See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/327822107

Pengenalan Wajah dengan Pose Unik menggunakan Metode Learning Vector

Quantization

Article · January 2019

CITATIONS READS

0 504

3 authors, including:

Yuita Arum Sari Fitri Utaminingrum

Brawijaya University Brawijaya University
121 PUBLICATIONS   197 CITATIONS    79 PUBLICATIONS   195 CITATIONS   

SEE PROFILE SEE PROFILE

Some of the authors of this publication are also working on these related projects:

IT for Agriculture View project

Image Processing View project

All content following this page was uploaded by Yuita Arum Sari on 22 September 2018.

The user has requested enhancement of the downloaded file.

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN: 2548-964X
Vol. 3, No. 1, Januari 2019, hlm. 8473-8480 http://j-ptiik.ub.ac.id

Pengenalan Wajah dengan Pose Unik menggunakan Metode Learning

Vector Quantization
Achmad Dinda Basofi Sudirman1, Yuita Arum Sari2, Fitri Utaminingrum3

Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya

Email: 1b45@dr.com, 2yuita@ub.ac.id, 3f3_ningrum@ub.ac.id

Abstrak
Wajah merupakan salah satu karakteristik fisiologi alami manusia yang dapat dimanfaatkan sebagai
identifikasi biometrik untuk pengenalan wajah. Pengenalan wajah merupakan alternatif dari sistem
seperti presensi dan autentifikasi. Saat ini sudah banyak sekali perusahaan atau peneliti membuat suatu
sistem yang dapat mengenali wajah orang, namun masih ada sistem pengenalan wajah yang dapat
dikelabui dengan menunjukan orang yang sudah dikenali oleh sistem pada area kamera sistem tersebut,
padahal orang yang sebenarnya dikenali sistem tidak ada dalam area tersebut. Penelitian ini akan
memanfaatkan metode LVQ untuk klasifikasi atau pengenalan wajah karena terbukti baik dalam
pengenalan wajah yang dilakukan oleh penelitian sebelumnya. Ekstraksi ciri yang digunakan berupa
pengambilan citra kulit dengan ruang warna HSV karena ruang warna HSV lebih baik dalam deteksi
citra kulit menurut penelitian yang sudah ada. Citra atau pose wajah unik yang digunakan terdiri dari 3
pose mata yang berbeda untuk meningkatkan keamanan dari pengenalan wajah. Dalam 10 skenario
pengujian yang berbeda, hasil dari penelitian ini memiliki keluaran berupa akurasi rata-rata 81,3%.
Namun sistem masih belum dapat membedakan masing-masing pose dari data yang ada.
Kata kunci: pengenalan wajah, HSV, LVQ, citra kulit, pose unik
Abstract
The face is one of the characteristics of human natural physiology that can be used for biometric
identification for facial recognition. Face recognition is an alternative to systems such as presence and
authentication. Nowadays there are so many companies or researchers to create a system that can
recognize people's faces, but there is still a face recognition system that can be tricked by showing
people who have been recognized by the system in the system's camera area, even though people who
are actually recognized by the system are not in the area that. This research will utilize the LVQ method
for classification or facial recognition because it is well proven in face recognition conducted by
previous research. Feature extraction is used in the form of skin image taking with HSV color space
because HSV color space is better at detecting skin images according to existing research. The unique
face image or pose used consists of 3 different eye poses to improve the safety of face recognition. In 10
different test scenarios, the results of this study have an average accuracy of 81.3%. However, the system
still cannot distinguish each pose from the existing data.
Keywords: facial recognition, HSV, LVQ, skin image, unique pose

1. PENDAHULUAN
Identifikasi biometrik merupakan salah satu
alternatif untuk keamanan suatu sistem.
Identifikasi biometrik yang digunakan dalam
penelitian ini adalah karakteristik alami manusia
berupa wajah. Pengenalan wajah merupakan
contoh dari pemanfaatan karakteristik alami
manusia berupa wajah untuk suatu sistem
keamanan misalnya presensi dan otentifikasi
(Heranurweni, 2010).
Manusia dapat mengenali wajah seseorang
yang sudah dikenali sebelumnya dengan mudah,
namun sebuah mesin atau komputer tidak dapat
mengenali atau membedakan wajah seseorang
apabila belum dilengkapi dengan sistem cerdas.
Pengenalan wajah yang dilakukan oleh
(Ragul, et al., 2013) mengenai Support Vector
Machines (SVM) dan Jaringan Saraf Tiruan
(JST). Metode tersebut sudah terbukti dapat

Fakultas Ilmu Komputer

Universitas Brawijaya 8473
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
mengklasifikasikan citra wajah atau dapat
mengenali wajah. Pengujian yang dilakukan
dalam pengenalan wajah penelitian tersebut
menggunakan fitur yang sedikit (40 fitur). Hasil
pengujian JST lebih unggul dengan akurasi
90,5%. Sedangkan SVM menghasilkan akurasi
89,8%.
JST memiliki banyak metode yang dapat
digunakan dalam pengenalan wajah. Learning
Vector Quantization (LVQ) dan
Backpropagation merupakan contoh metode
JST yang dapat mengklasifikasikan suatu data
untuk pengenalan wajah. Pada umumnya,
metode JST terkenal bagus dalam klasifikasi
suatu data. Salah satu kelebihan JST yaitu dapat
belajar sendiri dari pola pengetahuan yang ada,
sehingga metode JST juga dapat meringankan
ekstraksi ciri dalam mengolah data sebelum
digunakan sebagai basis data JST. Berdasarkan
penelitian yang dilakukan (Wuryandari &
Afrianto, 2012),metode LVQ memiliki akurasi
37,63% yang lebih baik dalam pengenalan wajah
dibandingkan dengan metode Backpropagation
yang menghasilkan akurasi 37,33%. Hasil
akurasi pengenalan wajah tersebut memang
kurang baik, dikarenakan ekstraksi ciri yang
digunakan peneliti kurang dapat membedakan
antar wajah orang.
Sebelum dilakukan klasifikasi, data citra
wajah diambil bagian-bagian tertentu yang
penting atau ekstraksi ciri untuk membedakan
antar wajah orang. Penelitian ekstraksi ciri yang
dilakukan oleh (Yanto, 2016) membandingkan
ruang warna Hue, Saturation, Value (HSV)
dengan EigenFace. Penelitian tersebut
menghasilkan akurasi sebesar 100% untuk HSV
dan akurasi sebesar 90% untuk EigenFace.
Sehingga memanfaatkan ruang warna HSV akan
menghasilkan ekstraksi ciri yang lebih baik
dibandingkan Eigenface dalam pengenalan
wajah.
Berdasarkan uraian di atas, peneliti
mengusulkan penelitian yang berjudul
“Pengenalan Wajah dengan Pose Unik
menggunakan Metode Learning Vector
Quantization”. Penelitian ini menggunakan
metode klasifikasi LVQ karena memiliki akurasi
yang baik walaupun hanya menggunakan sedikit
fitur. Fitur yang nantinya didapatkan dari
ekstraksi ciri adalah citra kulit saja yang
memanfaatkan ruang warna HSV. Untuk
memaksimalkan keamanan dalam pengenalan
wajah digunakan citra wajah dengan pose unik
pada mata. Pose unik yang digunakan: pose
pertama membuka semua mata, pose kedua
Fakultas Ilmu Komputer, Universitas Brawijaya
8474
menutup mata sebelah kanan (mata sebelah kiri
masih terbuka), dan pose ketiga menutup mata
sebelah kiri (mata sebelah kanan masih terbuka).
2. METODOLOGI
Data Metode yang diusulkan dalam
penelitian ini terdiri dari tiga tahapan utama.
Pertama data yang berupa citra wajah masuk
menuju tahap ekstraksi ciri terlebih dahulu untuk
mengubah data citra menjadi matriks citra kulit
RGB. Di dalam ekstraksi ciri terdapat beberapa
proses yaitu resize, RGB ke HSV, dan citra kulit
RGB. Hasil dari citra kulit RGB akan digunakan
untuk tahap klasifikasi. Tahap klasifikasi terdiri
dari dua proses utama antara lain pelatihan LVQ
dan pengujian LVQ. Setelah didapatkan hasil
dari tahap klasifikasi, peneliti menggunakan
evaluasi berupa akurasi untuk pengenalan wajah.
Gambaran umum metode yang diusulkan dalam
penelitian ini terdapat pada Gambar 1.
Citra Resize RGB ke HSV
Ekstraksi ciri
Citra kulit RGB
Pelatihan LVQ
Klasifikasi
Pengujian LVQ
Hasil
Evaluasi
Pengenalan Akurasi
Wajah
Gambar 1 Metode yang diusulkan
2.2. Pengumpulan Data
Data yang digunakan dalam penelitian ini
berupa foto atau citra digital dari wajah orang.
Citra diambil dengan kamera smartphone yang
terpasang pada tripod. Terdapat dua lokasi dalam
pengambilan citra, lokasi pertama dalam rumah
atau indoor dengan pencahayaan lampu rumah
dan flash smartphone. Lokasi kedua terletak
pada area luar rumah atau outdoor dengan
pencahayaan sinar matahari. Data citra yang
digunakan berupa matriks dari masing-masing
piksel pada citra.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 8475

Semua citra dibedakan menjadi dua

kelompok yaitu citra latih dan citra uji. Citra
latih digunakan untuk mendapatkan bobot dari
pelatihan LVQ, sedangkan citra uji digunakan
untuk pengujian atau klasifikasi pengenalan
wajah.
Citra wajah terdiri dari pose unik yang
Mom Adit Bani
sudah ditentukan. Pose unik yang digunakan
adalah dengan pose mata yang berbeda-beda,
misalnya Gambar 2 (a) berisikan pose wajah
biasa dengan kedua mata terbuka. Kemudian
Gambar 2 (b) berisikan pose wajah dengan mata
kiri tertutup. Lalu Gambar 2 (c) berisikan pose
wajah dengan mata kanan tertutup. Masing- Cahyono Indra Jojo
masih pose gambar diambil beberapa gambar
dengan sudut pandang atau derajat kemiringan
yang berbeda seperti pada Gambar 2 (d) sampai
2 (i).
Jumlah citra yang digunakan untuk data
latih ada 117 citra yang terdiri dari 8 orang. Satu
orang digunakan untuk wajah yang akan dikenali Hafiz Ramanda Beryl
oleh sistem (Basofi), sedangkan 7 wajah orang
lainya (Adit, Bani, Cahyono, Hafiz, Jojo, Mom,
dan Ramanda) digunakan untuk wajah yang
tidak dikenali oleh sistem. Kemudian data uji
yang digunakan untuk pengujian ada 126 citra
yang terdiri dari 6 orang. Satu orang digunakan Basofi
untuk pengujian wajah yang sudah dikenali oleh Gambar 3 Contoh wajah orang untuk data uji
sistem (Basofi). Citra Basofi digunakan untuk 5 dan data latih
skenario pengujian. Sedangkan 5 orang lainya
(Adit, Ramanda, Mom, Indra, dan Beryl) 2.1. Pengenalan Wajah
digunakan untuk pengujian wajah yang tidak
dikenali oleh sistem. Pengenalan wajah dalam penelitian ini
adalah sistem yang dapat mengenali atau
mengklasifikasikan citra wajah yang diberikan
saat proses uji. Sistem hanya dapat mengenali
satu wajah atau satu orang saja, sehingga semua
wajah atau orang yang tidak termasuk dalam
wajah yang dikenali oleh sistem akan dianggap
(a) (b) (c) sama yaitu wajah tidak dikenali.

2.2. RGB ke HSV

RGB salah satu model warna yang terdiri
dari 3 warna yaitu, Red (R), Green (G), dan Blue
(B). Model warna RGB paling sering atau umum
(d) (e) (f) digunakan untuk format citra atau gambar.
Sedangkan HSV merupakan ruang warna yang
memiliki elemen warna Hue (H) yang
menggambarkan perubahan warna dari merah
menjadi hijau, Saturation (S) yang
menggambarkan perubahan warna dari merah ke
merah jambu, dan Value (V) yang juga
(g) (h) (i) dinamakan sebagai intensitas cahaya yang
Gambar 2 Contoh wajah dengan 3 pose memiliki perubahan warna dari hitam ke putih.
mata unik HSV bisa menghasilkan hasil yang baik dalam

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 8476

deteksi kulit manusia dibanding dengan RGB. Perhitungan pelatihan LVQ terdapat pada
Untuk mengubah nilai RGB ke HSV dapat Persamaan (5) sampai (8) (Wuryandari, 2012):
dinyatakan dengan Persamaan (1), (2), dan (3) 1. Tetapkan bobot (w), maksimal iterasi (max
(Rahman, et al., 2014). epoch), minimal error (min α),pengurang α
(dec α), dan learning rate (α).
𝐺−𝐵
𝑥 60, 𝑖𝑓 𝑅 = 𝑚𝑎𝑥 2. Masukkan :
𝑚𝑎𝑥−𝑚𝑖𝑛
𝐵−𝑅
𝐻 = 120 + 𝑚𝑎𝑥−𝑚𝑖𝑛
𝑥 60, 𝑖𝑓 𝐺 = 𝑚𝑎𝑥 (1) Data (citra) : x
𝑅−𝐺
240 + 𝑥 60, 𝑖𝑓 𝐵 = 𝑚𝑎𝑥 target : T
{ 𝑚𝑎𝑥−𝑚𝑖𝑛

𝑚𝑎𝑥−𝑚𝑖𝑛 3. Tetapkan kondisi awal :

𝑆= (2)
𝑚𝑎𝑥
epoch=0
𝑚𝑎𝑥 (𝑅,𝐺,𝐵) 4. Kerjakan jika : (epoch ≤ max epoch) dan
𝑉= (3)
255
(α ≥ min α)
5. epoch = epoch + 1
2.3. Citra Kulit RGB
6. Kerjakan untuk i = 1 sampai n.
Citra kulit RGB dalam penelitian ini
mengacu pada deteksi citra kulit manusia Tentukan j sehingga ǁx-wjǁ adalah minimum
berdasarkan ruang warna HSV. Perhitungan jarak euclidean
Jika warna dari masing-masing piksel citra
tidak termasuk dalam range atau jangkauan nilai D (j) = ∑ (wij –xi)2 (5)
HSV kulit manusia, piksel tersebut akan dirubah 7. Perbaiki wj dengan ketentuan:
warnanya menjadi hitam (nilai RGB = 0). Range Jika T = Cj,
atau jangkauan dari nilai HSV untuk citra kulit
manusia terdapat pada Persamaan (4) (Rahman, wj = wj + α (xi - wj ) (6)
et al., 2014). Jika T ≠ Cj,
wj = wj - α (xi - wj ) (7)
00 ≤ 𝐻 ≤ 250 𝑎𝑛𝑑 3350 ≤ 𝐻 ≤ 3600
or H > 0.25 8. Kurangi nilai α
0.2 ≥ 𝑆 > 0.6 (4) α = α – α * dec α (8)
𝑉 ≥ 40
Keterangan: Keterangan:
𝐻 : ruang warna Hue w : bobot
𝑆 : ruang warna Saturation min α : minimal error
𝑉 : ruang warna Value dec α : pengurangan alpha
𝑅 : ruang warna Red α : learning rate
𝐺 : ruang warna Green x : masukan data
𝐵 : ruang warna Blue T : target kelas
𝑚𝑖𝑛 : nilai minimum dari 𝑅 , 𝐺 , 𝐵 epoch : iterasi
𝑚𝑎𝑥 : nilai maksimal dari 𝑅 , 𝐺 , 𝐵 D (j) : jarak Euclidean
T = Cj : kelas target sama dengan kelas hasil
2.4. Learning Vector Quantization klasifikasi LVQ
T ≠ Cj : kelas target tidak sama dengan kelas
Learning Vector Quantization (LVQ)
hasil klasifikasi LVQ
merupakan salah satu bentuk algoritme jaringan
wj : bobot hasil pelatihan LVQ
saraf tiruan (JST) dengan metode pembelajaran
max epoch : maksimal iterasi
pada lapisan kompetitif yang terawasi (Sutojo,
2011). Terdapat dua proses utama dalam
2.4.2 Pengujian LVQ
perhitungan LVQ yaitu pelatihan dan pengujian.
Setelah dilakukan pelatihan, maka akan
2.4.1 Pelatihan LVQ diperoleh bobot-bobot akhir (wj). Bobot ini yang
nantinya akan digunakan untuk melakukan
Pelatihan dilakukan untuk mendapatkan
bobot yang digunakan pada proses pengujian. pengujian. Perhitungan pengujian hampir sama
dengan perhitungan pelatihan, namun proses

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
pengujian hanya berlangsung sampai tahap (6)
pada pada proses pelatihan saja. Adapun
algoritme tahap pengujian dapat dituliskan
sebagai berikut (Wuryandari, 2012): 3.
1. Masukkan data yang akan diuji, misal : xij
dengan i = 1, 2, .., n dan n = 1, 2, .., m
2. Kerjakan untuk i = 1 sampai n
4.
Tentukan j sedemikian hingga |xi – wj|
minimum
j adalah kelas untuk xi
Keterangan:
xij : nilai masukan
m : jumlah ukuran data dalam satu citra
5.
n : jumlah data citra
i : jumlah data citra
j : jumlah layer untuk aktifasi LVQ
xi : data citra ke i
|Xi – Wj| : perhitungan jarak euclidean
2.5. Akurasi
Akurasi merupakan salah satu tolak ukur 6.
untuk pengujian dari hasil penelitian. Akurasi
disini digunakan untuk menguji ketepatan hasil
penelitian dengan hasil yang sebenarnya.
Tingkat akurasi keberhasilan menggunakan
Persamaan (9). 7.
𝑗𝑢𝑚𝑙𝑎ℎ 𝑝𝑒𝑛𝑔𝑢𝑗𝑖𝑎𝑛 𝑏𝑒𝑛𝑎𝑟
Akurasi = × 100% (9)
𝑡𝑜𝑡𝑎𝑙 𝑑𝑎𝑡𝑎 𝑢𝑗𝑖
3. PENGUJIAN DAN ANALISIS
Pengujian dilakukan untuk mengetahui
hasil dari penelitian, sedangkan analisis
dilakukan untuk mengetahui pemahaman
penulis mengenai penelitian yang dilakukan.
8.
3.1. Skenario pengujian
Terdapat 10 skenario pengujian untuk
menguji penelitian mengenai “Pengenalan
Wajah Dengan Pose Unik Menggunakan Metode
Learning Vector Quantization”. Skenario
9.
pengujian yang digunakan yaitu:
1. Citra yang diambil dari data latih atau
training sebanyak 45 citra yang terdiri dari
citra wajah yang dikenali oleh sistem
(Basofi). Citra tersebut terdiri dari citra 10.
Basofi yang memakai kacamata dan tidak
memakai kacamata. Terdapat 3 pose yang
berbeda, masing-masing pose ada 15 citra.
2. Citra yang dikenali oleh sistem (Basofi)
dengan data baru (tidak ada yang sama
Fakultas Ilmu Komputer, Universitas Brawijaya
8477
dengan data latih) dan memakai kacamata.
Terdapat 9 citra yang terdiri dari 3 pose,
masing-masing pose ada 3 citra.
Citra yang dikenali oleh sistem (Basofi)
dengan data baru (tidak ada yang sama
dengan data latih) dan tidak memakai
kacamata. Terdapat 9 citra yang terdiri dari
3 pose, masing-masing pose ada 3 citra.
Citra yang dikenali oleh sistem (Basofi)
dengan data baru (tidak ada yang sama
dengan data latih) dan tidak memakai
kacamata. Terdapat 9 citra yang terdiri dari
3 pose, masing-masing pose ada 3 citra.
Citra tersebut memiliki noise berupa
bayangan pada area wajah.
Citra yang tidak dikenali oleh sistem (Adit)
dengan data latih (citra sama dengan data
latih) memakai kacamata dan tidak
memakai kacamata. Terdapat 6 citra yang
terdiri dari 3 pose, masing-masing pose ada
2 citra. Citra tersebut memiliki
kecenderungan mirip dengan citra yang
dikenali sistem (Basofi).
Citra yang tidak dikenali oleh sistem
(Ramanda) dengan data latih (citra sama
dengan citra data latih) dan tidak memakai
kacamata. Terdapat 9 citra yang terdiri dari
3 pose, masing-masing pose ada 3 citra.
Citra yang dikenali oleh sistem (Basofi)
dengan data baru (tidak ada yang sama
dengan data latih) dan tidak memakai
kacamata. Terdapat 9 citra yang terdiri dari
1 pose saja ( pose 1, tidak ada mata yang
ditutup), Sehingga data yang digunakan
untuk pengujian pose 2 dan pose 3
menggunakan data dari pose 1 saja. Citra
tersebut memiliki noise berupa bayangan
pada area wajah obyek.
Citra yang tidak dikenali oleh sistem
(Mom) dengan data dari pelatihan (data
pengujian sama dengan data latih) dan tidak
memakai kacamata. Terdapat 9 citra yang
terdiri dari 3 pose, masing-masing pose ada
3 citra.
Citra yang tidak dikenali oleh sistem (Indra)
dengan data baru (tidak ada yang sama
dengan data latih) dan tidak memakai
kacamata. Terdapat 9 citra yang terdiri dari
3 pose, masing-masing pose ada 3 citra.
Citra yang tidak dikenali oleh sistem
(Beryl) dengan data baru (tidak ada yang
sama dengan data latih) dan tidak memakai
kacamata. Terdapat 9 citra yang terdiri dari
3 pose, masing-masing pose ada 3 citra.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 8478

3.2. Hasil
Implementasi penelitian dilakukan pada
bahasa pemrograman Matlab dengan perangkat
lunak Matlab R2015a 64-Bit. Media
pengumpanan data dari matriks citra, hasil
ekstraksi ciri, dan bobot akhir pelatihan LVQ Adit1_P1_C3 Adit2_P2_C3 Adit1_P3_C3
disimpan dalam perangkat lunak Microsoft .jpg .jpg .jpg
Office Excel 2016. Perangkat keras yang Gambar 8 Sample ekstraksi ciri pengujian 5
digunakan dalam penelitian adalah kamera
smartphone, tripod, dan laptop.
Gambar 4 sampai 13 merupakan sample
hasil dari ekstraksi ciri untuk masing-masing
skenario pengujian. Kemudian Tabel 1
merupakan hasil evaluasi berdasarkan akurasi
dari 10 skenario pengujian.
Ramanda1_P Ramanda1_P Ramanda1_P
1_C3.jpg 2_C3.jpg 3_C3.jpg
Gambar 9 Sample ekstraksi ciri pengujian 6

Basofi4_P1_ Basofi3_P1_ Basofi5_P1_

C3.jpg C3.jpg C3.jpg
Gambar 4 Sample ekstraksi ciri pengujian 1
Basofi8_P1_ Basofi8_P2_ Basofi8_P3_
C3.jpg C3.jpg C3.jpg
Gambar 10 Sample ekstraksi ciri pengujian 7

Basofi6_P1_ Basofi6_P2_ Basofi6_P3_

C3.jpg C3.jpg C3.jpg
Gambar 5 Sample ekstraksi ciri pengujian 2
Mom1_P1_C3 Mom1_P2_C3 Mom1_P3
.jpg .jpg _C3
Gambar 11 Sample ekstraksi ciri pengujian 8

Basofi7_P1_ Basofi7_P2_ Basofi7_P3_

C3.jpg C3.jpg C3.jpg
Gambar 6 Sample ekstraksi ciri pengujian 3
Indra1_P1_C3 Indra1_P2_C3 Indra1_P3_
.jpg .jpg C3
Gambar 12 Sample ekstraksi ciri pengujian 9

Basofi3_P1_ Basofi3_P2_ Basofi3_P3_

C3.jpg C3.jpg C3.jpg
Gambar 7 Sample ekstraksi ciri pengujian 4

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 8479

Beryl1_P2_C3 Beryl1_P2_C3 Beryl1_P3_ Basofi4_P1_ Basofi3_P1_ Basofi5_P1_

.jpg .jpg C3 C3.jpg C3.jpg C3.jpg
Gambar 13 Sample ekstraksi ciri pengujian 10
Gambar 4 Contoh citra uji hasil ekstraksi ciri
Tabel 1 Hasil akurasi pengenalan wajah
Skenario Pose1 Pose2 Pose3 Rata - rata
1 80% 80% 80% 80% 4. KESIMPULAN
2 100% 100% 100% 100%
3 100% 100% 100% 100% Metode Learning Vector Quantization
4 0% 0% 0% 0% dapat diimplementasikan untuk pengenalan
5 100% 100% 100% 100%
6 100% 100% 100% 100%
wajah. Foto atau citra yang digunakan untuk data
7 100% 0% 0% 33% latih maupun data uji merupakan foto atau citra
8 100% 100% 100% 100% wajah orang yang diambil dari berbagai sudut
9 100% 100% 100% 100% kemiringan dan pose wajah yang berbeda-beda.
10 100% 100% 100% 100% Dibutuhkan ekstraksi ciri yang baik untuk
Rata-rata akurasi 10 skenario pengujian 81,3%
mendapatkan hasil atau akurasi yang baik.
Terdapat 10 skenario pengujian untuk
3.3. Analisis
menghitung akurasi dari pengenalan wajah
Hasil akurasi pengenalan wajah dengan dengan pose unik menggunakan metode LVQ.
pose unik menggunakan metode LVQ yang Hasil salah satu skenario pengujian menunjukan
terdiri dari 10 skenario pengujian terdapat pada akurasi terbaik sebesar 100% untuk citra yang
Tabel 1 Sample dari skenario pengujian 1 terdapat sedikit noise. Kemudian ada salah satu
menghasilkan ekstraksi ciri kurang yang baik. skenario pengujian yang menghasilkan akurasi
Terdapat bayangan pada area sekitar kulit seperti terburuk sebesar 0% untuk citra yang terdapat
pada gambar Basofi3_P1_C3.jpg. Sedangkan banyak noise berupa bayangan. Namun untuk
untuk ekstraksi ciri gambar Basofi4_P1_C3.jpg gabungan atau rata-rata hasil dari 10 skenario
dan gambar Basofi5_P1_C3.jpg menghasilkan pengujian memiliki akurasi sebesar 81,3%.
ekstraksi ciri yang baik karena dapat mengambil Walaupun metode LVQ merupakan salah
kulit manusia saja dalam citra wajah. Akurasi satu metode klasifikasi yang dapat melakukan
dari skenario pengujian 1 sebesar 80% pembelajaran pada lapisan kompetitif yang
dikarenakan terdapat 12 citra menghasilkan terawasi, namun masih memerlukan data atau
ekstraksi ciri yang baik (sedikit noise). ekstraksi ciri yang baik untuk dapat digunakan
Sedangkan 3 citra menghasilkan ekstekasi ciri sebagai metode utama pengenalan wajah dengan
yang kurang baik (banyak noise). pose unik.
Berdasarkan hasil akurasi pengujian Saat pengambilan citra atau gambar,
skenario 1, klasifikasi yang dilakukan LVQ akan sebaiknya digunakan flash atau pencahayaan
menghasilkan akurasi yang baik jika data tambahan dari arah kamera menuju arah obyek
ekstraksi ciri yang diolah LVQ harus baik (untuk (orang yang akan diambil citranya) agar
penelitian ini yang dimaksud ekstraksi ciri yang meminimalisir noise berupa bayangan.
baik menghasilkan citra kulit saja yang sedikit Jika ingin memaksimalkan metode LVQ
noise). dalam pengenalan wajah dengan pose unik,
ekstraksi ciri yang lebih baik atau data yang
diolah LVQ terdiri dari ciri-ciri atau bagian
khusus dari pose yang diinginkan untuk
menghasilkan pengenalan wajah dengan pose
unik yang lebih baik.
Basofi4_P1_ Basofi3_P1_ Basofi5_P1_
C3.jpg C3.jpg C3.jpg
Gambar 3 Contoh citra uji awal

Fakultas Ilmu Komputer, Universitas Brawijaya

 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 8480

5. DAFTAR PUSTAKA

Heranurweni, S., 2010. Pengenalan Wajah

Menggunakan Learning Vector
Quantization (LVQ). Prosiding Seminar
Nasional Sains dan Teknologi 2010,
Volume IV, pp. 66-74.
Ragul, G., Magesh, C. K. & Thiyagarajan, R.,
2013. Comparative study of statistical
models and classifiers in face
recognition. International Conference
on Information Communication and
Embedded Systems (ICICES), pp. 1-6.
Rahman, M. A., Purnama, K. E. & Purnomo, M.
H., 2014. Simple Method of Human Skin
Detection using HSV and YCbCr Color
Spaces. Bandung, Indonesia, IEEE, pp.
58-61.
Sutojo, T., 2011. Kecerdasan Buatan.
Yogyakarta: ANDI.
Wuryandari, M. D. & Afrianto, I., 2012.
Perbandingan Metode Jaringan Syaraf
Tiruan Backprogation dan Learning
Vector Quantization Pada Pengenalan
Wajah. Jurnal Komputer dan
Informatika, pp. 45-51.
Yanto, A. N. S., 2016. Implementasi Algoritma
Pengenalan Wajah Eigenface pada Intel
Galileo untuk Sistem Keamanan
Ruangan. Jurnal Pengembangan
Teknologi Informasi dan Ilmu
Komputer.

Fakultas Ilmu Komputer, Universitas Brawijaya

View publication stats