net/publication/327822107
CITATIONS READS
0 504
3 authors, including:
Some of the authors of this publication are also working on these related projects:
All content following this page was uploaded by Yuita Arum Sari on 22 September 2018.
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
(Heranurweni, 2010).
1. PENDAHULUAN Manusia dapat mengenali wajah seseorang
Identifikasi biometrik merupakan salah satu yang sudah dikenali sebelumnya dengan mudah,
alternatif untuk keamanan suatu sistem. namun sebuah mesin atau komputer tidak dapat
Identifikasi biometrik yang digunakan dalam mengenali atau membedakan wajah seseorang
penelitian ini adalah karakteristik alami manusia apabila belum dilengkapi dengan sistem cerdas.
berupa wajah. Pengenalan wajah merupakan Pengenalan wajah yang dilakukan oleh
contoh dari pemanfaatan karakteristik alami (Ragul, et al., 2013) mengenai Support Vector
manusia berupa wajah untuk suatu sistem Machines (SVM) dan Jaringan Saraf Tiruan
keamanan misalnya presensi dan otentifikasi (JST). Metode tersebut sudah terbukti dapat
mengklasifikasikan citra wajah atau dapat menutup mata sebelah kanan (mata sebelah kiri
mengenali wajah. Pengujian yang dilakukan masih terbuka), dan pose ketiga menutup mata
dalam pengenalan wajah penelitian tersebut sebelah kiri (mata sebelah kanan masih terbuka).
menggunakan fitur yang sedikit (40 fitur). Hasil
pengujian JST lebih unggul dengan akurasi 2. METODOLOGI
90,5%. Sedangkan SVM menghasilkan akurasi Data Metode yang diusulkan dalam
89,8%. penelitian ini terdiri dari tiga tahapan utama.
JST memiliki banyak metode yang dapat Pertama data yang berupa citra wajah masuk
digunakan dalam pengenalan wajah. Learning menuju tahap ekstraksi ciri terlebih dahulu untuk
Vector Quantization (LVQ) dan mengubah data citra menjadi matriks citra kulit
Backpropagation merupakan contoh metode RGB. Di dalam ekstraksi ciri terdapat beberapa
JST yang dapat mengklasifikasikan suatu data proses yaitu resize, RGB ke HSV, dan citra kulit
untuk pengenalan wajah. Pada umumnya, RGB. Hasil dari citra kulit RGB akan digunakan
metode JST terkenal bagus dalam klasifikasi untuk tahap klasifikasi. Tahap klasifikasi terdiri
suatu data. Salah satu kelebihan JST yaitu dapat dari dua proses utama antara lain pelatihan LVQ
belajar sendiri dari pola pengetahuan yang ada, dan pengujian LVQ. Setelah didapatkan hasil
sehingga metode JST juga dapat meringankan dari tahap klasifikasi, peneliti menggunakan
ekstraksi ciri dalam mengolah data sebelum evaluasi berupa akurasi untuk pengenalan wajah.
digunakan sebagai basis data JST. Berdasarkan Gambaran umum metode yang diusulkan dalam
penelitian yang dilakukan (Wuryandari & penelitian ini terdapat pada Gambar 1.
Afrianto, 2012),metode LVQ memiliki akurasi
37,63% yang lebih baik dalam pengenalan wajah
dibandingkan dengan metode Backpropagation Citra Resize RGB ke HSV
yang menghasilkan akurasi 37,33%. Hasil
akurasi pengenalan wajah tersebut memang Ekstraksi ciri
kurang baik, dikarenakan ekstraksi ciri yang Citra kulit RGB
digunakan peneliti kurang dapat membedakan
antar wajah orang.
Sebelum dilakukan klasifikasi, data citra
wajah diambil bagian-bagian tertentu yang Pelatihan LVQ
Klasifikasi
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
pengujian hanya berlangsung sampai tahap (6) dengan data latih) dan memakai kacamata.
pada pada proses pelatihan saja. Adapun Terdapat 9 citra yang terdiri dari 3 pose,
algoritme tahap pengujian dapat dituliskan masing-masing pose ada 3 citra.
sebagai berikut (Wuryandari, 2012): 3. Citra yang dikenali oleh sistem (Basofi)
dengan data baru (tidak ada yang sama
dengan data latih) dan tidak memakai
1. Masukkan data yang akan diuji, misal : xij
kacamata. Terdapat 9 citra yang terdiri dari
dengan i = 1, 2, .., n dan n = 1, 2, .., m
3 pose, masing-masing pose ada 3 citra.
2. Kerjakan untuk i = 1 sampai n
4. Citra yang dikenali oleh sistem (Basofi)
Tentukan j sedemikian hingga |xi – wj|
dengan data baru (tidak ada yang sama
minimum
dengan data latih) dan tidak memakai
j adalah kelas untuk xi
kacamata. Terdapat 9 citra yang terdiri dari
3 pose, masing-masing pose ada 3 citra.
Keterangan:
Citra tersebut memiliki noise berupa
xij : nilai masukan
bayangan pada area wajah.
m : jumlah ukuran data dalam satu citra
5. Citra yang tidak dikenali oleh sistem (Adit)
n : jumlah data citra
dengan data latih (citra sama dengan data
i : jumlah data citra
latih) memakai kacamata dan tidak
j : jumlah layer untuk aktifasi LVQ
memakai kacamata. Terdapat 6 citra yang
xi : data citra ke i
terdiri dari 3 pose, masing-masing pose ada
|Xi – Wj| : perhitungan jarak euclidean
2 citra. Citra tersebut memiliki
kecenderungan mirip dengan citra yang
2.5. Akurasi
dikenali sistem (Basofi).
Akurasi merupakan salah satu tolak ukur 6. Citra yang tidak dikenali oleh sistem
untuk pengujian dari hasil penelitian. Akurasi (Ramanda) dengan data latih (citra sama
disini digunakan untuk menguji ketepatan hasil dengan citra data latih) dan tidak memakai
penelitian dengan hasil yang sebenarnya. kacamata. Terdapat 9 citra yang terdiri dari
Tingkat akurasi keberhasilan menggunakan 3 pose, masing-masing pose ada 3 citra.
Persamaan (9). 7. Citra yang dikenali oleh sistem (Basofi)
𝑗𝑢𝑚𝑙𝑎ℎ 𝑝𝑒𝑛𝑔𝑢𝑗𝑖𝑎𝑛 𝑏𝑒𝑛𝑎𝑟 dengan data baru (tidak ada yang sama
Akurasi = × 100% (9)
𝑡𝑜𝑡𝑎𝑙 𝑑𝑎𝑡𝑎 𝑢𝑗𝑖 dengan data latih) dan tidak memakai
kacamata. Terdapat 9 citra yang terdiri dari
1 pose saja ( pose 1, tidak ada mata yang
3. PENGUJIAN DAN ANALISIS ditutup), Sehingga data yang digunakan
Pengujian dilakukan untuk mengetahui untuk pengujian pose 2 dan pose 3
hasil dari penelitian, sedangkan analisis menggunakan data dari pose 1 saja. Citra
dilakukan untuk mengetahui pemahaman tersebut memiliki noise berupa bayangan
penulis mengenai penelitian yang dilakukan. pada area wajah obyek.
8. Citra yang tidak dikenali oleh sistem
3.1. Skenario pengujian (Mom) dengan data dari pelatihan (data
pengujian sama dengan data latih) dan tidak
Terdapat 10 skenario pengujian untuk
memakai kacamata. Terdapat 9 citra yang
menguji penelitian mengenai “Pengenalan
terdiri dari 3 pose, masing-masing pose ada
Wajah Dengan Pose Unik Menggunakan Metode
3 citra.
Learning Vector Quantization”. Skenario
9. Citra yang tidak dikenali oleh sistem (Indra)
pengujian yang digunakan yaitu:
dengan data baru (tidak ada yang sama
1. Citra yang diambil dari data latih atau dengan data latih) dan tidak memakai
training sebanyak 45 citra yang terdiri dari kacamata. Terdapat 9 citra yang terdiri dari
citra wajah yang dikenali oleh sistem 3 pose, masing-masing pose ada 3 citra.
(Basofi). Citra tersebut terdiri dari citra 10. Citra yang tidak dikenali oleh sistem
Basofi yang memakai kacamata dan tidak (Beryl) dengan data baru (tidak ada yang
memakai kacamata. Terdapat 3 pose yang sama dengan data latih) dan tidak memakai
berbeda, masing-masing pose ada 15 citra. kacamata. Terdapat 9 citra yang terdiri dari
2. Citra yang dikenali oleh sistem (Basofi) 3 pose, masing-masing pose ada 3 citra.
dengan data baru (tidak ada yang sama
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
5. DAFTAR PUSTAKA