Abstrak
Sistem absensi pengenelan pola wajah dibuat dengan memanfaatkan metode Wavelet serta
menggunakan input berupa web-camera sehingga proses pengidentifikasian wajah dapat dilakukan
secara real-time. Proses pengidentifikasian wajah dimulai dari input citra dari web-camera,
mengkonvolusi citra tersebut dengan kernel, menentukan lokasi titik ciri, dan sampai proses
pengidentifikasian dengan menghitung kesamaan global antara wajah yang diuji dengan citra wajah yang
ada pada referensi. Pencocokan wajah dilakukan dengan metode pengenalan wajah Gabor Wavelet,
tujuan digunakannya metode Gabor Wavelet adalah untuk memunculkan ciri-ciri khusus dari citra wajah
yang telah dikonvolusi terhadap kernel. Setelah dilakukan pengujian, diperolah hasil bahwa program
aplikasi ini dapat mengidentifikasi wajah dengan tingkat akurasi baik. Beberapa kesalahan identifikasi
terjadi karena ekspresi dan orientasi wajah pada saat pengujian berbeda dengan citra referensi.
Kata Kunci : Sistem absensi, pengenalan pola wajah, metode gabor wavelet, kernel, citra
Abstract
Facialpattern recognition attendance systemis madeby using methodssuch as wavelet and using web-
camera inputso that theprocess of identifying faces can bedone in real-time. The identification ofthe
facestarting from the inputimageofweb-camera, convolution the kernel image, specifythe location of
thetraits, and untilthe identification processby calculating theglobalsi milarity between the testface to
face image forre ference. Matching facesdone using Gabor Wavelet face recognition, Gabor waveletis the
purpose ofthe method istobring the special features offace images that have been convoluted thekernel.
After testing, the results obtained that the application programcan identifythe face with a good degree of
accuracy. Some errors occur because the identification of facial expressions and orientations at different
test with the reference image.
Keywords: attendance system, face pattern recognition, gabor wavelet method, kernel, image
95
M. Dahria, Usman M., Ishak, Pengenalan Pola Wajah Menggunakan Webcam………
dari pola yang menyediakan informasi maka semakin cerdas pula sistem yang
fundamental untuk pengenalan pola. dihasilkan. Pendekatan ini merupakan
Pendekatan lain lagi adalah dengan bagian dari jaringan saraf tiruan untuk
membangun dan melatih suatu arsitektur mengidentifikasi pola.
yang secara akurat mengasosiasikan input a. Pemilahan dilakukan berdasarkan
pola tertentu dengan respon yang diharapkan. tanggapan suatu jaringan pengola sinyal
Jenis-jenis pendekatan pengenalan pola terdiri (neuron) terhadap stimulus masukan
dari: (pola).
1). Pendekatan Pengenalan Pola Statistikal b. “Pengetahuan” disimpan dalam
Pengenalan pola statistikal memiliki asumsi sambungan antarneuron dan pembobot
suatu basis statistik untuk algoritma sinaptik.
klasifikasi. Sekelompok karakteristik
pengukuran yang menunjukkan ciri 4. Identifakasi Wajah
diekstraksi dari data input dan digunakan Identifikasi adalah penentu atau
untuk menentukan setiap vector fitur ke penetapan identitas seseorang, benda
dalam suatu kelas. Ciri (feature) (menurut Kamus Besar Bahasa Indonesia).
diasumsikan dihasilkan secara natural, Identifikasi wajah adalah suatu penetapan
sehingga model yang bersangkutan identitas berdasarkan pengenalan pola dari
merupakan kelas-kelas probabilitas atau wajah. Keunikan ciri-ciri biologi yang dimikiki
fungsi kepadatan probabilitas (Probability oleh seseorang, membentuk pola dapat
Density Function) yang telah dikondisikan. digunakan untuk mengidentifikasi identitas
seseorang untuk keperluan tertentu, misalnya
2). Pendekatan Pengenalan Pola Sintatik untuk keperluan keamanan dan untuk
Pengenalan pola sintatik adalah suatu menandakan kehadiran seseorang. Ciri-ciri
pendekatan terhadap suatu pola citra biologi yang dijadikan karekter untuk
dilakukan dengan menganalisis struktur pengidentifikasian wajah adalah dahi, alis,
pola dari citra. mata, tulang pipi, hidung, bibir, dagu, dan
a. Pola dipilah berdasarkan keserupaan telinga.
ukuran structural Identifikasi wajah oleh sistem komputasi
b. “Pengetahuan” direpresentasikan merupakan hal yang cukup sulit karena wajah
secara formal grammar atau deskripsi manusia merepresentasikan sesuatu yang
relasional yang menghasilkan deskripsi kompleks. Hal ini biasanya disebabkan oleh
hirarki dari pola kompleks yang emosi yang berubah-ubah setiap harinya.
tersusun dari pola bagian yang lebih Sebagai contoh, ketika sedang marah, mata
sederhana. akan cenderung melebar, alis mengernyit, dan
ujung bibir akan cenderung datar atau
3). Pendekatan Pengenalan Pola Neural menurun. Sedangkan ketika sedang senang,
Pendekatan yang ketiga yaitu pengenalan mata akan cenderung menyipit, alis dan ujung
pola neural, metode ini merupakan bibir akan lebih naik.
gabungan dari kedua cara sebelumnya Secara umum sistem pengenalan citra
yaitu secara statistik dan sintatik, itu wajah dibagi menjadi dua jenis, yaitu sistem
artinya pendekatan denga cara ini akan feature-based dan sistem image-based. Pada
menyimpan semua fakta dari objek. sistem pertama digunakan ciri yang diekstraksi
Sehingga semakin sering sistem dilatih dari komponen citra wajah seperti mata,
hidung, mulut, dan lain-lain yang kemudian Eigenface juga lebih sensitif terhadap
dimodelkan secara geometris hubungan pencahayaan dibandingkan dengan Fisherface.
antara ciri-ciri tersebut. Sedangkan pada
sistem ke dua menggunakan informasi 5. Wavelet
mentah dari piksel citra yang kemudian Penelitian tentang pemanfaatan wavelet
direpresentasikan dalam metode tertentu, untuk banyak aplikasi telah dilakukan puluhan
misalnya seperti Principal Component Analysis tahun silam. Beberapa nama telah tercatat
(PGA) atau transformasi wavelet yang telah berjasa dalam meneliti dan
digunakan untuk klasifikasi identitas citra (Al mengembangkan pemanfaatan wavelet untuk
Fatta, Hanif, 2009). beberapa penelitian. Sebut saja. Daubechies
seorang wanita ahli matematika yang telah
Penelitian tentang deteksi wajah dan membangun basis dari wavelet. Masih banyak
pengenalan wajah telah dilakukan lagi ilmuwan-ilmuwan yang telah berjasa
sebelumnya, antara lain dengan menggunakan dalam penelitian mengenai wavelet.
algoritma Eigengface (Turk dan Pentland, Wavelet berasal dari 2 kata, yatiu; wave
1991), dengan distribusi Gaussian dan dan let yang berarti gelombang yang pendek.
Clustering (Sung dan Poggio, 1994) dengan Maksudnya adalah gelombang yang memiliki
Support Vector Machine (Osuna, 1997), dan durasi yang sangat terbatas. Dengan kata lain
dengan metode Statistic dan Wavelet fungsi gelombang yang akan dijadikan objek
(Schneiderman, 2000). dilokalisasi.
Alan Brooks pernah mengembangkan Berikut ini merupakan salah satu contoh dari
sebuah penelitian yang membandingkan dua wavelet.
algoritma yaitu Eigenface dan Fisherface.
Penelitian ini difokuskan pada perubahan pose
wajah apakah mempengaruhi akurasi
pengenalan wajah. Diberikan database latih
berupa foto wajah manusia, kemudian
digunakan untuk melatih sebuah sistem
pengenalan wajah, setelah proses latihan
selesai, diberikan sebuah masukan image yang
sebenarnya sama dengan salah satu image
wajah pada fase latihan tetapi dengan pose
yang berbeda. Sistem juga diharapkan punya
sensitifitas minimal terhadap pencahayaan.
Sistem dikembangkan dengan dua algoritma Gambar 1. Contoh Wavelet
yaitu Eigenface dan Fisherface, dan
dibandingkan hasilnya. Kedua teknik Seperti yang telah dijelaskan sebelumnya
menghasilkan hasil yang memuaskan tetapi bahwa tidak semua gelombang merupakan
ada beberapa perbedaan. Pada Eigenface wavelet. Sehingga terdapat beberapa syarat
kompleksitas komputasi lebih sederhana yang harus dipenuhi agar sebuah gelombang
daripada Fisherface. Dari segi efektifitas dapat dikatakan sebuah wavelet.
karena perubahan pose Fisherface 1. Wavelet harus bergetar atau dengan kata
memberikan hasil yang lebih baik, bahkan lain merupakan sebuah gelombang yang
dengan data yang lebih terbatas. Teknik memiliki lembah dan bukit.
2. Wavelet memiliki amplitudo tidak nol normalisasi terhadap karakter yang akan
dalam interval yang pendek tertentu. dikenali maka akan mendapatkan hasil
Jika kedua syarat tersebut telah dipenuhi yang lebih baik dalam mengenali karakter
maka sebuah gelombang dapat dikatakan huruf.
wavelet.
Sebuah wavelet dapat terjadi 6. Transformasi Wavelet
dikarenakan memang suatu fungsi yang Wavelet adalah fungsi matematika yang
memenuhi kedua kondisi wavelet yang telah menguraikan data atau fungsi menjadi
dijelaskan sebelumnya. Selain itu juga dapat komponen-komponen frekuensi yang
dilakukan dengan memanfaatkan fungsi yang berbeda, wavelet memiliki keunggulan dari
non wavelet. Dengan memanfaatkan fungsi fourier dalam menganalisis situasi-situasi fisis
yang melakukan getaran secara terus menerus dimana sebuah sinyal memiliki diskontinuitas
tanpa henti, misalnya saja fungsi sinus. Fungsi dan bentuk yang tajam. Transformasi wavelet
ini dapat dimasukkan kedalam kategori merujuk pada aproksimasi sinyal
wavelet apabila telah dilakukan operasi menggunakan suatu gelombang singkat yang
windowing. Operasi windowing ini melakukan mengalami translasi dan dilatasi untuk
lokalisasi terhadap fungsi yang bergetar tanpa keperluan analisis frekuensi-frekuensi sinyal.
batas seperti fungsi sinus. Operasi ini akan Analisis temporal menggunakan variasi lokasi
membuan nilai suatu fungsi yang bergetar gelombang singkat pada waktu tertentu dalam
tersebut menjadi nol. durasi sinyal, sedangkan analisis frekuensi
Banyak sekali penggunaan wavelet menggunakan variasi dilatasi gelombang
dalam berbagai bidang penelitian. Dibawah ini singkat yang sama. Formulasi matematika
akan diberikan sedikit penjelasan mengenai representasi sinyal disebut sebagai
penggunaan wavelet dalam bidang penelitian transformasi wavelet. Proses transformasi
yang berhubungan dengan pattern domain citra bertujuan untuk memunculkan
recognition. unsur atau karakteristik citra tertentu dapat
1. Pengenalan Objek lebih ditonjolkan. Wavelet didefinisikan
Dengan memanfaatkan wavelet dapat sebagai gelombang singkat (atau gelombang
dilakukan ekstraksi dari berbagai objek kejut) dengan energi terkonsentrasi pada
yang memiliki variasi misalnya saja rotasi domain fisik (spasial atau waktu). Berbeda
dan permbesaran. Untuk mendapatkan dengan gelombang pada umumnya (sinusoid)
hasil yang lebih baik maka objek dapat yang memiliki sifat halus, terprediksi, dan
dilakukan normalisasi. Proses normalisasi durasi tak terbatas, wavelet dapat berbentuk
terhadap objek dapat dilakukan dengan tidak simetris, irregular, dan memiliki durasi
berbagai hal misalnya saja dengan terbatas atau berosilasi menuju nol dengan
membatasi proses pengenalan objek atau cepat.
dengan mengihilangkan noise-noise yang Skala dalam transformasi wavelet adalah
ada pada objek. melakukan perenggangan dan pemampatan
2. Pengenalan Karakter huruf pada sinyal. Efek dari skala transformasi
Pada dasarnya dalam pengenalan huruf wavelet dapat dilihat pada gambar 2 semakin
tidak berbeda jauh dengan pengenalan kecil faktor skala akan menghasilkan induk
wajah. Dengan memanfaatkan wavelet, wavelet yang semakit mampat.
karekter huruf dapat dikenali dengan
berbagai variasinya. Dengan melakukan
Dimana :
7. Metode Wavelet
Proses pengolahan citra wajah
menggunakan gabor secara teknis memiliki Dengan indeks √
relevansi biologis karena sebuah ciri biologi sampling ini akan mencakup
dapat memberikan informasi yang unik
berkaitan dengan identifikasi masing-masing seluruh frekuensi.
individu. Proses yang berlangsung dalam
bidang frekuensi mempengaruhi kecepatan 8. Ekstrasi Ciri
proses yang terjadi, baik dalam proses gambar Ekstraksi ciri mempunyai 2 tahapan
maupun saat proses konvolusi.Tujuan utama utama yaitu :
dari Gabor Wavelet adalah untuk 1). Menentukan lokasi titik ciri.
memunculkan ciri-ciri khusus dari gambar Pada tahapan ini, vektor dari ciri-ciri
yang relah dikonvolusi terhadap kernel. didapat dari titik dengan informasi dari citra
Kumpulan koefisien untuk Kernel dari wajah yang paling tinggi. Ciri-ciri wajah yang
beberapa sudut frekuensi di satu piksel dalam umum adalah mata, hidung, dan mulut.
gambar yang disebut Jet. Jumlah dari vektor ciri dan lokasinya dapat
Jet merupakan potongan kecil dari grey berubah-ubah agar dapat merepresentasikan
values dalam sebuah gambar mengelilingi bermacam-macam karekter wajah dari wajah
piksel yang diberikan ⃗ ⃗ Dengan Kernel yang berbeda, seperti tahi lalat dan lesung pipi
yang juga merupakan salah satu ciri yang
mungkin digunakan untuk mengidentifikasi
wajah seseorang.
Dengan parameter: Dari respon citra wajah terhadap
k :Skala dari magnitude Gabor Kernel, titik puncak (peak) ditentukan
: Kepadatan area
standar diviasi dari pencocokan semua vektor processing dan computer vision. Image
ciri dalam citra referensi dan pencocokan dua processing adalah salah satu jenis teknologi
vektor yang dihitung pada persamaan (2). untuk menyelesaikan masalah mengenai
Thresholding berguna untuk
pemrosesan gambar. Dalam image processing,
meningkatkan kecepatan dari algoritma dalam
langkah-langkah di atas karena mengurangi gambar yang ada diolah sedemikian rupa
vektor ciri yang harus diproses. Dengan sehingga gambar tersebut lebih mudah
meningkatkan memberikan lebih banyak diproses, sedangkan computer vision
area untuk mencari titik ciri dengan kecocokan mempunyai tujuan utama yaitu untuk
lebih besar dari . Hal ini dapat berguna membuat suatu keputusan yang berguna
ketika terjadi perubahan lokasi titik ciri karena tentang obyek fisik nyata yang didapat dari
alasan tertentu, seperti perbedaan ekpresi.
perangkat atau sensor.
Tetapi, jika terlalu besar maka informasi
topologi wajah dapat menjadi salah. Dengan Dari sekian banyak metode pengenalan
menjaga konstan dan memperbesar wajah yang telah digunakan, mungkin metode
secara berlebihan akan menghasilkan tidak Wavelet lebih baik untuk memecahkan solusi
ada wajah yang cocok, sebaliknya yang dihadapi. Hal ini didasari oleh kelebihan-
memperkecil dapat membuat kelebihan pada metode ini antara lain dapat
pengulangan perhitungan vektor ciri yang merepresentasikan image wajah dengan
akan meningkatkan waktu proses komputasi.
sangat rapi, proses yang cepat, tingkat
Tetapi, variasi kecil dalam dan tidak
akan berpengaruh pada performa dan keakurasian yang tinggi.
metode.
Langkah selanjutnya adalah memilih 2. Implementasi Wavalet
satu vektor ciri pada citra referensi yang akan Langkah pertama pengguna memberi
dicocokan dengan vektor ciri pada citra wajah input dengan memposisikan wajahnya pada
yang diuji. web-camera kemudian menekan Capture
( ) sehingga program dapat dijalankan. Citra
wajah yang terambil pada web-camera
Persamaan (2) memberikan kesamaan
kemudian akan dipotong susuai ukuran wajah,
dari citra referensi dengan citra wajah yang
disimpan dengan ukuran 120x120 piksel dan
diuji berdasarkan dari vektor ciri.
Kemiripan global dari tiap referensi dijadikan citra keabu-abuan sehingga citra
wajah dikomputasi dengan rata-rata (mean) tersebut dapat digunakan untuk proses
dari vektor ciri yang telah melewati tahapan- selanjutnya.
tahapan di atas. Langkah selanjutnya adalah
{ } mengkonvolusi citra tersebut menggunakan
Kernel menggunakan 5 frekuensi yang
PEMBAHASAN berbeda dengan indeks v = 0,1,2,3,4 dan 8
1. Pemecahan Masalah
orientasi yang berbeda dengan indeks =
Didalam setiap penelitian tentang
0,1,2,3,4,5,6,7, sehingga akan didapat 40
pengenalan pola, pasti akan kita temukan
Kernel real dan 40 Kernel imaginer yang
sesuatu yang berhubungan dengan image
⃗⃗ ( )* ( ⃗⃗ ⃗⃗)
( )+
Real:
⃗⃗ ( )
⃗⃗ 9,54343
Gambar 3. Kernel real dengan 5 frekuensi dan 8
orientasi Imaginer:
⃗⃗
( )
⃗⃗ ( )* ( ⃗⃗ ⃗⃗)
( )+ ⃗⃗ 13,31788
√
16,38423
Mulai
Citra wajah
Magnitude Kernel
Nomor Pegawai
ada
Gambar 8. Tampilan Kotak Dialog Konfirmasi Absen Setelah verifikasi login berhasil, makan
akan muncul suatu form yang berfungsi untuk
Jika user ingin menyimpan citra sebagai menginput data pegawai. Pada form input ini
referensi maka user harus memposisikan terdapat 4 button yang terdiri dari button
wajahnya pada daerah yang terambil oleh Tambah untuk menambah data ke database,
web-camera dan menekan button register dan button Ubah untuk mengedit data, button
akan menampilkan citra pada kotak dialog Hapus untuk menghapus data dari database,
konfirmasi untuk seterusnya user memilih dan button keluar untuk keluar dari form.
nomor pegawai pada textbox yang tersedia
dan menekan button OK sehingga program
akan melakukan penyimpanan citra referensi.
Pada layar utama bagian atas terlihat Gambar 11. Tampilan Kotak Dialog Input Data
menu strip File dan About. Menu File akan
menampilkan Menu Input Data Pegawai untuk SIMPULAN
menginput data pegawai ke dalam database Sebagai penutup pembahasan dalam
system dan Exit untuk keluar dari program. penulisan artikel ini, dapat diambil
Pada sistem absensi ini, yang melakukan kesimpulan-kesimpulan sekaligus memberikan
penginputan data pegawai adalah seorang saran kepada pembaca.
admin sehingga apabila menu input ini di click
maka akan muncul satu form login admin.
Dari kesimpulan ini dapat diambil suatu Komputer, Wahana. 2011. Shortcource
perbandingan yang akhirnya dapat Microsoft Visual C# 2010. Penerbit Andi :
memberikan perbaikan atau penyempurnaan Yogyakarta
pada masa yang akan datang.
Lestya Dila Rahma. 2009. Pengolahan Wajah
Berdasarkan hasil pengujian yang Berdasarkan Pengolahan Citra Digital
dilakukan terhadap program dan pembahasan Dengan Metode Gabor Wavelet.
pada bagian sebelumnya, dapat diambil Universitas Sumatera Utara. Medan
kesimpulan bahwa :
Murdianto, Arie. 2007. Ekstraksi Fitur Wajah
1. Program aplikasi absensi dapat
dengan Metode Gabor Wavelet.
menggunakan metode Gabor Wavelet
Fakultas Ilmu Komputer Universitas
untuk identifikasi wajah yang dilakukan
Indonesia. Depok.
secara real-time dengan menggunakan
web-camera sebagai pengambil citra input. Putra, Darma. 2010. Pengolahan citra digital.
2. Program aplikasi absensi yang dibuat Penerbit Andi: Yogyakarta.
menggunakan metode Gabor Wavelet
dapat menggantikan proses absensi manual Sigit, Riyanto dkk. 2005. Step by Step
atau mesin absensi karena memiliki tingkat Pengolahan Citra Digital. Penerbit Andi:
akurasi yang cukup baik dan dapat Yogyakarta.
mengurangi tingkat kecurangan absensi.
3. Proses absensi dengan menggunakan Sitorus, Syahriol, dkk. 2006. Garfika Komputer.
system pengenalan wajah sangat USUpress. Medan
membantu perusahaan dalam
meningkatkan efisiensi karyawan. Sutanta, Edhy. 2003. Sistem Informasi
4. Metode Gabor Wavelet memungkinkan Manajemen Edisi Pertama. Yogyakarta,
digunakan untuk program aplikasi lain Graha Ilmu. Yogyakarta.
seperti program aplikasi authentifikasi pada
Sutoyo, T dkk. 2009. Teori pengolahan citra
komputer atau pintu masuk, program
digital. Penerbit Andi: Semarang.
pengidentifikasin kriminal yang terekam
dalam video. Yolanda. 2009. Perancangan Program Aplikasi
Absensi dengan Identifikasi Wajah
DAFTAR PUSTAKA Karyawan PD. Mustika Logam
Darmawan, Erico H. 2010. Pemrograman Menggunakan Metode Gabor Wavelet.
dasar C – JAVA – C# yang susah jadi Universitas Bina Nusantara. Jakarta
mudah. Informatika Bandung: Bandung.
www.csharp-indonesia.com
Fadlisyah, S.Si. 2007. Computer Vision dan www.emgu.com
Pengolahan Citra. Penerbit Andi: www.wavelet.org
Yogyakarta