Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

com
PENELITIAN (Naskah Penelitian) Akses terbuka

Komputasi Manusia dan Ilmu Informasi (2022) 12:11 DOI:

https://doi.org/10.22967/HCIS.2022.12.011
Diterima: 9 September 2021; Diterima: 16 Januari 2022; Diterbitkan: 15 Maret 2022

Deteksi Wajah Menggunakan Haar Cascade Classifier Berdasarkan

Kalibrasi Komponen Vertikal
Cheol-Ho Choi1, Junghwan Kim1, Jongkil Hyun1, Younghyeon Kim1, dan Byungin Moon1,2,*

Abstrak
Signifikansi yang berkembang dari bidang keamanan dan manajemen manusia menarik penelitian aktif terkait dengan deteksi wajah dan sistem pengenalan. Di antara teknik deteksi wajah berdasarkan pembelajaran mesin ini,

pengklasifikasi kaskade Haar banyak digunakan karena akurasinya yang tinggi untuk wajah frontal manusia. Namun, pengklasifikasi kaskade Haar memiliki batasan waktu pemrosesan yang meningkat seiring dengan meningkatnya jumlah

positif palsu karena pengklasifikasi ini mendeteksi wajah manusia berdasarkan operasi sub-jendela. Oleh karena itu, dalam makalah ini, metode preprocessing berdasarkan transformasi wavelet diskrit Haar 2D diusulkan untuk deteksi wajah.

Metode yang diusulkan meningkatkan kecepatan pemrosesan dengan mengurangi jumlah positif palsu melalui proses kalibrasi komponen vertikal menggunakan komponen vertikal dan horizontal. Hasil percobaan deteksi wajah yang

menggunakan kumpulan data uji publik yang terdiri dari 2.845 gambar menunjukkan bahwa metode yang diusulkan meningkatkan kecepatan pemrosesan sebesar 32,05% dan mengurangi jumlah positif palsu sebesar 25,46%, dibandingkan

dengan pemerataan histogram yang menunjukkan kasus kinerja terbaik di antara metode pra-pemrosesan berbasis filter konvensional. Selain itu, kinerja metode yang diusulkan serupa dengan metode berbasis kontraksi gambar

konvensional. Dalam percobaan menggunakan kumpulan data pribadi, metode yang diusulkan menunjukkan pengurangan 53,85% dalam jumlah total positif palsu dibandingkan dengan filter Gaussian sambil mempertahankan jumlah total

positif sejati. Itu 05% dan mengurangi jumlah positif palsu sebesar 25,46%, dibandingkan dengan pemerataan histogram yang menunjukkan kasus kinerja terbaik di antara metode pra-pemrosesan berbasis filter konvensional. Selain itu,

kinerja metode yang diusulkan serupa dengan metode berbasis kontraksi gambar konvensional. Dalam percobaan menggunakan kumpulan data pribadi, metode yang diusulkan menunjukkan pengurangan 53,85% dalam jumlah total positif

palsu dibandingkan dengan filter Gaussian sambil mempertahankan jumlah total positif sejati. Itu 05% dan mengurangi jumlah positif palsu sebesar 25,46%, dibandingkan dengan pemerataan histogram yang menunjukkan kasus kinerja

terbaik di antara metode pra-pemrosesan berbasis filter konvensional. Selain itu, kinerja metode yang diusulkan serupa dengan metode berbasis kontraksi gambar konvensional. Dalam percobaan menggunakan kumpulan data pribadi,

metode yang diusulkan menunjukkan pengurangan 53,85% dalam jumlah total positif palsu dibandingkan dengan filter Gaussian sambil mempertahankan jumlah total positif sejati. Itu Dalam percobaan menggunakan dataset pribadi,

metode yang diusulkan menunjukkan pengurangan 53,85% dalam jumlah positif palsu dibandingkan dengan filter Gaussian sambil mempertahankan jumlah total positif sejati. Itu Dalam percobaan menggunakan dataset pribadi, metode

yang diusulkan menunjukkan pengurangan 53,85% dalam jumlah positif palsu dibandingkan dengan filter Gaussian sambil mempertahankan jumlah total positif sejati. ItuF1skor metode yang diusulkan menunjukkan peningkatan 1,39%

dibandingkan dengan Lanczos-3 yang menunjukkan kasus kinerja terbaik.

Kata kunci
Transformasi Haar Wavelet 2D, Pengklasifikasi Kaskade Haar, Deteksi Wajah, Kalibrasi Komponen Vertikal

1. Perkenalan
Seiring kemajuan teknologi prosesor dan chip, berbagai teknologi visi komputer untuk komputasi yang
berpusat pada manusia telah menarik banyak perhatian penelitian. Teknologi ini sedang diperkenalkan di
berbagai bidang seperti Internet of Things (IoT), keamanan, dan autonomous driving [1–4]. Di antara
teknologi visi komputer, teknik deteksi dan pengenalan wajah sedang dipelajari secara aktif karena dapat
memberikan kemudahan kepada pengguna di berbagai domain, seperti keamanan berbasis lingkungan
IoT, manajemen, dan komunikasi interpersonal [5–7]. Selain itu, karena virus corona

※Ini adalah artikel Akses Terbuka yang didistribusikan di bawah ketentuan Lisensi Non-Komersial Atribusi Creative Commons (http://creativecommons.org/licenses/by-nc/3.0/) yang mengizinkan
penggunaan, distribusi, dan reproduksi non-komersial tanpa batas dalam media apa pun, asalkan karya asli dikutip dengan benar.
* Penulis yang sesuai:Byungin Moon ( bihmoon@knu.ac.kr )
1Sekolah Pascasarjana Teknik Elektro dan Elektronik, Universitas Nasional Kyungpook, Daegu, Korea

2Sekolah Teknik Elektronika, Universitas Nasional Kyungpook, Daegu, Korea

Halaman 2 / 17 Deteksi Wajah Menggunakan Haar Cascade Classifier Berdasarkan Kalibrasi Komponen Vertikal
penyakit 2019 (COVID-19), permintaan meningkat untuk peralatan deteksi non-kontak dan
teknologi untuk deteksi biometrik, seperti suhu tubuh dan deteksi wajah [8, 9].
Teknik deteksi wajah dapat didasarkan pada pembelajaran mesin atau pembelajaran mendalam [10].
Deteksi wajah berbasis pembelajaran mendalam umumnya didasarkan pada jaringan saraf [11, 12]. Zhu
dkk. [13] mengusulkan metode deteksi wajah menggunakan jaringan saraf convolutional (CNN) yang
memanfaatkan deteksi wajah tanpa kepala satu tahap untuk mengatasi keterbatasan daya komputasi
dan penyimpanan. Guo dkk. [14] mengusulkan deteksi wajah menggunakan CNN untuk meningkatkan
kecepatan pemrosesan. Meskipun studi ini telah dilakukan untuk meningkatkan kecepatan pemrosesan
pembelajaran mendalam, banyak proses komputasi di lapisan arsitektur jaringan memerlukan waktu
pemrosesan yang besar untuk menghitung hasilnya [15]. Oleh karena itu, dalam kasus seperti itu,
pemrosesan real-time hanya dapat dilakukan jika prosesor performa tinggi dan unit pemrosesan grafis
(GPU) digunakan. Untuk alasan-alasan ini,
Dalam pembelajaran mesin, yang merupakan metode klasik di bidang kecerdasan buatan, arsitektur pengklasifikasi kaskade biasanya digunakan. Metode ini tidak memerlukan prosesor atau GPU berkinerja

tinggi karena jumlah perhitungannya lebih kecil daripada metode berbasis pembelajaran umum yang mendalam. Namun, akurasi tinggi atau kecepatan pemrosesan yang cepat tidak dapat dijamin. Untuk alasan

ini, banyak penelitian sedang dilakukan pada pengklasifikasi kaskade Haar berbasis penguat adaptif (AdaBoost), yang diusulkan oleh Viola dan Jones [16, 17]. Pengklasifikasi kaskade Haar memiliki keunggulan

tingkat deteksi yang tinggi untuk wajah frontal manusia dan peningkatan dalam kecepatan pemrosesan [10, 18]. Wu dkk. [19] mengusulkan jarak Euclidean untuk meningkatkan akurasi deteksi. Ketika jarak

Euclidean, yang dihitung dengan membandingkan fitur wajah yang terdeteksi dengan fitur wajah yang dilatih, lebih rendah dari nilai ambang batas, diklasifikasikan sebagai wajah frontal manusia. Namun,

terdapat kekurangan yaitu waktu proses yang dibutuhkan untuk menghitung jarak Euclid bertambah karena membutuhkan operasi akar kuadrat. Rishikeshan dkk. [20] mengusulkan pengolahan citra morfologi

untuk meningkatkan akurasi deteksi. Namun, memiliki kelemahan kecepatan pemrosesan yang lambat karena metode yang diusulkan mencakup langkah perbandingan untuk memeriksa kecerahan,

pemerataan histogram (HE), dan pemrosesan morfologi sebelum citra dimasukkan ke dalam pengklasifikasi kaskade Haar. Meskipun studi terbaru telah meningkatkan akurasi, peningkatan waktu pemrosesan

masih menghambat operasi waktu nyata. lebih rendah dari nilai ambang batas, itu diklasifikasikan sebagai wajah frontal manusia. Namun, terdapat kekurangan yaitu waktu proses yang dibutuhkan untuk

menghitung jarak Euclid bertambah karena membutuhkan operasi akar kuadrat. Rishikeshan dkk. [20] mengusulkan pengolahan citra morfologi untuk meningkatkan akurasi deteksi. Namun, memiliki

kelemahan kecepatan pemrosesan yang lambat karena metode yang diusulkan mencakup langkah perbandingan untuk memeriksa kecerahan, pemerataan histogram (HE), dan pemrosesan morfologi sebelum

citra dimasukkan ke dalam pengklasifikasi kaskade Haar. Meskipun studi terbaru telah meningkatkan akurasi, peningkatan waktu pemrosesan masih menghambat operasi waktu nyata. lebih rendah dari nilai

ambang batas, itu diklasifikasikan sebagai wajah frontal manusia. Namun, terdapat kekurangan yaitu waktu proses yang dibutuhkan untuk menghitung jarak Euclid bertambah karena membutuhkan operasi

akar kuadrat. Rishikeshan dkk. [20] mengusulkan pengolahan citra morfologi untuk meningkatkan akurasi deteksi. Namun, memiliki kelemahan kecepatan pemrosesan yang lambat karena metode yang

diusulkan mencakup langkah perbandingan untuk memeriksa kecerahan, pemerataan histogram (HE), dan pemrosesan morfologi sebelum citra dimasukkan ke dalam pengklasifikasi kaskade Haar. Meskipun

studi terbaru telah meningkatkan akurasi, peningkatan waktu pemrosesan masih menghambat operasi waktu nyata. terdapat kekurangan yaitu waktu proses yang dibutuhkan untuk menghitung jarak Euclid bertambah karena membutuhk

Untuk meningkatkan kecepatan pemrosesan sambil mempertahankan akurasi deteksi, penelitian ini
mengusulkan kalibrasi komponen vertikal, yang mempertahankan informasi tepi yang sesuai untuk deteksi
wajah, berdasarkan transformasi wavelet diskrit Haar 2D. Metode yang diusulkan dapat mengurangi jumlah
positif palsu yang mengkalibrasi koefisien detail vertikal dan horizontal yang dikalibrasi nol dari koefisien detail
aproksimasi. Jumlah positif palsu berkurang karena, jika koefisien vertikal wajah frontal non-manusia berkurang,
nilai referensi fitur yang dilatih tidak dapat dipenuhi dengan probabilitas tinggi. Di sisi lain, wajah frontal
manusia memiliki sedikit pengaruh pada tingkat positif sebenarnya karena komponen vertikalnya lebih sedikit
daripada komponen horizontalnya. Pengurangan positif palsu meningkatkan kecepatan pemrosesan karena
operasi yang tidak perlu dikurangi dalam pengklasifikasi kaskade Haar. Selain itu, kecepatan pemrosesan
ditingkatkan karena ukuran gambar input juga dikurangi dengan transformasi wavelet diskrit 2D Haar.

Sisa dari makalah ini disusun sebagai berikut. Bagian 2 menjelaskan pengklasifikasi kaskade Haar dan
transformasi wavelet diskrit 2D Haar. Metode yang diusulkan dijelaskan dalam Bagian 3, dan hasil percobaan
menggunakan dataset deteksi wajah dan benchmark (FDDB) [21], yang merupakan kumpulan data publik, dan
kumpulan data uji pribadi ditunjukkan pada Bagian 4. Akhirnya, dalam Bagian 5 dan 6, hasil penelitian dibahas
dan kesimpulan masing-masing dinyatakan.

2. Latar Belakang

2.1 Pengklasifikasi Kaskade Haar

Komputasi Manusia dan Ilmu Informasi Halaman 3 / 17

Pengklasifikasi kaskade Haar, yang menggunakan fitur mirip Haar, diusulkan oleh Viola dan Jones [16,
17]. Metode ini banyak digunakan untuk deteksi objek karena strukturnya yang sederhana, tingkat
deteksi yang tinggi, dan kecepatan deteksi yang cepat; khususnya, ini menunjukkan kinerja yang sangat
baik dalam deteksi wajah frontal manusia. Fitur Haar-like menghitung nilai fitur area melalui perbedaan
nilai kecerahan. Fitur Haarlike mengklasifikasikan berbagai fitur yang ada pada objek dengan posisi,
ukuran, dan bentuk yang berbeda. Gambar 1 menyajikan contoh bentuk dua persegi panjang dan tiga
persegi panjang dari fitur mirip Haar yang digunakan dalam pengklasifikasi kaskade Haar. Saat
menggunakan fitur seperti Haar ini, dimungkinkan untuk mendeteksi objek tertentu dalam sebuah
gambar. Wajah frontal manusia memiliki ciri-ciri yang dapat digunakan untuk klasifikasi (misalnya mata,
hidung, dan mulut).

Gambar 1.Contoh bentuk dua persegi panjang dan tiga persegi panjang dari ciri mirip Haar.

Komputasi nilai fitur menggunakan Haar-like feature dihitung dengan cara menghitung selisih
penjumlahan nilai brightness untuk daerah gelap dan terang pada suatu daerah tertentu. Untuk
mendapatkan jumlah nilai kecerahan, piksel sebanyak mungkin di area tertentu dari gambar asli harus
dipertimbangkan, dan sejumlah besar waktu digunakan dalam perhitungan. Masalah ini terjadi karena
perhitungan didasarkan pada operasi sub-jendela. Untuk mengatasi masalah tersebut, perlu dilakukan
konversi dari citra asli ke citra integral sebelum menghitung nilai fitur. Gambar integral dihasilkan
dengan mengumpulkan nilai piksel dari gambar asli pada arah kanan bawah. Metode gambar integral
dinyatakan secara matematis sebagai berikut:

( 1, 1) = ∑ ∑ ( , ) (1)
<1 <1

Di mana ( 1, 1)adalah gambar integral, dan ( , )adalah gambar input asli. Jumlah kecerahan di area
tertentu menggunakan gambar integral diperoleh melalui persamaan berikut:

= − − + (2)

Di mana adalah jumlah piksel, adalah nilai kanan bawah, adalah nilai atas kanan, adalah nilai kiri bawah, dan
adalah nilai atas kiri dari area pada gambar integral. Saat menggunakan dua persegi panjang
Fitur Haar-like, nilai fitur suatu area tertentu dapat dihitung dengan menggunakan enam koordinat integral citra
[22, 23].
Dalam pengklasifikasi kaskade Haar, hasil klasifikasi ditentukan dengan membandingkan nilai fitur dengan
nilai objek yang dilatih. Pengklasifikasi kaskade Haar terdiri dari pengklasifikasi kuat dan pengklasifikasi lemah.
Pengklasifikasi yang kuat adalah sekelompok pengklasifikasi yang lemah, umumnya disebut Haar-like features
[24]. Pengklasifikasi kuat yang berada di salah satu tahapan klasifikasi, mengumpulkan hasil perbandingan dari
pengklasifikasi lemah yang termasuk dalam kelompok dan menghitung hasil klasifikasi dari tahapan yang
relevan. Selanjutnya, pindah ke tahap berikutnya ketika hasil klasifikasi pada tahap saat ini menentukan bahwa
objek yang benar telah diidentifikasi. Ditentukan bahwa sub-jendela adalah objek yang akan dideteksi
Halaman 4 / 17 Deteksi Wajah Menggunakan Haar Cascade Classifier Berdasarkan Kalibrasi Komponen Vertikal
hanya ketika melewati semua tahap pengklasifikasi yang kuat. Jika setiap tahap classifier kuat gagal
untuk lulus, sub-window ditentukan bukan area objek yang diinginkan, dan operasi untuk sub-window
segera dihentikan. Kemudian pindah ke koordinat berikutnya dan memulai operasi deteksi lagi.
Umumnya, fitur seperti Haar untuk klasifikasi dilatih untuk jendela yang memiliki ukuran tetap. Ini disebut
sub-jendela, dan sebagian besar menggunakan ukuran 20×20 atau 24×24. Operasi pendeteksian dilakukan
dengan memindahkan piksel sub-jendela demi piksel pada gambar asli untuk operasi pendeteksian wajah.
Dalam operasi subjendela, sulit untuk mendeteksi semua wajah frontal manusia karena ukuran subjendela
tetap. Dengan kata lain, jika ukuran sub-jendela atau gambar tidak diubah, hanya wajah dengan ukuran tertentu
yang dapat dideteksi. Untuk mendeteksi wajah dengan berbagai ukuran, digunakan metode piramida citra
untuk memperkecil ukuran citra masukan sehingga sub-window dapat mendeteksi wajah frontal manusia. Jika
beberapa gambar yang diperkecil dihasilkan menggunakan metode piramida gambar dan kemudian operasi
deteksi dilakukan pada masing-masingnya,

2.2 Transformasi Wavelet Diskrit

Transformasi wavelet diskrit 2D, yang digunakan untuk pemrosesan gambar, diperluas dari persamaan
transformasi wavelet diskrit 1D yang digunakan dalam analisis gempa [25], elektrokardiogram (EKG) [26], dan
deteksi tanda vital manusia [27]. Persamaan transformasi wavelet diskrit 1D dinyatakan secara matematis
sebagai berikut [28]:

[]= ∑ [ ] ∙ [2 − ] (3)
=−∞
∞

ℎ ℎ[ ]= ∑ [ ] ∙ ℎ[2 − ] (4)
=−∞

Di mana [2 − ]adalah fungsi penskalaan, yang merupakan filter low-pass, danℎ[2 − ]adalah fungsi wavelet,
yang merupakan filter high-pass. Fungsi penskalaan dan wavelet menggunakan bentuk yang telah ditentukan
secara matematis sesuai dengan jenis keluarga wavelet [29]. Gambar 2 menunjukkan perhitungan koefisien
aproksimasi dan detail menggunakan Persamaan (3) dan (4). Pada setiap tingkat transformasi, koefisien
aproksimasi (cA) adalah komponen frekuensi rendah, dan koefisien detail (cD) adalah komponen frekuensi tinggi
dari sinyal input [ ].Hasil aproksimasi dan koefisien detail diambil sampelnya setengah turun karena setiap
fungsi transformasi bergeser oleh2 − untuk perhitungan.

Gambar 2.Proses komputasi aproksimasi dan koefisien detail menggunakan transformasi wavelet diskrit 1D.

Transformasi wavelet diskrit 2D menggunakan konsep transformasi wavelet diskrit 1D untuk menghitung
koefisien detail terkait untuk pemrosesan gambar. Fungsi penskalaan dan wavelet dari transformasi wavelet
diskrit 2D dinyatakan secara matematis sebagai berikut [30]:
Komputasi Manusia dan Ilmu Informasi Halaman 5 / 17

(, )= () () (, )= () (5)
() (, )= () () (, )= (6)
() () (7)
(8)

Di mana ( , )adalah fungsi penskalaan untuk koefisien detail aproksimasi; ( , ), ( , ),Dan ( , )

adalah fungsi wavelet untuk koefisien detail horizontal, vertikal, dan diagonal. Ketika fungsi
penskalaan dan wavelet dari transformasi wavelet diskrit 2D dapat dipisahkan, keduanya dapat
diekspresikan dalam ( , ) = 1( ) 2( )bentuk, mirip dengan istilah di sisi kanan Persamaan (5) – (8) [31].
Dengan kata lain, fungsi transformasi untuk memperoleh koefisien dalam transformasi wavelet
diskrit 2D dapat dibagi menjadi konsep penskalaan dan fungsi wavelet dari transformasi wavelet
diskrit 1D. Ini dapat dihitung secara berurutan oleh fungsi transformasi melalui operasi dalam arah
baris dan kolom.
Koefisien detail aproksimasi dihitung dengan menggunakan fungsi penskalaan untuk arah baris
dan kolom, dan koefisien detail horizontal dihitung dengan fungsi wavelet untuk arah kolom.
Sebaliknya, koefisien detail diagonal dihitung dengan menggunakan fungsi wavelet untuk arah
baris dan kolom, dan koefisien detail vertikal dihitung dengan fungsi penskalaan untuk arah kolom.
Empat jenis hasil koefisien detail yang diperoleh melalui transformasi wavelet diskrit 2D dibagi
menjadi kanal domain frekuensi low-low (LL), low-high (LH), high-low (HL), dan high-high (HH). ,
masing-masing [32, 33].

3. Usulan Metode

Pengklasifikasi kaskade Haar terdiri dari pengklasifikasi lemah dan kuat yang menghasilkan struktur kaskade
deteksi wajah frontal manusia berdasarkan operasi sub-jendela. Untuk struktur kaskade ini, waktu pemrosesan
bertambah dengan bertambahnya jumlah positif palsu. Oleh karena itu, berbagai metode pra-pemrosesan
digunakan untuk mengurangi jumlah positif palsu. Ada dua jenis metode prapemrosesan konvensional: metode
berbasis filter konvensional dan metode berbasis kontraksi citra. Dalam metode berbasis filter konvensional,
median, filter Gaussian, dan HE banyak digunakan untuk menghilangkan komponen derau dan mengurangi
jumlah positif palsu. Namun, metode ini masih memerlukan waktu pemrosesan yang lama dan memiliki jumlah
positif palsu yang lebih tinggi, dibandingkan dengan metode berbasis kontraksi gambar. Sebaliknya, metode
pra-pemrosesan berbasis kontraksi gambar memiliki kecepatan pemrosesan yang lebih tinggi karena ukuran
gambar dan jumlah positif palsu berkurang. Namun, ketika informasi tepi yang cocok untuk deteksi wajah
menggunakan pengklasifikasi kaskade Haar hilang, akurasi deteksi akan menurun. Metode representatif di
mana informasi tepi dapat hilang adalah transformasi wavelet yang digunakan untuk menghitung citra
aproksimasi. Sementara itu, ketika informasi tepi yang tidak tepat dimasukkan, jumlah positif palsu meningkat.
Artinya, trade-off ada antara akurasi deteksi dan jumlah positif palsu tergantung pada berapa banyak informasi
tepi yang tepat dipertahankan [34, 35]. Untuk mengurangi jumlah positif palsu dengan tetap mempertahankan
akurasi deteksi, informasi tepi yang sesuai perlu dipertahankan untuk memenuhi nilai fitur untuk pengklasifikasi
kaskade Haar. Oleh karena itu, dalam makalah ini, kami mengusulkan kalibrasi komponen vertikal berdasarkan
transformasi wavelet diskrit 2D Haar untuk mempertahankan informasi tepi yang sesuai dan menghilangkan
komponen derau untuk mengurangi jumlah positif palsu dengan tetap menjaga akurasi deteksi.

Gambar 3 mengilustrasikan seluruh proses deteksi wajah menggunakan pengklasifikasi kaskade Haar dengan
metode pra-pemrosesan yang diusulkan. Metode yang diusulkan adalah proses kalibrasi komponen vertikal citra untuk
mempertahankan informasi tepi yang sesuai untuk pendeteksian wajah frontal manusia. Untuk mengkalibrasi
komponen vertikal, gambar yang diinginkan dihasilkan dengan mengkalibrasi detail vertikal dan horizontal
Halaman 6 / 17 Deteksi Wajah Menggunakan Haar Cascade Classifier Berdasarkan Kalibrasi Komponen Vertikal
koefisien dari koefisien detail aproksimasi. Citra yang diinginkan memasuki tahap pengklasifikasi kuat
pengklasifikasi kaskade Haar sebagai citra input, dan nilai fitur dihitung menggunakan operasi sub-jendela.
Ketika nilai fitur dari sub-window memenuhi semua tahapan, gambar tersebut diklasifikasikan sebagai wajah
frontal manusia. Dalam kasus sebaliknya, operasi di subjendela saat ini segera dihentikan, dan operasi yang
sama dilakukan dengan berpindah ke piksel berikutnya. Ketika operasi sub-jendela untuk gambar input selesai,
gambar skala bawah yang dihasilkan oleh metode piramida gambar dimasukkan secara berurutan. Setelah
proses pendeteksian untuk semua ukuran gambar selesai, beberapa hasil deteksi untuk objek yang sama
digabungkan ke dalam kotak pembatas.

Gambar 3.Proses pendeteksian wajah menggunakan Haar cascade classifiers dengan metode yang diusulkan.

Metode yang diusulkan bertujuan untuk menghasilkan gambar yang mempertahankan informasi tepi yang
sesuai dengan mengkalibrasi komponen vertikal, untuk pengklasifikasi kaskade Haar. Untuk mengkalibrasi
komponen vertikal, metode yang diusulkan menggunakan tiga jenis koefisien detail, yang disebut koefisien
detail horizontal, vertikal, dan aproksimasi, yang dihitung dengan transformasi wavelet diskrit 2D Haar.
Koefisien detail aproksimasi, vertikal, dan horizontal dinyatakan secara matematis sebagai berikut:

−1 −1

( 1, 2) = ∑ ∑ ( 1) ∙ ( 2) ∙ (2 1− 1, 2 2− 2) (9)
1=0 2=0

−1 −1

( 1, 2) = ∑ ∑ ( 1) ∙ ℎ( 2) ∙ (2 1− 1, 2 2− 2) (10)
1=0 2=0

−1 −1

( 1, 2) = ∑ ∑ ℎ( 1) ∙ ( 2) ∙ (2 1− 1, 2 2− 2) (11)
1=0 2=0

Di mana adalah panjang filter dari fungsi transformasi; ( 1)Dan ( 2)adalah fungsi penskalaan, yang
sama dengan filter low-pass;ℎ( 1)Danℎ( 2)adalah fungsi wavelet, yang sama dengan filter high-pass;
(2 1− 1, 2 2− 2)adalah gambar masukan; ( 1, 2)adalah koefisien detail perkiraan; ( 1, 2)adalah
koefisien detail horizontal; Dan ( 1, 2)adalah koefisien detail vertikal, masing-masing. Gambar 4
menunjukkan proses pembuatan citra yang diinginkan berdasarkan Persamaan (9)–(11). Dalam
transformasi wavelet diskrit Haar 2D, fungsi penskalaan dan fungsi wavelet harus memenuhi
Komputasi Manusia dan Ilmu Informasi Halaman 7 / 17

kondisi ortogonal. Selain itu, fungsi transformasi yang dihasilkan dengan menggunakan fungsi scaling
dan wavelet berupa matriks berukuran 2x2. Setelah mengatur komponen fungsi penskalaan dan wavelet,
koefisien detail aproksimasi dapat diperoleh dengan fungsi penskalaan dalam arah baris dan kolom.
Koefisien detail horizontal dapat diperoleh dengan fungsi penskalaan pada arah baris dan fungsi wavelet
pada arah kolom. Koefisien detail vertikal dapat diperoleh dengan menggunakan fungsi wavelet pada
arah baris dan fungsi penskalaan pada arah kolom. Melalui proses transformasi satu tingkat, koefisien
detail vertikal dikalibrasi ke nol menggunakan nilai ambang batas, sedangkan koefisien detail horizontal
dikalibrasi ke nol menggunakan koefisien detail vertikal yang dikalibrasi nol sebagai nilai ambang batas.
Setelah proses kalibrasi nol, gambar yang diinginkan dihasilkan dengan mengkalibrasi koefisien detail
vertikal dan horizontal yang dikalibrasi nol, yang dikalikan dengan faktor pembobotan, dari koefisien
detail aproksimasi.

Gambar 4.Proses pembuatan citra yang diinginkan menggunakan kalibrasi komponen vertikal untuk
deteksi wajah menggunakan pengklasifikasi kaskade Haar.

Untuk menghasilkan gambar yang diinginkan untuk pengklasifikasi kaskade Haar, koefisien detail vertikal dan
horizontal harus dikalibrasi ke nol sebelum kalibrasi dari koefisien detail aproksimasi. Koefisien detail vertikal,
horizontal yang dikalibrasi nol, dan gambar yang diinginkan dinyatakan secara matematis sebagai berikut:

( 1, 2), ( 1, 2) ≥ 0
( 1, 2) = { (12)
0 , ( 1, 2) < 0
Halaman 8 / 17 Deteksi Wajah Menggunakan Haar Cascade Classifier Berdasarkan Kalibrasi Komponen Vertikal
( 1, 2), ( 1, 2) ≥ ( 1, 2)
( 1, 2) = { (13)
0, ( 1, 2) < ( 1, 2)
( 1, 2) = ( 1, 2) + 2 × ( 1, 2) − × ( 1, 2) (14)

Di mana ( 1, 2)adalah koefisien detail vertikal terkalibrasi nol, ( 1, 2)adalah koefisien detail horizontal yang dikalibrasi nol, ( 1, 2)adalah gambar yang diinginkan, yang

mempertahankan informasi tepi yang sesuai, untuk deteksi wajah bagian depan menggunakan pengklasifikasi kaskade Haar, dan adalah faktor pembobot. Dalam

gambar skala abu-abu, nilai piksel mendekati nol saat menjadi lebih gelap, dan nilai piksel mendekati 255 saat menjadi lebih terang. Koefisien detail vertikal dan

horizontal dapat mengambil nilai negatif dan positif karena proses perhitungan melibatkan pengurangan antara piksel yang berdekatan pada setiap koordinat. Ketika

koefisien detail vertikal yang tidak dikalibrasi digunakan, tidak ada perbedaan nilai akumulasi antara wilayah terang dan gelap dari fitur mirip Haar. Dengan kata lain,

efek kalibrasi vertikal tidak dapat diperoleh dalam proses deteksi wajah frontal manusia menggunakan fitur Haar-like ketika koefisien detail vertikal yang tidak

dikalibrasi digunakan. Untuk itu koefisien detail vertikal dikalibrasi menjadi nol sebelum proses kalibrasi, seperti pada Persamaan (12), bila nilainya negatif. Hal ini

dilakukan karena proses pendeteksian wajah terpengaruh ketika hanya mengekstrak garis terluar dari komponen vertikal. Selain itu, untuk mengkompensasi nilai

kerugian piksel dalam kalibrasi komponen vertikal, koefisien detail horizontal dikalibrasi ke nol, seperti yang ditunjukkan pada Persamaan (13), ketika memiliki koefisien

detail vertikal yang dikalibrasi lebih rendah dari nol. Alasan dilakukannya penyesuaian nilai koefisien detail horizontal dengan menggunakan koefisien detail vertikal

yang dikoreksi nol sebagai nilai threshold adalah dengan menggunakan komponen vertikal lebih diutamakan untuk proses kalibrasi pada koordinat yang sama pada

citra. untuk mengkompensasi nilai kerugian piksel dalam kalibrasi komponen vertikal, koefisien detail horizontal dikalibrasi ke nol, seperti yang ditunjukkan pada

Persamaan (13), ketika memiliki koefisien detail vertikal yang dikalibrasi lebih rendah dari nol. Alasan dilakukannya penyesuaian nilai koefisien detail horizontal dengan

menggunakan koefisien detail vertikal yang dikoreksi nol sebagai nilai threshold adalah dengan menggunakan komponen vertikal lebih diutamakan untuk proses

kalibrasi pada koordinat yang sama pada citra. untuk mengkompensasi nilai kerugian piksel dalam kalibrasi komponen vertikal, koefisien detail horizontal dikalibrasi ke

nol, seperti yang ditunjukkan pada Persamaan (13), ketika memiliki koefisien detail vertikal yang dikalibrasi lebih rendah dari nol. Alasan dilakukannya penyesuaian nilai

koefisien detail horizontal dengan menggunakan koefisien detail vertikal yang dikoreksi nol sebagai nilai threshold adalah dengan menggunakan komponen vertikal

lebih diutamakan untuk proses kalibrasi pada koordinat yang sama pada citra.

Berdasarkan Persamaan (14), gambar yang diinginkan dihasilkan dengan mengkalibrasi koefisien detail
vertikal dan horizontal yang dikalibrasi nol, yang dikalikan dengan faktor pembobotan, dari koefisien detail
aproksimasi. Komponen vertikal dikalibrasi karena jumlah komponen vertikal (misalnya hidung) lebih sedikit
daripada jumlah komponen horizontal (misalnya mulut, mata) pada wajah frontal manusia. Oleh karena itu,
tingkat positif sebenarnya dari gambar asli dapat dipertahankan karena hanya garis luar komponen vertikal
yang memiliki efek lebih kecil pada gambar asli saat dikalibrasi. Sementara itu, objek yang bukan wajah frontal
manusia kebanyakan memiliki komponen vertikal dan horizontal yang sama atau lebih banyak komponen
vertikal daripada komponen horizontal. Karena karakteristik daerah wajah non-manusia, faktor pembobotan
untuk koefisien vertikal untuk mengurangi jumlah positif palsu adalah dua kali lipat dari koefisien horizontal.
Oleh karena itu, ketika koefisien vertikal dan horizontal yang dikalibrasi nol dikalibrasi dari koefisien detail
aproksimasi, jumlah positif palsu dapat dikurangi dengan tetap mempertahankan akurasi deteksi.

4. Hasil Eksperimen

4.1 Kumpulan Data Publik

Dataset publik, FDDB [21], digunakan untuk memverifikasi kinerja, yang mencakup tingkat positif sejati, waktu
pemrosesan, dan jumlah positif palsu dari pengklasifikasi kaskade Haar dengan metode yang diusulkan, dengan
nilai faktor pembobot α dari 2 .FDDB, terdiri dari 2.845 gambar dengan 5.171 wajah, merupakan database
dengan berbagai pose, topeng, dan wajah dengan berbagai ukuran. Untuk mengevaluasi kinerja deteksi wajah
mengadopsi metode yang diusulkan, kami membandingkan metode berbasis filter konvensional (yaitu, HE [36,
37], Gaussian [38, 39], dan filter median [38, 39]) dan berbasis kontraksi gambar metode (yaitu, bikubik,
Lanczos-2, Lanczos-3, dan transformasi wavelet diskrit Haar). Dalam hal pengaruh kalibrasi komponen vertikal,
hasil menunjukkan bahwa transformasi wavelet diskrit Haar hanya menghitung citra denoising, yang
merupakan koefisien detail aproksimasi. Untuk perbandingan yang adil, kami menggunakan
Komputasi Manusia dan Ilmu Informasi Halaman 9 / 17

Fungsi bawaan CascadeObjectDetector dari alat MATLAB R2021b (MathWorks, Natick, MA, USA) untuk
mendeteksi kotak pembatas wajah frontal manusia. Untuk perbandingan kinerja, file xml yang disediakan
oleh visi komputer sumber terbuka (OpenCV), digunakan dengan faktor skala 1,2 untuk metode piramida
gambar dan ukuran sub-jendela 20×20. File haarcascade_frontalface_alt.xml, yang disediakan oleh
OpenCV, berisi informasi fitur seperti Haar terlatih dari wajah frontal manusia. Indikatornya adalah
karakteristik operasi penerima diskrit (discROC) dan ROC kontinu (contROC), yang dihitung dengan
menggunakan metode evaluasi yang disediakan oleh FDDB. Menurut FDDB, skor kontinu dan diskrit
untuk menggambar kurva ROC dinyatakan secara matematis sebagai berikut [21]:

( )∩ ( ) ( )∪ (
( , )= (15)
)
= ( , )> 0,5 (16)
= ( , ) (17)

Di mana adalah daerah deteksi, dan adalah wilayah anotasi. Persamaan (16) digunakan untuk menghitung
skor diskrit untuk kurva ROC diskrit, dan Persamaan (17) digunakan untuk menghitung skor kontinu untuk kurva ROC kontinu. Gambar. 5 menunjukkan kurva ROC

diskrit dari hasil deteksi wajah mengadopsi metode yang diusulkan dan metode pra-pemrosesan konvensional. Gambar 6 menunjukkan kurva ROC kontinyu dari hasil

deteksi wajah mengadopsi metode yang diusulkan dan metode pra-pemrosesan konvensional. Kurva ROC adalah representasi grafis yang digunakan untuk

membandingkan kinerja metode. Sumbu x pada Gambar. 5 dan 6 adalah jumlah positif palsu, dan sumbu y adalah laju positif sebenarnya. Dalam hasil percobaan ini,

kurva ROC dengan menggunakan metode evaluasi FDDB menghitung apakah kotak pembatas yang terdeteksi sebelum langkah penggabungan adalah positif benar

atau salah. Ketika area kotak pembatas yang terdeteksi yang tumpang tindih dengan kebenaran dasar lebih besar dari nilai ambang yang ditentukan sebelumnya,

jumlah positif palsu diperbaiki, dan tingkat positif sebenarnya meningkat. Karena proses perhitungan ini, ketika jumlah false positive kecil sementara memiliki nilai

tingkat true positive yang serupa, kurva ROC konvergen ke nilai titik akhir dengan cepat. Oleh karena itu, kurva ROC untuk metode yang diusulkan ada pada posisi yang

lebih tinggi di wilayah sumbu x yang sama dibandingkan dengan metode pra-pemrosesan konvensional, seperti yang ditunjukkan pada Gambar. 6 dan 7. kurva ROC

konvergen ke nilai titik akhir dengan cepat. Oleh karena itu, kurva ROC untuk metode yang diusulkan ada pada posisi yang lebih tinggi di wilayah sumbu x yang sama

dibandingkan dengan metode pra-pemrosesan konvensional, seperti yang ditunjukkan pada Gambar. 6 dan 7. kurva ROC konvergen ke nilai titik akhir dengan cepat.

Oleh karena itu, kurva ROC untuk metode yang diusulkan ada pada posisi yang lebih tinggi di wilayah sumbu x yang sama dibandingkan dengan metode pra-

pemrosesan konvensional, seperti yang ditunjukkan pada Gambar. 6 dan 7.

Gambar 5.Kurva ROC diskrit hasil deteksi wajah mengadopsi metode yang diusulkan dan
metode pra-pemrosesan konvensional.
Halaman 10 / 17 Deteksi Wajah Menggunakan Haar Cascade Classifier Berdasarkan Kalibrasi Komponen Vertikal

Gambar 6.Kurva ROC kontinyu hasil deteksi wajah mengadopsi metode yang diusulkan dan
metode pra-pemrosesan konvensional.

Tabel 1 menyajikan nilai metrik kinerja yang diperoleh, seperti waktu pemrosesan, laju positif sejati pada titik akhir kurva ROC, dan jumlah positif palsu saat mengadopsi metode yang diusulkan dan metode

pra-pemrosesan konvensional. Di antara metode pra-pemrosesan berbasis filter tradisional, metode pra-pemrosesan HE memperoleh kasus kinerja terbaik dalam waktu pemrosesan dan jumlah positif palsu saat

menggunakan file haarcascade_frontalface_alt.xml. Saat menggunakan metode yang diusulkan untuk pengklasifikasi kaskade Haar, waktu pemrosesan adalah 189,45 detik, yang 32,05% lebih cepat daripada

metode HE, dan jumlah positif palsu adalah 46.710, yaitu 25,46% lebih sedikit daripada metode HE. Di antara metode berbasis kontraksi gambar, transformasi wavelet diskrit Haar, yang hanya menghitung

koefisien detail perkiraan, menunjukkan performa terbaik dalam hal waktu pemrosesan dan jumlah positif palsu. Namun, tingkat positif sebenarnya menurun dibandingkan dengan metode berbasis kontraksi

gambar lainnya. Meskipun waktu pemrosesan dan jumlah positif palsu dari metode yang diusulkan sedikit meningkat dibandingkan dengan transformasi wavelet diskrit Haar, tingkat positif sebenarnya dari

metode yang diusulkan serupa dengan metode berbasis kontraksi gambar konvensional lainnya. Secara keseluruhan, metode yang diusulkan jauh lebih baik daripada metode berbasis filter tradisional. Selain itu,

hasil menunjukkan bahwa metode yang diusulkan mengatasi trade-off antara jumlah positif palsu dan tingkat positif sejati dibandingkan dengan metode berbasis kontraksi gambar konvensional. menunjukkan

kinerja terbaik dalam hal waktu pemrosesan dan jumlah positif palsu. Namun, tingkat positif sebenarnya menurun dibandingkan dengan metode berbasis kontraksi gambar lainnya. Meskipun waktu pemrosesan

dan jumlah positif palsu dari metode yang diusulkan sedikit meningkat dibandingkan dengan transformasi wavelet diskrit Haar, tingkat positif sebenarnya dari metode yang diusulkan serupa dengan metode

berbasis kontraksi gambar konvensional lainnya. Secara keseluruhan, metode yang diusulkan jauh lebih baik daripada metode berbasis filter tradisional. Selain itu, hasil menunjukkan bahwa metode yang

diusulkan mengatasi trade-off antara jumlah positif palsu dan tingkat positif sejati dibandingkan dengan metode berbasis kontraksi gambar konvensional. menunjukkan kinerja terbaik dalam hal waktu

pemrosesan dan jumlah positif palsu. Namun, tingkat positif sebenarnya menurun dibandingkan dengan metode berbasis kontraksi gambar lainnya. Meskipun waktu pemrosesan dan jumlah positif palsu dari

metode yang diusulkan sedikit meningkat dibandingkan dengan transformasi wavelet diskrit Haar, tingkat positif sebenarnya dari metode yang diusulkan serupa dengan metode berbasis kontraksi gambar

konvensional lainnya. Secara keseluruhan, metode yang diusulkan jauh lebih baik daripada metode berbasis filter tradisional. Selain itu, hasil menunjukkan bahwa metode yang diusulkan mengatasi trade-off

antara jumlah positif palsu dan tingkat positif sejati dibandingkan dengan metode berbasis kontraksi gambar konvensional. tingkat positif sebenarnya menurun dibandingkan dengan metode berbasis kontraksi

gambar lainnya. Meskipun waktu pemrosesan dan jumlah positif palsu dari metode yang diusulkan sedikit meningkat dibandingkan dengan transformasi wavelet diskrit Haar, tingkat positif sebenarnya dari metode yang diusulkan serupa d

Tabel 1.Kinerja metode yang diusulkan dan metode pra-pemrosesan konvensional menggunakan FDDB
Pengolahan Jumlah Titik akhir tingkat positif sejati
waktu) positif palsu LANJUTROC CAKRAMROC

Basis filter tradisionalD. METODE

Bersama dia 278.8105 62661 0,540320 0,766196
Dengan Gaussian 284.4435 74483 0,545753 0,773545
Dengan median 282.1207 73222 0,544719 0,770837
Berbasis kontraksi gambar

Dengan bikubik 197.5510 58538 0,543523 0,771057

Dengan Lanczos-2 197.5847 58611 0,545126 0,774250
Dengan Lanczos-3 188.0214 57962 0,547588 0,775510
Dengan transformasi wavelet diskrit Haar 178.5786 44339 0,521732 0,732151
Dengan metode yang diusulkan 189.4536 46710 0,545502 0,773186
Komputasi Manusia dan Ilmu Informasi Halaman 11 / 17

Gambar 7.Hasil deteksi wajah dari dataset uji FDDB setelah langkah penggabungan menggunakan delapan jenis
metode pra-pemrosesan: (a) HE, (b) Gaussian, (c) median, (d) bicubic, (e) Lanczos-2, (f ) Lanczos-3,
(g) Transformasi wavelet diskrit Haar, dan (h) metode yang diusulkan.

Gambar 7 menunjukkan hasil deteksi wajah dari sampel citra pada dataset uji FDDB setelah langkah penggabungan
saat menggunakan Haar cascade classifier dengan metode yang diusulkan dan metode preprocessing konvensional.
Gambar 7(a)–7(h) menggambarkan hasil deteksi wajah saat menggunakan HE, filter Gaussian, filter median, bikubik,
Lanczos-2, Lanczos-3, transformasi wavelet diskrit Haar, dan metode yang diusulkan. Gambar 7(a)–7(c) menunjukkan
bahwa mengadopsi metode berbasis filter konvensional dapat mendeteksi wajah frontal manusia dengan
menghilangkan noise. Namun, dapat dipastikan bahwa positif palsu ada di wilayah bukan manusia. Sementara itu, dapat
dipastikan secara visual bahwa jumlah positif palsu berkurang dalam metode berbasis kontraksi gambar dan metode
yang diusulkan dibandingkan dengan metode berbasis filter konvensional, seperti yang ditunjukkan pada Gambar. 7(d)–
7(h).

4.2 Kumpulan Data Pribadi

Gambar. 8 dan 9 menunjukkan kinerja pengklasifikasi kaskade Haar yang mengadopsi metode yang diusulkan dan metode pra-pemrosesan konvensional, ketika diterapkan pada dataset uji privat. Untuk

perbandingan yang adil, kami menggunakan faktor skala 1,2 dan menggabungkan faktor ambang 1 untuk fungsi bawaan CascadeObjectDetector. Dataset uji privat terdiri dari 220 gambar dengan 794 wajah

dengan total lima ukuran gambar. Hasil evaluasi diklasifikasikan sebagai true positive ketika nilai interseksi over union (IoU) [40] tentang anotasi adalah 0,5 atau lebih; jika tidak, hasilnya diklasifikasikan sebagai

positif palsu. Jumlah positif palsu yang menggunakan filter Gaussian adalah 247, menunjukkan kinerja terbaik di antara metode pra-pemrosesan berbasis filter konvensional, seperti yang ditunjukkan pada

Gambar. 8. Saat menggunakan metode pra-pemrosesan yang diusulkan, jumlah total positif palsu adalah 114, yang 53,85% lebih sedikit dibandingkan dengan metode pra-pemrosesan Gaussian. Jumlah total

positif sejati dari mengadopsi metode yang diusulkan adalah 658, yang mirip dengan metode berbasis filter konvensional, seperti yang ditunjukkan pada Gambar. 9. Dalam metode berbasis kontraksi gambar,

jumlah total positif palsu yang mengadopsi Transformasi wavelet diskrit Haar adalah 98, menunjukkan kinerja terbaik. Meskipun jumlah positif palsu yang mengadopsi metode yang diusulkan sedikit lebih tinggi

daripada transformasi wavelet diskrit Haar, jumlah total positif sejati yang mengadopsi metode yang diusulkan menunjukkan kinerja yang lebih baik daripada transformasi wavelet diskrit Haar, yang

menunjukkan kinerja terburuk dalam hal dari jumlah total positif sejati. 85% lebih sedikit dari metode pra-pemrosesan Gaussian. Jumlah total positif sejati dari mengadopsi metode yang diusulkan adalah 658,

yang mirip dengan metode berbasis filter konvensional, seperti yang ditunjukkan pada Gambar. 9. Dalam metode berbasis kontraksi gambar, jumlah total positif palsu yang mengadopsi transformasi wavelet

diskrit Haar adalah 98, menunjukkan kinerja terbaik. Meskipun jumlah positif palsu yang mengadopsi metode yang diusulkan sedikit lebih tinggi daripada transformasi wavelet diskrit Haar, jumlah total positif

sejati yang mengadopsi metode yang diusulkan menunjukkan kinerja yang lebih baik daripada transformasi wavelet diskrit Haar, yang menunjukkan kinerja terburuk dalam hal jumlah total positif sejati. 85%

lebih sedikit dari metode pra-pemrosesan Gaussian. Jumlah total positif sejati dari mengadopsi metode yang diusulkan adalah 658, yang mirip dengan metode berbasis filter konvensional, seperti yang

ditunjukkan pada Gambar. 9. Dalam metode berbasis kontraksi gambar, jumlah total positif palsu yang mengadopsi transformasi wavelet diskrit Haar adalah 98, menunjukkan kinerja terbaik. Meskipun jumlah

positif palsu yang mengadopsi metode yang diusulkan sedikit lebih tinggi daripada transformasi wavelet diskrit Haar, jumlah total positif sejati yang mengadopsi metode yang diusulkan menunjukkan kinerja

yang lebih baik daripada transformasi wavelet diskrit Haar, yang menunjukkan kinerja terburuk dalam hal jumlah total positif sejati. yang mirip dengan metode berbasis filter konvensional, seperti yang

ditunjukkan pada Gambar. 9. Dalam metode berbasis kontraksi gambar, jumlah total positif palsu yang mengadopsi transformasi wavelet diskrit Haar adalah 98, menunjukkan kinerja terbaik. Meskipun jumlah positif palsu yang mengadops

Untuk evaluasi yang objektif, perlu mempertimbangkan presisi, daya ingat, danF1skor, serta hasil
positif sejati (TP) dan positif palsu (FP). Presisi, daya ingat, danF1skor dinyatakan secara matematis
sebagai berikut [41, 42]:
Halaman 12 / 17 Deteksi Wajah Menggunakan Haar Cascade Classifier Berdasarkan Kalibrasi Komponen Vertikal

= (18)
+

= (19)

×
1 =2× (20)

Gambar 8.Jumlah positif palsu yang mengadopsi metode yang diusulkan dan metode konvensional sebanyak lima
ukuran gambar dari kumpulan data pribadi.

Gambar 9.Jumlah positif sejati yang mengadopsi metode yang diusulkan dan metode konvensional sebanyak lima
ukuran gambar dari kumpulan data pribadi.

Nilai presisi, juga disebut prediksi positif, didefinisikan sebagai rasio positif sejati terhadap semua positif. Penarikan
kembali, yang secara luas disebut tingkat deteksi, didefinisikan sebagai rasio positif sejati terhadap total
Komputasi Manusia dan Ilmu Informasi Halaman 13 / 17

jumlah wajah.F1skor adalah anggota keluarga parametrik F-measures yang paling banyak digunakan, dan ini didefinisikan sebagai rata-rata

harmonik dari presisi dan daya ingat [43]. Tabel 2 menyajikan hasil yang diperoleh dari menggunakan Persamaan (18)–(20) untuk

membandingkan kinerja objektif menggunakan dataset uji privat. Pada faktor presisi, filter Gaussian memperoleh nilai 0,7277, yang

merupakan kasus kinerja terbaik di antara metode pra-pemrosesan berbasis filter konvensional. Saat menggunakan metode yang diusulkan,

presisinya adalah 0,8525, yang meningkat sebesar 17,15% dibandingkan dengan metode pra-pemrosesan Gaussian. Pada faktor presisi

metode berbasis kontraksi citra, transformasi wavelet diskrit Haar memperoleh nilai 0,8637 yang merupakan kinerja terbaik. Namun,

transformasi wavelet diskrit Haar memiliki kinerja penarikan terburuk. Alasan perbedaan antara kinerja faktor presisi dan daya ingat adalah

sebagai berikut. Saat menggunakan Haar discrete wavelet transform, jumlah total false positive memiliki kinerja terbaik, seperti yang

ditunjukkan pada Gambar 8. Oleh karena itu, faktor presisi menunjukkan kinerja terbaik. Namun nilai recall mengalami penurunan karena

jumlah true positive menunjukkan kinerja yang paling buruk. Penarikan yang dihitung dengan mengadopsi metode yang diusulkan memiliki

nilai yang mirip dengan metode pra-pemrosesan konvensional. Dalam nilai recall menurun karena jumlah true positive menunjukkan kinerja

terburuk. Penarikan yang dihitung dengan mengadopsi metode yang diusulkan memiliki nilai yang mirip dengan metode pra-pemrosesan

konvensional. Dalam nilai recall menurun karena jumlah true positive menunjukkan kinerja terburuk. Penarikan yang dihitung dengan

mengadopsi metode yang diusulkan memiliki nilai yang mirip dengan metode pra-pemrosesan konvensional. DalamF1faktor skor, nilai

Gaussian dan Lanczos-3 masing-masing adalah 0,7760 dan 0,8289, yang merupakan kasus kinerja terbaik di antara metode berbasis filter

konvensional dan metode berbasis kontraksi gambar. Saat menggunakan metode yang diusulkan,F1skor adalah 0,8404, yang meningkat

sebesar 8,30%, dan 1,39% dibandingkan dengan metode pra-pemrosesan Gaussian, dan Lanczos-3. Secara keseluruhan, Tabel 2

menunjukkan bahwa kinerja pendeteksian wajah dari metode yang diusulkan lebih baik dibandingkan dengan metode pra-pemrosesan

konvensional karenaF1skor metode yang diusulkan adalah yang tertinggi.

Meja 2.Kinerja metode yang diusulkan dan metode konvensional menggunakan dataset pribadi
Presisi Mengingat skor
Metode berbasis filter tradisional

Bersama dia 0,7107 0,8262 0,7641

Dengan Gaussian 0,7277 0,8312 0,7760
Dengan median 0,6924 0,8363 0,7576
Metode berbasis kontraksi gambar

Dengan Bikubik 0,8012 0,8224 0,8117

Dengan Lanczos-2 0,8089 0,8262 0,8174
Dengan Lanczos-3 0,8192 0,8388 0,8289
Dengan transformasi wavelet diskrit Haar 0,8637 0,7821 0,8209
Dengan metode yang diusulkan 0,8523 0,8287 0,8404

5. Diskusi
Dalam penelitian ini, deteksi wajah dilakukan dengan menggunakan metode pra-pemrosesan yang diusulkan untuk
pengklasifikasi kaskade Haar. Penelitian ini bertujuan untuk mengusulkan suatu metode untuk meningkatkan kecepatan
pemrosesan dengan mengurangi jumlah false positive dengan tetap menjaga akurasi deteksi.
Untuk mengevaluasi kinerja pengklasifikasi kaskade Haar menggunakan metode pra-pemrosesan yang
diusulkan, kami membandingkan metode yang diusulkan dengan metode berbasis filter konvensional dan
berbasis kontraksi gambar. Pada metode pra-pemrosesan konvensional, metode berbasis filter masih terbatas
dalam mengurangi jumlah positif palsu dan waktu pemrosesan. Sebaliknya, metode berbasis kontraksi gambar
memiliki keunggulan dalam meningkatkan kecepatan pemrosesan dengan mengurangi jumlah positif palsu.
Namun, akurasi deteksi menurun ketika informasi tepi yang sesuai untuk daerah wajah tidak dipertahankan,
seperti yang ditunjukkan pada hasil transformasi wavelet diskrit Haar. Sebaliknya, ketika informasi tepi untuk
semua area dipertahankan, jumlah positif palsu meningkat, seperti yang ditunjukkan pada metode bikubik,
Lanczos-2, dan Lanczos-3. Dengan demikian, metode berbasis kontraksi gambar konvensional memiliki trade-off
antara mengurangi jumlah positif palsu dan akurasi deteksi. Untuk mengatasi hubungan trade-off, makalah ini
Halaman 14 / 17 Deteksi Wajah Menggunakan Haar Cascade Classifier Berdasarkan Kalibrasi Komponen Vertikal
mengusulkan proses kalibrasi komponen vertikal untuk mempertahankan informasi tepi yang sesuai untuk daerah
wajah. Metode yang diusulkan dapat mengurangi jumlah positif palsu sambil mempertahankan akurasi deteksi
dibandingkan dengan metode berbasis filter konvensional dan berbasis kontraksi gambar. Oleh karena itu, metode
yang diusulkan dapat dioperasikan secara real-time dengan akurasi deteksi tinggi di berbagai bidang berdasarkan
pengklasifikasi kaskade Haar.

6. Kesimpulan

Algoritme deteksi wajah menggunakan pengklasifikasi kaskade Haar meningkatkan waktu pemrosesan seiring dengan
meningkatnya jumlah positif palsu. Untuk meningkatkan kecepatan pemrosesan dan mengurangi jumlah positif palsu untuk
deteksi wajah, penelitian ini mengusulkan proses kalibrasi komponen vertikal menggunakan transformasi wavelet diskrit Haar 2D
untuk pengklasifikasi kaskade Haar. Kami mengevaluasi dan membandingkan performa menggunakan FDDB, yang merupakan
kumpulan data uji publik yang terdiri dari 2.845 gambar. Ketika menggunakan file haarcascade_frontalface_alt.xml, hasil deteksi
wajah mengadopsi metode yang diusulkan menunjukkan peningkatan 32,05% dalam kecepatan pemrosesan dan pengurangan
25,46% dalam jumlah positif palsu dibandingkan dengan HE, yang menunjukkan kasus kinerja terbaik di antara metode pra-
pemrosesan berbasis filter konvensional. Selain itu, waktu pemrosesan dan akurasi deteksi metode yang diusulkan serupa
dengan metode berbasis kontraksi gambar konvensional. Dalam kumpulan data uji pribadi, hasil deteksi wajah dari penerapan
metode yang diusulkan menunjukkan pengurangan 53,85% dalam jumlah total positif palsu dibandingkan dengan metode pra-
pemrosesan Gaussian, yang menunjukkan kasus kinerja terbaik di antara filter tradisional berbasis metode pra-pemrosesan,
sambil mempertahankan jumlah total positif sejati. Selain itu, nilai dari yang menunjukkan kasus kinerja terbaik di antara metode
pra-pemrosesan berbasis filter tradisional, sambil mempertahankan jumlah total positif sejati. Selain itu, nilai dari yang
menunjukkan kasus kinerja terbaik di antara metode pra-pemrosesan berbasis filter tradisional, sambil mempertahankan jumlah
total positif sejati. Selain itu, nilai dariF1faktor metode yang diusulkan, yang mempertimbangkan presisi dan daya ingat,
menunjukkan peningkatan 1,39% dibandingkan dengan Lanczos-3, yang menunjukkan kinerja terbaik di antara metode berbasis
kontraksi gambar. Hasil yang dihitung menggunakan FDDB dan kumpulan data pribadi menunjukkan bahwa metode yang
diusulkan dapat mengatasi kompromi antara jumlah positif palsu dan akurasi deteksi. Oleh karena itu, pengklasifikasi kaskade
Haar dengan metode yang diusulkan dapat dioperasikan secara real-time untuk berbagai aplikasi, seperti manajemen dan
keamanan untuk IoT berdasarkan deteksi wajah.
Di masa mendatang, penerapan dan optimalisasi metode yang diusulkan dalam logika digital untuk
akselerator deteksi wajah akan dilakukan berdasarkan hasil penelitian ini.

Terima kasih
Tak dapat diterapkan.

Kontribusi Penulis
Konseptualisasi, CHC, BM. Pengawasan, BM. Akuisisi pendanaan, BM. Metodologi, CHC, JK, JH.
Validasi, CHC, JK. Kurasi Data, CHC, JH, YK. Penulisan naskah asli, CHC, YK, BM. Penulisan review dan
editing, CHC, JK, JH, BM. Perangkat lunak, CHC. Visualisasi, CHC. Analisis formal, CHC.

Pendanaan

Penelitian ini didukung oleh program Litbang Kolaborasi Multi-Kementerian (R&D program untuk teknologi
kognitif kompleks) melalui National Research Foundation of Korea (NRF) yang didanai oleh Kementerian
Perdagangan, Industri, dan Energi (No. NRF-2018M3E3A1057248).

Minat Bersaing
Para penulis menyatakan bahwa mereka tidak memiliki kepentingan bersaing.
Komputasi Manusia dan Ilmu Informasi Halaman 15 / 17

Referensi
[1]S. Pawar, V. Kithani, S. Ahuja, dan S. Sahu, “Keamanan rumah pintar menggunakan IoT dan pengenalan wajah,” dalam
Prosiding 2018 4th International Conference on Computing Communication Control and Automation (ICCUBEA),
Pune, India, 2018, hlm. 1-6.
[2]N. Mostakim, RR Sarkar, dan MA Hossain, “Pengunci pintar: Pengunci cerdas berbasis IoT dengan
perlindungan kata sandi dan pendekatan deteksi wajah,”Jurnal Internasional Teknologi Nirkabel dan
Microwave, vol. 9, tidak. 3, hlm. 1-10, 2019.
[3]A. Zaarane, I. Slimani, W. Al Okaishi, I. Atouf, and A. Hamdoun, “Sistem pengukuran jarak untuk
kendaraan otonom menggunakan kamera stereo,”Himpunan, vol. 5, pasal no. 100016, 2020. https://
doi.org/10.1016/j.array.2020.100016
[4]M. Wen, J. Park, dan K. Cho, “Pipa pembuatan skenario untuk simulator kendaraan otonom,”Komputasi
Humansentris dan Ilmu Informasi, vol. 10, pasal no. 24, 2020.https://doi.org/10.1186/s13673-
020-00231-z
[5]J. Zhu, F. Yu, G. Liu, M. Sun, D. Zhao, Q. Geng, dan J. Su, “Sistem panggilan kelas berdasarkan jaringan
ResNet,”Jurnal Sistem Pemrosesan Informasi, vol. 16, tidak. 5, hlm. 1145-1157, 2020.
[6]HY Suen, KE Hung, dan CL Lin, “Agen wawancara video cerdas yang digunakan untuk memprediksi keterampilan
komunikasi dan ciri-ciri kepribadian yang dirasakan,”Komputasi Manusia dan Ilmu Informasi, vol. 10, pasal no. 3,
2020.https://doi.org/10.1186/s13673-020-0208-3
[7]IS Na, C. Tran, D. Nguyen, dan S. Dinh, "Penyelesaian peta UV wajah untuk pengenalan wajah pose-invarian:
pendekatan adversarial baru berdasarkan sisa perhatian gabungan UNets,"Komputasi Manusia dan Ilmu
Informasi, vol. 10, pasal no. 45, 2020.https://doi.org/10.1186/s13673-020-00250-w
[8]M. Loey, G. Manogaran, MHN Taha, dan NEM Khalifa, “Melawan COVID-19: model pembelajaran mendalam
baru berdasarkan YOLO-v2 dengan ResNet-50 untuk deteksi masker wajah medis,”Kota dan Masyarakat
Berkelanjutan, vol. 65, pasal no. 102600, 2021.https://doi.org/10.1016/j.scs.2020.102600
[9]MN Mohammed, H. Syamsudin, S. Al-Zubaidi, R. Ramli, dan E. Yusuf, “Sistem deteksi dan diagnosis COVID-19
baru menggunakan helm pintar berbasis IOT,”Jurnal Internasional Rehabilitasi Psikososial, vol. 24, tidak. 7,
hlm. 2296-2303, 2020.
[10]A. Srivastava, S. Mane, A. Shah, N. Shrivastava, dan B. Thakare, “Survei algoritma deteksi wajah,” dalam
Prosiding Konferensi Internasional 2017 tentang Sistem dan Kontrol Inventif (ICISC), Coimbatore, India, 2017,
hlm. 1-4.
[11]B. Peng dan AK Gopalakrishnan, “Kerangka kerja deteksi wajah berdasarkan jaringan saraf konvolusional
penuh kaskade yang dalam,” diProsiding 2019 IEEE 4th International Conference on Computer and
Communication Systems (ICCCS) 2019, Singapura, 2019, hlm. 47-51.
[12]K. Smelyakov, A. Chupryna, O. Bohomolov, dan I. Ruban, “Keefektifan teknologi jaringan saraf untuk deteksi
wajah,” dalamProsiding Konferensi Internasional Ketiga IEEE 2020 tentang Data Stream Mining & Processing
(DSMP), Lviv, Ukraina, 2020, hlm. 201-205.
[13]L. Zhu, F. Chen, dan C. Gao, “Peningkatan algoritme deteksi wajah berdasarkan jaringan saraf konvolusional
yang ringan,” dalamProsiding 2020 IEEE 6th International Conference on Computer and Communications
(ICCC), Chengdu, Tiongkok, 2020, hlm. 1191-1197.
[14]G. Guo, H. Wang, Y. Yan, J. Zheng, dan B. Li, “Metode deteksi wajah cepat melalui jaringan saraf
convolutional,”Neurokomputer, vol. 395, hlm. 128-137, 2020.
[15]Y. LeCun, "1.1 perangkat keras pembelajaran mendalam: masa lalu, sekarang, dan masa depan," diProsiding
Konferensi Sirkuit Solid-State Internasional IEEE 2019- (ISSCC), San Francisco, CA, 2019, hlm. 12-19.
[16]P. Viola dan M. Jones, "Deteksi objek cepat menggunakan rangkaian fitur sederhana yang ditingkatkan," diProsiding
Konferensi Masyarakat Komputer IEEE 2001 tentang Visi Komputer dan Pengenalan Pola, Kauai, HI, 2001, hlm.
511-518.
[17]P. Viola dan MJ Jones, "Deteksi wajah real-time yang kuat,"Jurnal Internasional Visi Komputer, vol.
57, tidak. 2, hlm. 137-154, 2004.
[18]R. Vij dan B. Kaushik, "Survei tentang berbagai teknik pendeteksian dan pelacakan wajah dalam urutan
video," diProsiding Konferensi Internasional 2019 tentang Sistem Komputasi dan Kontrol Cerdas (ICCS),
Madurai, India, 2019, hlm. 69-73.
Halaman 16 / 17 Deteksi Wajah Menggunakan Haar Cascade Classifier Berdasarkan Kalibrasi Komponen Vertikal
[19]H. Wu, Y. Cao, H. Wei, dan Z. Tian, “Pengenalan wajah berdasarkan Haar like dan jarak Euclidean,”
Jurnal Fisika: Seri Konferensi, vol. 1813, pasal no. 012036, 2021.https://doi.org/10.1088/1742-
6596/1813/1/012036
[20]CA Rishikeshan, C. Rajesh Kumar Reddy, dan MKV Nandimandalam, “Pendekatan yang ditingkatkan untuk
deteksi wajah,” dalamProsiding Konferensi Internasional tentang Tren Terbaru dalam Pembelajaran Mesin,
IoT, Kota Cerdas, dan Aplikasi. Singapura: Springer, 2021, hlm. 811-816.
[21]V. Jain dan E. Learned-Miller, “FDDB: tolok ukur untuk deteksi wajah dalam pengaturan yang tidak dibatasi,”
University of Massachusetts, Amherst, MA,Laporan Teknis No. UMCS-2010-009, 2010.
[22]MG Krishna dan A. Srinivasulu, “Sistem deteksi wajah pada algoritma AdaBoost menggunakan pengklasifikasi
Haar,”Jurnal Internasional Penelitian Teknik Modern, vol. 2, tidak. 5, hlm. 3556-3560, 2012.
[23]D. Kim, J. Hyun, dan B. Moon, "Arsitektur hemat memori untuk peningkatan kontras dan komputasi gambar
integral," dalamProsiding Konferensi Internasional 2020 tentang Elektronik, Informasi, dan Komunikasi
(ICEIC), Barcelona, Spanyol, 2020, hlm. 1-4.
[24]C. Zhao, P. Wang, J. Chen, dan W. Yang, “Metode deteksi target titik bergerak yang lemah berdasarkan urutan
gambar SAR frekuensi tinggi dan pembelajaran mesin,” dalamProsiding 2020 IEEE International Geoscience
and Remote Sensing Symposium, Waikoloa, HI, 2020, hlm. 2795-2798.
[25]A. Heidari dan N. Majidi, “Analisis Percepatan Gempa Menggunakan Metode Wavelet”Rekayasa
Gempa dan Rekayasa Getaran, vol. 20, tidak. 1, hlm. 113-126, 2021.
[26]D. Zhang, S. Wang, F. Li, J. Wang, AK Sangaiah, VS Sheng, dan X. Ding, “Pendekatan de-noise sinyal ECG
berdasarkan energi wavelet dan filter smoothing sub-band,”Ilmu Terapan, vol. 9, tidak. 22, pasal no. 4968,
2019.https://doi.org/10.3390/app9224968
[27]EL Chuma dan Y. Iano, “Sistem deteksi gerakan menggunakan sensor radar Doppler gelombang kontinu dan
jaringan saraf convolutional untuk mendeteksi batuk dan gerakan lainnya,”Jurnal Sensor IEEE, vol. 21, tidak. 3, hlm.
2921-2928, 2020.
[28]CH Choi, JH Park, HN Lee, dan JR Yang, “Deteksi detak jantung menggunakan sensor radar Doppler berdasarkan
fungsi penskalaan transformasi wavelet,”Surat Teknologi Gelombang Mikro dan Optik, vol. 61, tidak. 7, hlm.
1792-1796, 2019.
[29]CU Kumari, ASD Murthy, BL Prasanna, MPP Reddy, dan AK Panigrahy, “Deteksi otomatis aritmia
jantung menggunakan teknik pembelajaran mesin: SVM,”Materi Hari Ini: Prosiding, vol. 45, hlm.
1393-1398, 2021.
[30] RC Gonzales, dan RE Woods,Pemrosesan Gambar Digital, edisi ke-4. New York, NY: Pearson, 2018.
[31]CL Liu, “Tutorial transformasi wavelet,” 2010 [Online]. Tersedia: http://disp.ee.ntu.edu.tw/
tutorial/WaveletTutorial.pdf.
[32]PS Tsai dan T. Acharya, "Image up-sampling using discrete wavelet transform," inProsiding Konferensi
Bersama 2006 tentang Ilmu Informasi (JCIS), Kaohsiung, Taiwan, 2006.
[33]MA Gungor, “Studi komparatif tentang wavelet denoising untuk gambar CT dengan noise tinggi dari penyakit
COVID-19,”Optik, vol. 235, pasal no. 166652, 2021.https://doi.org/10.1016/j.ijleo.2021.166652
[34]MU Yaseen, A. Anjum, O. Rana, dan R. Hill, “Deteksi dan klasifikasi objek terukur berbasis cloud dalam aliran
video,”Sistem Komputer Generasi Mendatang, vol. 80, hlm. 286-298, 2018.
[35]MA Zulkhairi, YM Mustafah, ZZ Abidin, HFM Zaki, dan HA Rahman, “Deteksi mobil menggunakan
cascade classifier on embedded platform,” dalamProsiding 2019 7th International Conference on
Mechatronics Engineering (ICOM), Putrajaya, Malaysia, 2019, hlm. 1-3.
[36]K. Padmaja dan TN Prabakar, “Deteksi wajah real time berbasis FPGA menggunakan Adaboost dan
pemerataan histogram,” dalamProsiding IEEE-International Conference on Advances in Engineering, Science
and Management (ICAESM), Nagapattinam, India, 2012, hlm. 111-115.
[37]SM Bah dan F.Ming, “Algoritme pengenalan wajah yang ditingkatkan dan penerapannya dalam sistem
manajemen kehadiran,”Himpunan, vol. 5, pasal no. 100014, 2020.https://doi.org/10.1016/j.array.2019.100014
[38]P. Mazurek dan T. Hachaj, "Pengklasifikasi kaskade berbasis fitur Haar untuk deteksi wajah di bawah
adanya distorsi gambar," InPemrosesan Gambar dan Komunikasi. Cham, Swiss: Springer, 2019, hlm.
14-21.
[39]LTH Phuc, H. Jeon, NTN Truong, dan JJ Hak, “Menerapkan algoritme Haar-cascade untuk mendeteksi peralatan
keselamatan dalam sistem manajemen keselamatan untuk berbagai lingkungan kerja,”Elektronik, vol. 8, tidak. 10,
pasal no. 1079, 2019.https://doi.org/10.3390/electronics8101079
Komputasi Manusia dan Ilmu Informasi Halaman 17 / 17

[40]H. Rezatofighi, N. Tsoi, J. Gwak, A. Sadeghian, I. Reid, dan S. Savarese, “Persimpangan umum atas penyatuan:
metrik dan kerugian untuk regresi kotak pembatas,” dalamProsiding Konferensi IEEE tentang Visi Komputer
dan Pengenalan Pola, Long Beach, CA, 2019, hlm. 658-666.
[41]A. Kumar, M. Kumar, dan A. Kaur, “Deteksi wajah pada gambar diam di bawah oklusi dan iluminasi tidak
seragam,”Alat dan Aplikasi Multimedia, vol. 80, tidak. 10, hlm. 14565-14590, 2021.
[42]H. Shi, X. Chen, dan M. Guo, "Re-SSS: menyeimbangkan kembali data yang tidak seimbang menggunakan penyaringan sampel
yang aman," Jurnal Sistem Pemrosesan Informasi, vol. 17, tidak. 1, hlm. 89-106, 2021.
[43]D. Chicco dan G. Jurman, “Keunggulan koefisien korelasi Matthews (PKS) dibandingkan skor F1
dan akurasi dalam evaluasi klasifikasi biner,”Genomik BMC, vol. 21, pasal no. 6, 2020. https://
doi.org/10.1186/s12864-019-6413-7