PATTERN RECOGNITION

PENGENALAN WAJAH DENGAN METODE

INDEPENDENT COMPONENT ANALYSIS

Ahmad Mushawir1; Ready Prima Rozzaaq2; Sugondo3; Diaz D. Santika4

Jurusan Teknik Informatika, Fakultas Ilmu Komputer, Universitas Bina Nusantara
Jln. K.H. Syahdan No. 9, Palmerah, Jakarta Barat 11480
1ahmad.mushawir@gmail.com, 2rozzaaq@yahoo.co.id
3sugondo1990@gmail.com,4ddsantika@gmail.com

Face Recognition (Pengenalan Pola Wajah)

Pengenalan wajah adalah suatu masalah yang cukup penting dari bidang computer
vision danpengenalan pola (W. Zhao et al., 2003). Alasan mengapa pengenalan terhadap
wajah menjadi sesuatu masalah yang penting adalah, karena wajah merupakan perhatian
utama dalam kehidupan sosial yang memilki fungsi untuk mengenali identitas dan emosi
yang dimiliki seseorang. Selain itu hal yang membuat pengenalan wajah diminati adalah
karena proses akuisisi data yang dapat dikatakan lebih mudah jika dibandingkan
pengenalan bagian tubuh lain seperti mata dan sidik jari.
Ada beberapa pendekatan yang dapat digunakan untuk melakukan pengenalan
wajah namunpendekatan terbaik adalah pendekatan appearance-based. Pendekatan
appearance-based ataupendekatan holistic umumnya membuat representasi citra dengan
mengektrasi fitur-fitur dari citra wajah secara keseluruhan. Permasalahan yang kemudian
muncul adalah dimensionalitas dari semuacitra yang nantinya akan sangat besar. Namun
beberapa metode statistika seperti Principal Component Analysis (PCA) dapat digunakan
untuk mereduksi dimensionalitas dengan membuat representasi citra yang disebut
eigenface. Dengan adanya eigenface dapat menghilangkan korelasi di antara citra
masing-masing individu. Hingga saat ini PCA tetap menjadi salah satu metode
pengenalan wajah yang tetap digunakan karena performa dalam pengenalan wajah
termasuk cukup baik.
Selain PCA, salah satu metode statistik yang menarik yaitu Independent
Component Analysis (ICA). ICA adalah sebuah metode statistik yang digunakan untuk
memisahkan dua atau lebih variabel acak yang tercampur menjadi variabel-variabel yang
independent. Awalnya ICA digunakan untuk menyelesaikan permasalahan cocktail party
problem dimana sinyal dari semua audien tercampur dan sangat sulit dibedakan. Namun
seiring perkembangannya, ICA yang merupakan generalisasi PCA juga dapat digunakan
untuk melakukan pengenalan wajah. Berbeda dengan PCA yang hanya menghilangkan
korelasi antar tiap piksel dari citra wajah yang berada pada orde dua statistika, ICA lebih
membuat piksel-piksel menjadi independen dengan menghilangkan ketergantungan pada
orde yang lebih tinggi.

Tujuan Pembuatan

Secara umum tujuan dari penelitian ini adalah untuk menunjukkan performa yang
dihasilkan oleh ICA jika untuk mengenali citra yang memiliki perbedaan pose wajah,
iluminasi, dan citra yang didalamnya terdapat noise dengan berbagi densitas. Tujuan lain
dari penelitian ini adalah untuk menujukkan perbandingan performa yang dihasilkan
metode ICA dan PCA. Manfaat yang diharapkan dapat dicapai dari penelitian ini adalah
hasil dari penelitian ini dapat digunakan untuk pengembangan perangkat lunak sistem
pengenalan wajah. Manfaat lainnya adalah dapat dihasilkan suatu referensi yang dapat
digunakan peneliti lain khususnya peneliti yang menggunakan metode ICA untuk
pengenalan wajah.

Dataset

Pada penelitian ini data citra wajah yang digunakan adalah citra wajah yang didapat dari
Ollivety Research Laboratory(ORL) Database of Faces dan Yale Face Database B. ORL
database dan Yale database menggunakan format Portable Gray Map(PGM). Format
PGM adalah format paling sederhana citra abu-abu. Format ini dirancang agar mudah
dipelajari dan mudah digunakan untuk program pemprosesan citra. Citra PGM juga dapat
dianggap sebagai kumpulan integer yang disimpan didalam sebuah array. Citra-citra ORL
database berukuran 92 x 112 piksel dengan berbagai pose dan ekspresi. Citra-citra Yale
database berukuran 168 x 192 piksel dengan berbagai koordinat sumber
cahaya(illuminasi) yang berbeda-beda.

Gambar 1: (kiri) ORL Database of Faces (kanan) Yale Face Database B

Penggunaaan ukuran jarak merupakan salah satu faktor yang digunakan untuk
mendapatkan performa pengenalan. Distance measure yang digunakan pada penelitian ini
adalah Cityblock, Euclidean, dan Cosine Similarity. Citra ORL database of face
digunakan untuk eksperimen perbedaan jumlah individu untuk dalam pelatihan,
perbedaan pose, dan noise. Citra yang digunakan untuk pelatihan dan pengujian adalah
citra yang berbeda. Citra untuk pelatihan adalah 4.pgm, 2.pgm, 3.pgm, 1.pgm dan 7.pgm
sedangkan citra yang digunakan untuk pengujian adalah 0.pgm, 5.pgm, 6.pgm, 8.pgm dan
9.pgm. Eksperimen terhadap perbedaan jumlah individu dilakukan dengan menggunakan
10 individu, 20 individu, 30 individu, hingga 40 individu. Dimana hasil 40 individu juga
dapat dianggap sebagai hasil dari perbedaan pose. Pengujian noise dilakukan dengan
menambahkan salt and paper noise pada citra pengujian dengan densitas 0.05, 0.15, 0.25,
0.35, 0.45, hingga 0.55. untuk lebih jelas mengenai noise lihat pada gambar
 Yale database B digunakan untuk ekperimen terhadap perbedaan iluminasi. Pada
tahap pelatihan dan pengujian menggunakan masing-masing 5 citra yang berbeda untuk
tiap individu. Citra yang digunakan untuk pelatihan adalah P00A-005E-10.pgm, P00A-
010E+00.pgm, P00A-015E+20.pgm, P00A-035E-20.pgm dan P00A+005E+10.pgm
sedangkan citra yang digunakan untuk pengujian adalah P00A-020E-10.pgm, P00A-
020E+10.pgm, P00A-035E+15.pgm, P00A+000E-35.pgm dan P00A+000E+45.pgm.
Eksperimen terakhir pada penelitian ini adalah eksperimen perbandingan performa antara
pengenalan dengan metode PCA dan ICA. Eksperimen ini dilakukan dengan
menggunakan ORL database dan Yale database. Citra yang digunakan untuk pelatihan
dan pengujian masing-masing database adalah 5 untuk pelatihan dan 5 untuk pengujian.

Experiment

Pada penelitian ini, eksperimen dilakukan terhadap metode Independent

Component Analysis (ICA) dan Principal Component Analysis (PCA). Fokus utama
penelitian ini adalah untuk mengetahui performa pengenalan dari metode ICA. Selain itu
dalam penelitian ini juga akan dilakukan eksperimen untuk melihat perbandingan antara
metode ICA dan PCA. Penggunaan metode ICA dan PCA untuk pengenalan wajah
sendiri dibagi menjadi dua tahapan utama yaitu tahap pelatihan dan tahap pengujian.
Pada tahap pelatihan dilakukan pre-process terhadap citra pelatihan dan proses
pembuatan representasi citra pelatihan oleh metode ICA atau PCA. Tahap berikutnya
adalah tahap pengujian. Pada tahap ini selain melakukan pre-process terhadap citra
pengujian dan proses pembuatan representasi citra pengujian, juga akan dilakukan proses
klasifikasi dengan K-Nearest Neighbor (KNN) sebagai classifier. Distance yang
digunakan untuk KNN sendiri dibagi menjadi tiga yaitu euclidean, cityblock, dan cosine.
Untuk mendapatkan hasil penelitian yang valid dalam menguji kemampuan ICA dalam
melakukan pengenalan, penelitian ini menggunakan database wajah standar yaitu
Ollivety Research Laboratory(ORL) Database of Faces dan Yale Face Database B.
Ukuran citra yang digunakan untuk tahap pelatihan dan pengujian adalah 60x60 setelah
dilakukan pengujian sebelumnya.

Evaluasi

Dalam penelitian ini ada bebarapa eksperimen yang dilakukan yaitu

membandingkan jumlah basis data yang digunakan terhadap performa ICA, mengukur
performa ICA terhadap perbedaan pose dan iluminasi, mengukur performa ICA jika citra
yang digunakan untuk pengujian terdapat noise dengan densitas noise yang beragam, dan
membandingkan performa ICA dengan metode PCA untuk citra dengan perbedaan pose
dan iluminasi.

Dari gambar 3 dapat dilihat bahwa penggunaan jumlah individu sebagai citra
pelatihan untuk metode ICA sedikit banyak mempengaruhi performa pengenalan dan
memberikan hasil berbeda untuk tiap-tiap distance measure yang digunakan. Untuk
euclidean dan cityblock yang memiliki kemiripan memberikan hasil yang tidak jauh
berbeda, yaitu keduanya menghasilkan performa yang baik saat 10 individu digunakan
untuk basis citra pelatihan. Performanya terus meningkat hingga 30 individu namun
performanya menurun saat 40 individu digunakan sebagai basis pelatihan. Hasil berbeda
ditunjukan oleh cosine dimana mengalami performa yang buruk saat 10 individu namun
performanya terus meningkat seiring mengingkatnya jumlah individu.

Performa pengenalan terhadap citra noise juga merupakan hal yang menarik untuk
dibahas. Dari gambar 4 dapat dilihat bahwa hasil eksperimen kali ini memiliki kesamaan
yaitu pemilihan distance measure menjadi salah satu faktor yang perlu dipertimbangkan.
Untuk euclidean dan cityblock distance mengalami penurunan performa yang cukup
signifikan seiring dengan meningkatnya densitas noise dalam citra. Hasil berbeda
ditunjukan dari cosine, meskipun mengalami penurunan performa namun penurunan yang
dialami oleh cosine tidak terlalu signifikan dan cenderung lebih stabil.

Eksperimen performa ICA selain dilakukan terhadap ORL database, juga

dilakukan pada Yale database B. Yale database B itu adalah basis citra yang tiap masing-
masing citranya memiliki perbedaan iluminasi. Dari eksperimen yang kami lakukan
diperoleh hasil bahwa ketiga measure distance menghasilkan performa yang tidak jauh
berbeda. ketiganya memberikan performa cukup baik yang berada diatas 90%, namun
demikian cityblock distance merupakan distance yang menghasilkan performas tertinggi
dengan 99% diikuti euclidean 98% dan cosine 95%.

Dari eksperimen yang dilakukan, hasil performa metode ICA terbukti lebih
superior jikadibandingkan dengan metode PCA. Hampir keseluruhan eksperimen
menunjukan bahwa ICA menghasilkan performa pengenalan wajah lebih baik. Dari
eksperimen yang dilakukan dapat ditarik kesimpulan bahwa metode ICA itu terbukti
lebih baik dibandingkan metode PCA.
Simpulan Dan Saran

Dari penelitian ini dapat ditarik kesimpulan bahwa metode independent

component analysisdapat menghasilkan performa pengenalan yang baik dengan nilai
rata-rata keberhasilan diatas 80%. Performa pengenalan untuk perbedaan pose sendiri
nilai rata-rata keberhasilan sebesar 78.25%. Performa untuk mengenali citra dengan
denitas noise 0.55 dapat mencapai 66% dengan cosine sebagai distance-nya. Performa
pengenalan untuk perbedaan iluminasi memiliki nilai rata-rata keberhasilan sebesar
97.3%. Performa pengenalan ICA juga ditentukan oleh distance measure jika K-NN
dipilih sebagai classifier. Performa pengenalan ICA terbukti lebih baik jika dibandingkan
dengan performa penganalan PCA. Beberapa hal yang dapat dipertimbangkan untuk
menghasilkan pengenalan lebih baik adalah penggunaan jumlah citra yang digunakan
untuk pelatihan diusahakan sebanyak mungkin agar pengenalan bisa berjalan dengan
baik. Penggunaan Distance measure lain mungkin dapat menjadi pilihan yang baik untuk
mengetahui perbedaan performa penganalan dari metode ICA. Jika menggunakan face
detection, usahakan bounding box yang didapat hanya bagian wajah saja, tanpa harus
terlihat telinga, kepala ataupun dagu.

Daftar Pustaka

http://thesis.binus.ac.id/Doc/RingkasanInd/2012-1-00511-IF%20Ringkasan001.pdf