tersenyum, muram, menangis dan SW = ∑𝑐𝑖=1 Ni( Xk - 𝜇 i) ( Xk - 𝜇 i) T
lain sebagainya yang dapat mengakibatkan perubahan Dimana Xk = Image ke k
citra. C = Jumlah kelas yang ada
𝜇 I = rata-rata kelas ke I
Linear Discriminant Analysis
Linear Discriminant Analysis (LDA) c. Mencari Covarian matriks LDA
merupakan metode klasik untuk analisis multivariat. Berbeda dari PCA yang mendapatkan
Dimana bertujuan untuk mendapatkan cara yang covarian matrix dari seluruh image dikurangi
efisien dalam menyajikan ulang ruang wajah dengan rata-rata totalnya, covarian Matrix LDA
2
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
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
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
5
[6] Guitierez, R., Linear Discriminant Analysis,Two
Classes.