Sriwijaya
TUGAS AKHIR
Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1
Manajemen Informatika Politeknik Negeri Sriwijaya
Oleh :
Salsabila
Nim. 061940832132
D4 MANAJEMEN INFORMATIKA
POLITEKNIK NEGERI SRIWIJAYA
TAHUN AKADEMIK 2022/2023
BAB I
PENDAHULUAN
IMPLEMENTASI SISTEM PENDETEKSI WAJAH MANUSIA PADA CITRA
DIGITAL
1.1 Latar Belakang
biometrik yang lain seperti sidik jari dan suara), sistem pencarian danpengindeksan pada
database citra digital dan database video digital, sistemkeamanan kontrol akses area
manusia (face detection) adalah salah satu tahap awal yangsangat penting di dalam proses
membandingkan satu citra wajah masukan dengan suatu database wajah dan menghasilkan
wajah yang paling cocok dengancitra tersebut jika ada. Sedangkan autentikasi wajah (face
pendeteksianwajah namun dengan asumsi hanya ada satu wajah di dalam citra,
penjejakanwajah ( face tracking) untuk memperkirakan lokasi suatu wajah dalam video
secara real time, dan pengenalan ekspresi wajah ( facial expression recognition )untuk
kredit, citra yang didapatkan umumnya hanya berisi satu wajah danmemiliki latar belakang
seragam dan kondisi pencahayaan yang telah diatursebelumnya sehingga deteksi wajah
dapat dilakukan dengan lebih mudah. Namunpada kasus lain sering didapatkan citra yang
berisi lebih dari satu wajah, memilikilatar belakang yang bervariasi, kondisi pencahayaan
yang tidak tentu, dan ukuranwajah yang bervariasi di dalam citra. Contohnya adalah citra
yang diperoleh dibandara, terminal, pintu masuk gedung, dan pusat perbelanjaan. Selain
itu juga pada citra yang didapatkan dari foto di media massa atau hasil rekaman
video.Pada kasus tersebut pada umumnya wajah yang ada di dalam citra memilikibentuk
Masalah deteksi wajah dapat dirumuskan sebagai berikut: dengan masukan berupa
sebuah citra digital sembarang, sistem akan mendeteksi apakah ada wajah manusia di
dalam citra tersebut, dan jika ada maka sistem akan memberitahu berapa wajah yang
ditemukan dan di mana saja lokasi wajah tersebut di dalam citra. Keluaran dari sistem
adalah posisi dari subcitra yang berisi wajah yang berhasil dideteksi.
1.3 Batasan Masalah
Pada sistem deteksi wajah ini diberikan pembatasan masalah sebagai berikut:
Citra masukan yang digunakan adalah hitam putih dengan 256 tingkat
keabuan (grayscale).
(frontal), dalam posisi tegak, dan tidak terhalangi sebagian oleh objek lain.
deteksi wajah dengan masukan berupa citra digital sembarang. Sistem ini akan
Hasil penelitian ini diharapkan dapat digunakan sebagai langkah awal untuk
pada sistem pengenalan wajah atau verifikasi wajah. Program aplikasi yang dibuat
juga dapat dijadikan bahan untuk penelitian lebih lanjut di bidang yang berkaitan.
dimanfaatkan untuk sistem deteksi objek secara umum yang tidak hanya terbatas
pada wajah, misalnya deteksi kendaraan, pejalan kaki, bahan produksi, dan
sebagainya.
Dari hasil penelitian ini juga diharapkan dapat diperoleh pemahaman yang
lebih baik terhadap jaringan syaraf tiruan, dan pengaruh berbagai parameter yang
TINJAUAN PUSTAKA
Sistem terdiri dari beberapa subsistem yang saling berkaitan, mulaidari subsistem
berinteraksi satu sama lain. Setiap subsistem memiliki tujuan yang berbeda-beda.
Namun,tujuan tersebut memiliki sasaran yang sama, dan masing-masing subsistem juga
terdapat peran yang berbeda, namun, peran tersebut difungsikan dalam struktur yang
sama. Suatu organisasi maupun lembaga dalam kegiatannya selalu berhubungan dengan
system. Dengan adanya system tersebut, suatu organisasi maupun lembaga dapat berjalan
dengan baik. Menurut Anatol Raporot sistem adalah suatu kumpulan kesatuan dan
perangkat hubungan satu sama lain.1 Sistem menghubungkan segala bagian yang ada di
membutuhkan satu sama lainnya. Tujuannya agar semua kegiatan maupun pekerjaan
yang dilakukan berjalan efektif demi pencapaian tujuan tertentu dari sebuah organisasi
maupun lembaga.
Secara harfiah, citra (image) adalah gambar pada bidang dwimatra (dua dimensi).
Ditinjau dari sudut pandang matematis, citra merupakan fungsi menerus (continue) dari
intesitas cahaya pada bidang dwimatra. Sumber cahaya menerangi objek, objek
memantulkan kembali sebagian dari berkas cahaya tersebut. Pantulan cahaya ini
ditangkap oleh alat-alat optic, seperti mata pada manusia, kamera, pemindai (scanner),
dan lain-lain sehingga bayangan objek dalam bentuk citra dapat terekam. Citra dapat
dikelompokkan menjadi dua bagian yaitu citra diam (still images) dan citra bergerak
(moving images). Citra diam adalah citra tunggal yang tidak bergerak. Sedang citra
bergerak adalah rangkaian citra diam yang ditampilkan secara beruntun (sekuensial),
sehingga memberi kesan pada mata sebagai gambar yang bergerak. Setiap citra didalam
rangkaian itu disebut frame. Gambar-gambar yang tampak pada film layar lebar atau
Citra digital adalah sebuah fungsi 2D, f(x,y), yang merupakan fungsi intensitas
cahaya, dimana nilai x dan y merupakan koordinat spasial dan nilai fungsi di setiap titik
(x,y) merupakan tingkat keabuan citra pada titik tersebut.Citra digital dinyatakan dengan
sebuah matriks dimana baris dan kolomnya menyatakan suatu titik pada citra tersebut dan
elemen matriksnya (yang disebut sebagai elemen gambar atau piksel) menyatakan tingkat
M = jumlah kolom 0 = x = M – 1
Dimana indeks baris (x) dan indeks kolom (y) menyatakan suatu koordinat titik pada
citra, sedangkan f(x,y) merupakan intensitas (derajat keabuan) pada titik (x,y).
Berdasarkan jenisnya, citra digital dapat dibagi menjadi tiga , yaitu:
Memiliki 2 buah warna, yaitu hitam dan putih. Warna hitam bernilai 1 dan warna putih
bernilai 0 Untuk menyimpan kedua warna ini dibutuhkan 1 bit di memori. Contoh dari
Citra grayscale mempunyai kemungkinan warna hitam untuk nilai minimal dan
warna putih untuk nilai maksimal. Banyaknya warna tergantung pada jumlah bit yang
jumlah bit warna yang disediakan di memori, maka semakin halus gradasi warna yang
terbentuk.
3. Citra Warna (true color)
Setiap piksel pada citra warna mewakili warna yang merupakan kombinasi
tiga warna dasar, yaitu merah, hijau, dan biru (RGB = Red, Green, Blue). Setiap
warna), jadi satu piksel pada citra warna diwakili oleh 3 byte.
dengan inputan berupa citra (image) dan keluaran yang juga berupa citra atau
dapat juga bagian dari citra tersebut. Tujuan dari pemrosesan ini adalah
memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau mesin
enhancement).
2. Restorasi citra (image restoration), contohnya penghilangan kesamaran
(deblurring).
Proses deteksi wajah merupakan bagian yang penting. Sistem harus mendeteksi
keberadaan wajah pada citra dengan berbagai variasi pose, pencahayaan, ekspresi wajah,
penghalang (kaca mata, kumis dan jenggot) serta ukuran. Pengolahan citra berfungsi untuk
menonjolkan ciri tertentu serta mengurangi derau sehingga citra siap digunakan untuk
keperluan analisis. Pengolahan citra yang dilakukan meliputi deteksi kulit, normalisasi
hubungan antara fitur wajah. Algoritma pencarian akan mencari wajah yang dimaksud
dengan aturan ini. Pengetahuan manusia sulit diubah ke dalam bentuk aturan secara
umum. Dalam hal citra wajah akan sulit menjelaskan sebuah wajah berdasar pengetahuan
yang dimiliki. Jika wajah dideskripsikan secara detail maka akan dihasilkan aturan dalam
jumlah yang sangat besar, sedangkan aturan yang sedikit tidak mampu menjelaskan
wajah secara tepat. Adanya variasi pose akan mengurangi performa deteksi wajah jenis .
- Metode Template Matching
standar suatu wajah ini mampu menggambarkan sebuah wajah utuh atau fitur wajah.
Korelasi diantara citra masukan dan pola yang tersimpan kemudian dibandingkan untuk
melokalisasi wajah. Keuntungan model ini yaitu pendekatan yang sederhana namun
membutuhkan memori yang besar dan tidak efektif. Metode ini tidak dapat mengatasi
Metode ini pertama kali bertujuan untuk menemukan fitur invarian dari wajah.
Sejumlah metode digunakan yang berdasar pada fitur wajah, tekstur dan warna kulit.
Beberapa fitur yang sering digunakan antara lain mata, lubang hidung, mulut, jarak
hidung dan bibir yang diperhitungkan untuk membentuk sebuah wajah. Metode ini
unggul dalam hal rotasi dan skala. Memori yang digunakan lebih sedikit dan
prosesnya lebih cepat dibandingkan metode template matching. Metode ini tidak berhasil
dalam mengatasi perbedaan pose dan pencahayaan. Adanya penghalang seperti kaca mata
Metode ini banyak dipergunakan akhir- akhir ini karena tingkat akurasi dan
efisiensi yang tinggi. Metode menggunakan analisis statistik untuk memperoleh fitur
dari wajah yang relevan. Fitur ini terdiri dari informasi geometrik maupun informasi
tentang citra itu. Informasi dari citra ini kemudian direpresentasikan dengan metode
tertentu (misalnya PCA, transformasi wavelet, dll) yang kemudian digunakan untuk
pelatihan dan klasifikasi indentitas citra. Metode ini menggunakan pemilah (classifier)
untuk membedakan wajah dan bukan wajah misalkan jaringan syaraf tiruan, SVM
Deteksi wajah menjadi bagian penting dalam berbagai macam masalah yang
menyangkut analisis wajah manusia. Deteksi wajah menjadi awal dan bagian terpenting
dari berbagai macam proses pengolahan fitur yang terdapat pada wajah, di antaranya face
gender/age recognition, dan masih banyak lagi (Kumar et al.,2019). Hal tersebut
menyebabkan teknologi deteksi wajah banyak dipelajari dan didalami agar pada akhirnya
bisa digunakan dalam berbagai macam hal dan bidang dalam kehidupan sehari-hari.
Selain itu para peneliti juga mencoba untuk menemukan metode baru ataupun
meningkatkan performa dari deteksi wajah yang sudah ada untuk mendapatkan kualitas
dan hasil yang terbaik. Dalam proses deteksi wajah, terdapat berbagai macam gangguan
yang dapat mengurangi tingkat akurasi dari deteksi wajah. Gangguan-gangguan tersebut
muncul dari berbagai faktor dan aspek. Beberapa di antaranya adalah illuminations atau
pencahayaan dari gambar, banyaknya wajah pada gambar, ekspresi wajah manusia yang
beragam, resolusi yang rendah, jarak wajah yang jauh pada gambar, arah wajah
menghadap, dan masih banyak lagi (Kumar et al., 2019). Hal-hal tersebut menjadi
tantangan tersendiri dalam proses pendeteksian wajah pada suatu gambar. Karena setiap
gangguan yang ada dapat mengurangi hasil deteksi yang didapat oleh pendeteksi wajah
seperti berkurangnya akurasi hasil dari pendeteksian wajah, tidak terdeteksinya wajah yang
ada pada gambar, bila terdapat banyak wajah maka tidak semua wajah dapat terdeteksi,
terdeteksinya objek selain wajah pada gambar, dan lain sebagainya. Maka dari itu para
peneliti banyak melakukan peningkatan performa dari pendeteksi wajah agar bisa
mengatasi tantangantantangan yang ada dalam mendeteksi wajah (Sun et al., 2018).
Pada dasarnya pengenalan wajah membutuhkan memori yang banyak dan perhitungan
yang kompleks. Reduksi komponen atau fitur wajah dilakukan untuk mengurangi memori
yang dibutuhkan dan waktu komputasi. Ada dua cara yang digunakan yaitu pemilihan fitur
(feature selecion ) dan ekstraksi fitur (feature extraction ). Pemilihan fitur bertujuan untuk
memilih sejumlah fitur yang banyak berpengaruh dari fitur yang ada. Sedangkan ekstraksi
fitur didapat dengan memproyeksikan fitur ke dalam dimensi yang lebih rendah. Fitur
adalah segala jenis aspek pembeda, kualitas atau karakteristik. Fitur bisa berupa simbolik
(misal warna) atau numerik (misal intensitas). Kombinasi dari d buah fitur dinyatakan
sebagai vektor kolom dimensi-d disebut vektor fitur. Kualitas vektor fitur dilihat dari
kemampuanya membedakan objek yang berasal dari kelas yang berbeda- beda. Objek
dalam kelas yang sama harus memiliki nilai vektor fitur yang sama dan objek yang
berada dalam kelas yang berbeda harus memiliki nilai vektor fitur yang berlainan pula .
Terkadang fitur dari suatu citra tidak berhubungan langsung dengan bagian-bagian yang
terdapat pada citra tersebut, tetapi masih mencerminkan karakteristik tertentu dari citra,
Fitur wajah merupakan hasil suatu algoritma ekstraksi terhadap citra wajah. Ekstraksi fitur
kebutuhan data)
5. menghasilkan representasi dalam dimensi yang lebih kecil dengan sedikit informasi
yang hilang.
kepraktisannya karena memerlukan kartu atau foto untuk identifikasi. Masalah utamanya
adalah sebuah image yang mewakili sebuah gambar yang terdiri dari vektor yang
berukuran relatif besar. Ada banyak teknik untuk mereduksi dimensi dari image yang akan
PCA mencari eigenface yang merupakan kumpulan dari vector eigen. Eigenface adalah
principal component (ciri-ciri penting) dari distribusi citra wajah yang didapatkan dari
kovarian dari kumpulan citra wajah latih. Eigenface tersebut akan menjadi dasar
perhitungan jarak wajah yang merepresentasikan nilai bobot invidu yang mewakili satu
atau lebih citra wajah. Nilai bobot inilah yang digunakan untuk mengenali citra wajah uji
dengan mencari jarak nilai bobot citra wajah uji dengan nilai bobot citra wajah latih.
Perhitungan jarak nilai bobot dilakukan dengan perhitungan jarak Euclidian (Euclidian
dua algoritma yaitu Eigenface dan Fisherface. Penelitian ini difokuskan pada apakah
perubahan pose wajah 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.
2.7 Internet
Istilah internet berasal dari bahasa latin yaitu inter. Yang berarti “antara”. Secara
kata perkata internet berarti jaringan antar atau penghubung. Memang itulah fungsinya,
internet menghubungkan berbagai jaringan yang tidak saling bergantung pada satu
sama lain sedemikian rupa, sehingga mereka dapat berkomunikasi. Sistem apa yang
digunakan pada masing-masing jaringan tidak menjadi masalah, apakah sistem DOS
2.8 Online
Dengan internet kita dapat menerima dan mengakses informasi dalam berbagai
format dari seluruh penjuru dunia. Kehadiran internet juga dapat memberikan
kemudahan dalam pendidikan, hal ini terlihat dengan begitu banyaknya situs web yang
dipelajari.
World Wide Web atau biasa disebut Web sebetulnya merupakan suatu kumpulan
informasi pada beberapa server computer yang terhubung satu sama lain dalam
kerja Web mencakup dua hal penting yaitu Software Web Browser dan Software Web
Server. Kedua Software ini bekerja seperti sebuah sistem client-server. Web browser
bertindak sebagai client memungkinkan untuk melihat dan meminta informasi pada
Web, sedang Web Server bertindak sebagai Server memungkinkan untuk menerima
informasi yang diminta oleh browser. Jika suatu permintaan akan suatu informasi
datang, Web server mencari file yang diminta tersebut dan kemudian mengirimkan ke
1. HTML (Hyper Text Markup Language) atau XHTML (eXtended HTML). Standar ini
hypertext yang dikeluarkan oleh W3C (World Wide Web Consortium) yang dikepalai
Standar ini adalah standar stylesheets yang dikeluarkan oleh W3C untuk mengatur
Standar ini adalah sebuah sistem umum yang digunakan untuk mengakses suatu
sumber di internet, baik berupa dokumen hypertext, gambar, atau sumber lainnya.
Aplikasi aplikasi adalah ketika pada saat kita browsing di internet tentunya anda sering
menjumpai sebuah website dimana pengunjung dapat mengirimkan sebuah file baik itu
Terdapat beberapa teori yang mendefinisikan aplikasi seperti yang di kemukanan oleh
1. aplikasi adalah satu unit perangkat lunak yang dibuat untuk melayani kebutuhan
2. aplikasi adalah perangkat intruksi khusus dalam komputer yang di rancang agar
3. aplikasi merupakan sebuah program yang dibuat dalam sebuah perangkat lunak
METODOLOGI PENELITIAN
yang terdiri dari citra wajah 6 individu dengan variasi pose. Citra ini berukuran 180 x
200 pixel berektensi .jpg dan dilakukan konversi citra dari format RGB menjadi
grayscale. Sedangkan untuk database testing setiap sampel berisi 30 citra wajah yang
terdiri dari 6 individu. Kondisi citra wajah yang digunakan dari sudut pose, ekspresi
dan pencahayaan masing-masing berbeda. Oleh karena itu, pada saat pelatihan
dilakukan penyamaan intesitas warna agar setiap citra mempunyai kondisi yang sama.
Dalam pengenalan wajah dengan metode PCA ada tiga tahapan utama
yaitu deteksi, ekstraksi dan pengenalan wajah. Proses pengenalan merupakan tahap
yang paling penting dari sistem pengenalan wajah ini karena dari sinilah kita dapat
mengetahui tingkat keakuratan sistem. Pengujian metode PCA ini dilakukan dengan
cara memberikan wajah uji yang variasi posenya berbeda dari data training. Berikut ini
dilakukan dari semua individu yang ada pada data testing. Citra uji diubah warnanya
dari citra RGB menjadi citra grayscale untuk mempercepat dan memudahkan proses
selanjutnya. Setelah citra sudah berada pada tingkat keabuan tertentu, citra uji akan
dideteksi bagian wajahnya saja. Gambar 8. dibawah ini adalah proses pengujian dari
Langkah awal untuk memulai pengujian adalah dengan menjalankan program Matlab
R2009a. Pastikan bahwa current directory yang terdapat di Matlab sesuai dengan peletakan
M-file akan memproses citra uji yang di masukan dari database testing
dengan metode PCA. Sebelumnya akan dilakukan pelatihan pada database training.
Prosesnya yaitu dengan cara menyamakan intesitas cahaya dari data training agar
kondisi dari citra pelatihan sama dan kemudian mengkonversinya menjadi citra
grayscale. Hal ini berguna untuk mendapatkan ekstrasi fitur wajah dengan
candidate face region dimana nantinya hanya skin region yang didapatkan. Intinya
adalah melakukan pengambilan skin region dari wajah sehingga proses pengenalan
berhasil mendeteksi skin wajah untuk seluruh data training dan data testing. Hasil
ekstraksi skin wajah direpresentasikan dalam bentuk matriks- matriks wajah. Dalam
kumpulan citra wajah latih. Eigenface tersebut akan menjadi dasar perhitungan jarak
wajah yang merepresentasikan nilai bobot invidu yang mewakili satu atau lebih citra
wajah. Nilai bobot inilah yang digunakan untuk mengenali citra wajah uji dengan
mencari jarak nilai bobot citra wajah uji dengan nilai bobot citra wajah training.
(Euclidian Distance). Jarak nilai bobot yang terkecil merupakan representasi dari citra
Pada penelitian ini penulis akan menguji coba pengenalan wajah dengan
varian jumlah database training yang berbeda untuk mengetahui tingkat akurasi,
waktu komputasi dan kesalahan yang terjadi pada saat melakukan pengenalan wajah.
Database terdiri dari 18 citra dengan komposisi 6 individu dan masing- masing
mempunyai 3 varian pose. Varian ini terdiri dari perbedaan wajah (jenis kelamin,
rambut, dan warna kulit), perbedaan pose, perbedaan ekspresi sederhana dan salah
satu database citra terdapat halangan seperti kacamata. Keragaman database ini
Pengamatan (detik)
TI-1 B 4.7442
TI-2 B 4.7877
TI-3 B 5.0614
TI-4 B 4.7224
TI-5 B 4.7381
Rata-rata 4.9663
Waktu rata-rata yang dibutuhkan untuk melakukan pengenalan wajah dengan 1 citra
Akurasi =
Error =
berhasil. Sekitar 24 dari 30 data uji wajah berhasil dikenali dan sisanya 6 data wajah
tidak dapat dikenali. Sedangkan untuk waktu komputasinya dari penggunaan jumlah
data training yang berbeda menunjukan bahwa semakin banyak jumlah di database
deteksi dan sistem pengenalan sebesar 80% dari 30 data citra uji. Tingkat akurasi
mempengaruhi waktu komputasi. Semakin besar database maka akan semakin lama
PCA melakukan pengenalan. Kualitas pengenalan wajah PCA dipengaruhi oleh kondisi
dari citra itu sendiri. Pecahayaan yang terlalu tinggi, perubahan pose wajah, dan
perubahan latar dapat mempengaruhi kualitas pengenalan wajah. Jika citra yang
digunakan sebagai training set maupun sebagai citra uji memiliki intensitas cahaya yang
berbeda dan tidak berada pada posisi yang sama dengan citra training set maka proses
tersebut belum tentu dapat memberikan hasil yang akurat. Perlunya peningkatan kinerja
sistem terutama dalam bagian pengolahan citra. Bagian pengolahan citra memerlukan
waktu yang paling lama dibanding proses yang lain.Namun hal itu jangan sampai
mengurangi kinerja pengolahan citra terutama untuk menyesuaikan citra masukan agar