1
Afrizal Zein,
1
Dosen Teknik Informatika STMIK Eresha
Jl. Raya Puspitek Serpong No. !0 Tangeran Selatan Banten
zeinafrizal@gmail.com
ABSTRAK,
Pengenalan wajah telah menjadi masalah menarik di seluruh dunia dan menjadi perhatian banyak orang. Hal ini
dikarenakan informasi tentang wajah seseorang dapat diekstraksi dari citra yang kemudian direpresentasikan
sebagai identias diri seseorang untuk media pengenalan wajah. Meskipun aplikasi mengenai topik ini telah
dimplementasikan, namun pada dasarnya teknologi ini belum matang sehinga penelitan masih perlu terus
dikembangkan untuk memperoleh hasil yang dinginkan. Tujuan penelitan ini adalah membangun sebuah aplikasi
yang mampu melakukan pendeteksian dan pengenalan wajah secara real time dan multi wajah. Untuk proses
pendeteksian wajah, metode yang diterapkan adalah metode Haar Cascade dengan memanfatkan sebuah image
procesing library yang berfungsi sebagai dasar pengolahan dalam pendeteksian citra wajah. Sedangkan untuk
proses pengenalan wajah metode yang digunakan adalah eigenface berbasis PCA (Principal Component Analysis).
Pengenalan wajah adalah aplikasi komputer yang disusun menggunakan algoritma kompleks yang menggunakan
teknik matematika dan matricial, yang mendapatkan gambar dalam mode raster (format digital) dan kemudian proses
dan bandingkan pixel dengan pixel menggunakan metode yang berbeda untuk mendapatkan hasil yang lebih cepat
dan handal, jelas hasil ini tergantung dari penggunaan komputer yang cepat untuk memproses ini karena kekuatan
komputasi besar dalam algoritma ini. Dalam penelitan ini, pengujian deteksi wajah maupun pengenalan wajah
dilakukan berdasarkan beberapa faktor yang memungkinkan dapat mempengaruhi akurasi dari pendeteksian
maupun pengenalan wajah. Faktor tersebut berupa pengaruh umur, gaya wajah, penambahan aksesoris dan
pelatihan data training. Dari hasil pengujian menunjukan perolehan tingkat akurasi pendeteksian wajah mencapai
sebesar 90%.
informasi yang relevan dari sebuah citra wajah, dan mulut. Hubungan antara fitur dapat menggambarkan
kemudian mengubahnya ke dalam satu set kode yang jarak relatif dan posisi mereka. Masalah dengan
paling efisien dan membandingkan kode wajah tersebut pendekatan ini adalah; sulit untuk menerjemahkan
dengan database berisi beragam wajah yang telah pengetahuan manusia ke aturan yang telah ditetapkan.
dikodekan secara serupa. Jika aturan ini terlalu ketat maka ada kemungkinan
Eigenfaces PCA digunakan untuk mereduksi dimensi gagal untuk mendeteksi wajah yang tidak lulus semua
sekumpulan atau ruang gambar sehingga basis atau aturan. Tapi di sisi lain jika aturan yang terlalu umum
sistem koordinat yang baru dapat menggambarkan mka kemungkinan ada banyak jajah yang salah pilih .
model yang khas dari kumpulan tersebut dengan lebih Pada tingkat tertinggi, semua kandidat wajah mungkin
baik. Model yang diinginkan merupakan sekumpulan ditemukan dengan memindai jendela atas gambar input
wajah yang dilatihkan. Fitur yang baru tersebut akan dan menerapkan seperangkat aturan di setiap lokasi.
dibentuk melalui kombinasi linear. Komponen fitur ruang Aturan di tingkat yang lebih tinggi adalah deskripsi
karakter ini tidak akan saling berkolerasi dan akan umum tentang apa itu wajah, sedangkan aturan di
memaksimalkan perbedaan yang ada pada variabel tingkat bawah mengandalkan Rincian dari fitur wajah.
aslinya [2]. Sebuah Hirarki multi resolusi gambar diciptakan oleh
2. Perancangan System averaging dan subsampling[4].
Untuk perancangan dalam melakukan pengenalan wajah Template matching methods.
pada system Intelligent home security. Tahap - tahap Metode template matching yang menemukan
tentang pengenalan wajah seperti yang ditunjukkan kesamaan antara gambar masukan dan gambar
pada bagan. template (gambar traning). Metode template matching
dapat menggunakan korelasi antara gambar masukan
dan disimpan pola standar dalam fitur wajah secara
keseluruhan, untuk menentukan keberadaan dari
seluruh wajah fitur. Metode ini dapat digunakan untuk
kedua deteksi wajah dan lokasi wajah. Dalam metode
ini, wajah standar dapat digunakan. Keuntungan dari
metode adalah bahwa sangat sederhana untuk
mengimplementasikan algoritma, dan itu mudah untuk
menentukan wajah seperti seperti hidung, mata, mulut
dll berdasarkan nilai korelasi. Hal ini dapat diterapkan
pada berbagai variasi gambar seperti berpose, skala,
dan bentuk. Sub-template, Multi resolusi, dan Multi skala
telah diusulkan untuk mencapai bentuk dan skala
invarian dan lokalisasi metode yang didasarkan pada
bentuk template pandangan frontal wajah[5].
Jika wajah sudah terdeteksi maka dapat dilakukan
tahap selanjutnya yaitu melacak wajah. Pelacakan objek
Gambar 1 Block diagram system pengenalan wajah
merupakan suatu sistem yang ingin mengetahui posisi
Gambar 1 merupakan block diagram software untuk
atau keberadaan sebenarnya suatu objek yang telah
melakukan pengenalan dari sistem yang digunakan,
ditentukan. Suatu objek yang akan dilacak posisinya
dimana jalannya sistem dibagi menjadi 2, yaitu block
harus ditentukan terlebih dahulu sesuai dengan
pengambilan data dan
kebutuhan atau fungsinya seperti bagian tubuh manusia
block pengenalan wajah[3].
(wajah, mata, atau jari-jari tangan) dan benda-benda
Metode Basis Pengetahuan
lainnya yang digunakan untuk pengamatan, sistem
Metode berbasis pengetahuan ini mengkodekan
keamanan atau objek accounting. Pengertian pelacakan
pengetahuan manusia dari apa yang merupakan wajah
objek sebenarnya adalah memperbaiki nilai dari hasil
khas. Biasanya, aturan ini memberikan hubungan antara
observasi yang masih mengandung noise menjadi suatu
fitur wajah. Metode ini dirancang terutama untuk wajah
nilai sebenarnya dari suatu posisi objek dimana nilai
asli orang Indonesia. Dalam pendekatan ini, metode
perbaikan tersebut merupakan nilai estimasi[6].
menggunakan aturan sederhana untuk menggambarkan
Lokalisasi Wajah
fitur wajah seperti; wajah sering muncul dalam gambar
Lokalisasi wajah bertujuan untuk menentukan posisi
dengan dua mata yang symetric satu sama lain, hidung
2 | Jurnal Teknologi Informasi ESIT Vol. XII No. 01 April 2018
3
gambar wajah tunggal. Ini adalah masalah deteksi Obama%Mr. Barak Obama%Bpk Darsono%Bpk
disederhanakan dengan asumsi dari gambar masukan Darsono%Bpk Jokowi%Bpk Jokowi%Bpk Jokowi%Bpk
hanya terdiri satu wajah Berbagai kegiatan pra- Darsono%Bpk Darsono%Bpk Darsono%Irish Bella%Irish
pengolahan yang dilakukan dalam fase ini untuk Bella%Irish Bella%Irish Bella%Irish Bella%Irish
membuat data mentah ke dalam format yang dapat Bella%Barak Obama%Barak Obama%Bpk Jokowi%Bpk
digunakan. Darsono%Bpk Afrizal Zein%Bpk Afrizal Zein%Bpk Afrizal
Feature Extraction Zein%Bpk Afrizal Zein%Bpk Afrizal Zein%Bpk Afrizal
Fitur Ekstraksi dilakukan dengan mengambil fitur Zein%Bpk Afrizal Zein%Bpk Afrizal Zein%Bpk Afrizal
seperti mata, mulut, hidung, telinga dll Secara umum, Zein%Bpk Afrizal Zein%Afrizal Zein%
ada dua metode representasi tentang fitur wajah: Salah Proses Penyimpanan Data Wajah
satunya adalah fitur wajah lokal seperti mata, hidung dan Untuk proses pengambilan data. Jumlah data yang
mulut terletak; yang lainnya adalah tentang fitur seluruh diambil untuk setiap wajah adalah dari 2 pemilik rumah
wajah sebagai mengekspresikan dengan luas persegi diambil sebanyak masing-masing5 kali, dengan posisi
panjang yang berisi mata, hidung dan mulut. Dalam yang berbeda-beda, jarak yang juga berbeda,
tulisan ini, dua fitur, mata dan mulut dipertimbangkan[8]. kemiringan wajah yang berbeda pula. Dari setiap
capture akan dilakukan proses awal seperti yang telah
3.METODE PENELITIAN dijelaskan diatas.Kemudian hasil pemrosesan awal akan
Pemrosesan Awal disimpan dalam format *.pgm, dikarenakan untuk
Pada proses deteksi wajah sekaligus langsung dilakukan memudahkan dalam perhitungan eigenvalue dan
pemrosesan awal saat citra wajah dalam frame eigenvector untuk proses pembelajaran. Format *.pgm
terdeteksi. Hal ini dilakukan untuk membuat software adalah sebuah matriks wajah yang berukuran 50 x 50.
yang realtime dan lebih Matriks yang terdapat dalam fitur wajah pada gambar 3
efisien. bernilai antara 0 – 255. Penyimpanan data wajah ini
Cara Melatih Prototype akan digunakan dalam proses pembelajaran untuk
mendapatkan nilai eigenvalue dan eigenvektor dari
gambar. Setiap nilai dicatat. Kemudian dijumlahkan dan
dibagi jumlah berapa kali melakukan percobaan untuk
diambil rata rata untuk setiap wajah. Jadi ada 1 nilai
hasil rata rata dari 10 kali percobaan untuk setiap wajah
pemilik. Nilai inilah yang digunakan sebagai nilai acuan
Setiap pemilik atau penghuni rumah telah disimpan data
wajahnya dalam berbagai posisi dan ekspresi, dari
frontal mengahadap ke depan sampai sudut kemiringan
5˚ dan disimpan dalam satu class pemilik rumah.
Sedangkan dalam class berbeda yaitu class bukan
Kode tombol pelatihan (ini melakukan penambahan pemilik rumah terdapat banyak data wajah yang diambil
wajah pelatihan dan label untuk masing-masing)maka secara acak. Jadi wajah yang tersimpan bukan hanya
didapat : pemilik rumah saja, tetapi wajah bukan pemilik rumah
sebagai sample dan pembanding. Pengambilan data
wajah dalam class yang berbeda ini berguna untuk
proses pengenalan wajah selanjutnya.
Proses Penghitungan Eigenface
Pada langkah ini informasi - informasi yang relevan dari
data yang disimpan akan dilakukan tahap penghitungan
eigenvalue dan eigenvektor baik dari citra wajah
keseluruhan maupun dari
elemen wajah. Jadi pada tahap ini dilakukan proses
Data traning disimpan dan diberi index label sebagai lokalisasi elemen wajah.Sifat simetri wajah dapat
berikut : digunakan membantu proses PCA ini. Eigenvector
37%Afrizal Zein%Afrizal Zein%Afrizal Zein%Bpk. masing-masing memiliki nilai yang sama seperti aslinya
Darsono%Bpk. Darsono%Mr. Barak Obama%Mr. Barak gambar itu sendiri dan dapat dipandang sebagai sebuah
gambar.Eigenvector ini merupakan covariance matriks hal itu tidak terpengaruh oleh perubahan dalam
karena itu disebut eigenface. Arah dari eigenvector itu pencahayaan seperti teknik lainnya. Hal ini juga dapat
dimana gambar dalam pelatihan ditetapkan berbeda dari mengidentifikasi wajah dari berbagai sudut pandang,
gambar yang asli. Secara umum ini akan menjadi termasuk tampilan profil. Bahkan teknik pencocokan 3D
langkah komputasi mahal (bila keadaan yang sempurna bisa menjadi sensitif terhadap ekspresi.
memungkinkan), tetapi praktek penerapan eigenface Untuk tujuan itu kami menerapkan perangkat dari metrik
berasal dari kemungkinan untuk menghitung eigenvector geometri untuk mengamatii ekspresi sebagai isometries
yang efisien, tanpa pernah dilakukan komputasi secara
rinci.
Proses Pengenalan
Dalam proses pengenalan wajah ini menggabungkan
antara metode Euclidean distance dan k-nearest
neighbor. K-nearest neighbor disini akan berguna dalam
pembuatan class antara pemilik dan pencuri. Diagram
alur keseluruhan dalam proses pengenalan wajah dapat
dilihat pada gambar.
Swadarma ”. Jurnal Kompleksitas Vol 1 Nomor 9 DINAMIK Volume 16, No.2, Juli 2011 : 139149,
Tahun 2008 ISSN : 08549524.
[7] Maniah (2011), Information Technology (IT) [18] Setiawan EB. 2009. Perancangan Strategis Sistem
MASTER PLAN Badan Geologi Bandung. Informasi IT TELKOM untuk menuju World Class
PROSIDING SEMINAR NASIONAL, ISBN : 978- University. Didalam: Seminar Nasional Aplikasi
979-796-189-3. Teknologi Informasi: Yogyakarta, 20 Juni 2009.
[8] Mario Tulenan Parinsi, Hoga Saragih (2011), [19] Saripudin, Arry Akhmad Arman dan Munir (2010),
Perencanaan strategi IT dalam pengelolaan Universitas Pendidikan Indonesia Tahun 2010, UPI
management IT Universitas,Vol. 10 – No. 19 Jnuari Press.
– April 2011, ISSN 1412-5528. [20] The Open Group, TOGAF Version 9.1, Published in
[9] Indra Silanegara, Bayu Adhi Tama, Diat Nurhidayat U.S. by The Open Goup, 2011
(2011), Perencanaan Strategis Teknologi Informasi [21] I Putu Agus Eka Pratama, Handbook Jaringan
(Studi Kasus: Politeknik Negeri Jakarta, Vol.6 No.1 Komputer Penerbit Informatika, Bandung.
(Januari 2011) [22] [DEPKOMINFO]. Dokumen Pemeringkatan e-
[10] Budi Yuwono, Rein Nusa Triputra, Muhammad Govermnment Indonesia (PeGI), 2007.
Nasri (2009), Iinformation Technologi Plan As An IT [23] The IT Governance Institute (2005), COBIT 4.0 :
Governance Maturity Driver, Journal of Information Control Objectives, Management Guidelines,
Systems, Volume 5, Issues 1, April 2009 Maturity Models, IT Governance Instiutute
[11] Yeni Kustiyahningsih (2013), Perencanaan
Arsitektur Enterprise Menggunakan Metode TOGAF
ADM (Studi Kasus : RSUD Dr.Soegiri Lamongan), Drs. Afrizal Zein,M.Kom lahir di Jakarta,
13 Juli 1965, beralamat di Griya Bukit
Prosiding Seminar Nasional Manajemen Teknologi
Jaya Blok F8/79 Gunung Putri Kab
XVIII Program Studi MMT-ITS, Surabaya 27 Juli Bogor, lulus dari Universitas Pajajaran
2013 Bandung tahun 1990 Jurusan
[12] Rahman Rosyidi, Purwadi (2014), Perancangan Matematika. Lulus S2 di STMIK ERESHA
Pengembangan Arsitektur Sistem Informasi Tahun 2016. Bekerja Sebagai Konsultan
Akademik Dengan Menggunakan TOGAF (Studi IT dan menjadi Dosen di STMIK Eresha,
Kasus : STMIK Amikom Purwokerto) Universitas Pamulang dan Universitas Bhayangkara
Jakarta.
[13] Roni Yunis, Kridanto Surendro (2009). Model
Korespondensi ke zeinafrizal@gmail.com
Enterprise Architekture Untuk Perguruan Tinggi Di
Indonesia, Seminar Nasional Informatika 2009
(semnasIF 2009) ISSN: 1979-2328
[14] Aradea, Husni Mubarok, Gea Aristi (2012),
Perancangan Arsitektur Informasi Untuk
Mendukung Pengembangan Sistem Informasi
Akademik Di Perguruan Tinggi, Jurnal Penelitian
SITROTIKA Volume 8, Nomor 2, Juli 2012
[15] Roni Yunis, Kridanto Surendro, Erwin S. Panjaitan
(2010), Pengembangan Model Arsitektur Enterprise
Untuk Perguruan Tinggi, Volume 8, Nomor 1,
Januari 2010 : 9–18
[16] Kuswardani Mutyarini (2006), Arsitektur Sistem
Informasi Untuk Institusi Perguruan Tinggi Di
Indonesia, Prosiding Konferensi Nasional Teknologi
Informasi & Komunikasi untuk Indonesia 3-4 Mei
2006
[17] Agus Prasetyo Utomo dan Novita Mariana(2011),
Analisis Tata Kelola Teknologi informasi ( It
Governance ) pada Bidang Akademik dengan Cobit
Frame Work Studi Kasus pada Universitas
Stikubank Semarang, Jurnal Teknologi Informasi