ABSTRAK
Pengenalan citra wajah manusia merupakan salah satu teknologi penting yang terus berkembang pada bidang
computer vision dengan penerapannya dalam sistem pengenalan biomatrik, Sistem pencarian, pengindeksan pada
database video digital, sistem keamanan kontrol akses area terbatas, konferensi video, interaksi manusia dengan
komputer dan lain sebagainya. Penelitian ini menerapkan metode Haar-Cascde untuk membangun sistem deteksi
wajah dengan bahasa pemrograman Python. Metode Haar-Cascade merupakan salah satu metode deteksi wajah
dengan tingkat akurasi yang tinggi dan komputasi yang cepat. Dari hasil pengujian deteksi wajah; python; haar-
cascade. Kemudian juga menggunakan metode LBPH(Local Binary Paterrn Histogram) Pengenalan wajah
merupakan proses lanjutan dari proses pendeteksian wajah. Di dalam pendeteksian wajah yaitu mendeteksi bagian
wajah dari seseorang, wajah tersebut bisa didapatkan dari gambar maupun video. Dengan memanfaatkan hasil
training dari haar cascade. Kemudian hasil dari proses ini dikombinasikan dengan proses Image Matching dengan
algoritma Local Binary Pattern Histogram.
2. Perancangan Sistem
Perancangan sistem merupakan
tahap selanjutnya setelah analisa sistem,
mendapat gambaran yang jelas tentang
apa yang di kerjakan pada sistem, maka
dilanjutkan dengan memikirkan
bagaimana membentuk sisten tersebut
dalam sebuah perancangan sistem face
Gambar 1. Kerangka pengenalan wajah detection dan face recognition dengan
menggunakan pemrograman Python,
Pada umumnya sistem deteksi wajah (face openCV dan Numpy.
detectetion) dan pengenalan wajah (face
regenetion) saat ini dapat dilihat konsepnya 3. Analisis
sebagai berikut : Analisis dilakukan untuk mengurai
secara mendalam terhadap perancangan
yang akan dilakukan. Pada perancangan
deteksi wajah ini juga dilakukan
analisis seperti analisis kebutuhan dan
analisis interaksi.
Analisis kebutuhan merupakan
98
langkah awal untuk menentukan sebuah
desain sistem yang akan dilakukan. b. Perangkat Lunak
Dalam perancangan deteksi wajah ini, Selain perangkat keras yang
dibutuhkan banyak informasi mengenai digunakan untuk mendukung sistem,
pendeteksian wajah seperti teknik serta digunkan juga perangkat-perangkat
peralatan yang digunakan untuk lunak antara lain:
merancang sebuah aplikasi deteksi
wajah. 1. Sistem Operasi : Windows 10 64
Untuk mengawali suatu bit
perancangan face detectetion dan face 2. Python 3.8.3
regenetion pada tahapan ini dilakukan 3. Pycharm Community edition
sebuah gambaran secara umum alur 2020.1.2x64
sistem secara keseluruhan, sebagaimana 4. CMD
terlihat pada gambar berikut : 5. Numpy 1.18.5
6. OpenCV 4.2.0.34
5. Implementasi Sistem
Sistem kemudian dibuat dengan
menggunakan perangkat-perangkat yang
telah disebutkan di atas. Sistem dibuat
bukanlah sistem informasi besar yang
menengani banyak operasi dan alur yang
kompleks.
a. Pembuatan sistem face detection dan
recognetion sistem face detection dan
recognetion dibuat menggunkan pycram
yang merupakan salah satu libray python
3.8.3 dengan menggunakan ini akan
memudahkan dalam pambuatan program
untuk membuat tampilan. Berikut ini
adalah tampilan pycram dalam membuat
program :
4. Perangkat Penelitian
a. Perangkat Keras
Perangkat keras yang digunakan
pada saat pembuata sistem adalah
seperangkat komputer dengan
spesifikasi antara lain : Gambar 4. Tampilan Pycram Community edition
1. Platform : Laptop 2020.1.2x64
2. Prosesor : Intel((R) Core(TM) i3-
700U CPU @ 2.40GHz 2.40GHz b. Tampilan face detection
3. RAM : 4,00 GB Tampilan face detection adalah
4. HDD : 500GB mendeteksi wajah dengan
5. VGA : ATI Radeon HD 5450 mengggunakan webcam yang berada
6. Webcam: USB 2.0 Camera dalam sistem komputer. Berikut ini
Standart adalah Tampilan face detection:
99
Gambar 5. Tampilan face detection Gambar 8. Tampilan face recognetion
f. Database
Gambar 6. Tampilan face detection rekam Untuk melihat face yang tersimpan di
database “python explore_db.py”
Setelah wajah di capture data-data terdapat menu face recognition yaitu:
tersebut akan dilakukan taining untuk a. Look All Data
pengujian data wajah yang sudah b. Update Existing Data
dicapture. c. Delete Data
d. Quit
100
Dengan menggunakan algoritma Haar pencahayaan gelap, wajah tidak dapat dikenali
cascade untuk mendeteksi dan LBPH untuk mencapai 57%. Objek data set tersebut
mengenali wajah. dijadikan data testing sebagai pengguna awal
pada face detection.
7. Analisis terhadap face detection dan face
recognition Berikut ini adalah hasil analisis faktor
Sejumlah data set yang dilakukan sebagai jarak terhadap wajah dekat dan jauh denagan
langkah awah dalam mendetaksi dan melakukan percobaan sebanyak 5 kali pada
mengenali wajah disertai dengan data set wajah yang telah tersimpan.
keterangan sangat berpengaruh terhadap Pada tabel jarak wajah, dapat dilihat
keberhasilan sistem detection. Factor lain bahwa pengujian jarak dekat 20-30 cm dapat
yang berpengaruh terhadap jumlah data set dikenali dengan nilai akurasi mencapai 70%.
adalah factor pencahayaan, factor jarak Sedangkan jarak jauh 31-60 cm masih dapat
serta factor posisi objek wajah tersebut. dikenali dengan dilai akurasi deteksi mencapai
Adapun sejumlah data set yang dilakukan 73%.
sebagai data training adalah sebagai Tabel 2. Hasil Faktor Jarak Wajah Dekat dan
berikut: Wajah Jauh
Tabel 1. Hasil Faktor Pencahayaan Terang dan Tabel 3. Hasil Faktor Posisi Wajah Hadap Atas,
Gelap Depan dan Bawah
Gelap
101
dengan nilai akurasi lebih tinggi hingga 71% dan REFERENSI
pada posisi wajah hadap atas tidak di kenali 1. Asti Riani Putri, 2016, “Pengolahan Citra
sebagai pengguna awal karena nilai akurasi dengan Menggunakan Webcam pada
dibawah 60% atau hanya 57%. Rata-rata nilai Kendaraan Bergerak di Jalan Raya”, JIPI
akuarasi pada posisi wajah hadap depan adalah (Jurnal Ilmiah Pendidikan Informatika)
69% dan rata-rata nilai akurasi pada posisi wajah Volume 1, Nomor1, Tahun 2016: 1-6.
hadap bawah adalah 66,6%. 2. Al-Aidid, S., & Pamungkas, D. (2018).
Sistem Pengenalan Wajah dengan
4. KESIMPULAN Algoritma Haar Cascade dan Local Binary
Berdasarkan pembahasan dan hasil uji coba Pattern Histogram. Jurnal Rekayasa
face detection dan face recognetion melalui Elektrika, 14(1), 62– 67.
kamera webcam pada sistem komputer maka di https://doi.org/10.17529/jre.v14i1.9799
simpulkan sebagai berikut : 3. Anggraini, N., Rozy, N. F., & Lazuardy, R.
1. Proses pengenalan wajah sangat tidak A. (2013). Facial Recognition System For
optimal terhadap perubahan cahaya, jarak, Fatigue Detection Using Intel Realsense
atribut wajah, dan perubahan yang telalu Technology Departement of Informatics
ekstrim. Jika citra yang digunakan sebagai Engineering Faculty of Science and
data training maupun data test face memiliki Technology State Islamic University of
intesitas cahaya yang berbeda dan tidak Syarif Hidayatullah Jakarta. (may).
berada pada posisi yang sama maka proses 4. Bruno, L. (2019). Aplikasi Pendeteksian Ras
tersebut tidak dapat memberikan hasil yang Kucing dengan Mendeteksi Wajah Kucing
akurat. dengan Metode Viola-Jones berbasis
2. Metode haar cascade classifier sangat ideal Android (Vol. 53).
digunakan untuk deteksi wajah secara https://doi.org/10.1017/CBO978110741532
realtime yang di capture melaui webcam 4.004
laptop . 5. Emami, S., & Suciu, V. P. (2012). Facial
3. Metode Haar-Cascade proses pendeteksian Recognition using OpenCV. Journal of
wajah dilakukan dengan mengklasifikasikan Mobile, Embedded and Distributed Systems,
sebuah gambar setelah sebelumnya sebuah 4(1), 38–43. Retrieved from
pengklasifikasi dibentuk dari data set. http://www.jmeds.eu/index.php/jmeds/article
4. Metode recognition wajah menggunakan /view/57
metode LBPH(Local Binary Pattern 6. Ivanjul.com. (2018). Fungsi Membaca,
Histogram) sistem pengenalan wajah Menampilkan, dan Menyimpan Gambar
menggunakan algoritma Local Binary OpenCV Python. Retrieved December 21,
Pattern Histograms untuk pengolahan fitur- 2019, from https://www.ivanjul.com/fungsi-
fitur wajah dan Haar Cascade untuk membaca-menampilkan-dan-menyimpan-
pengambilan frame wajah. gambar-opencv-python
5. Hasil uji sistem mendeteksi wajah dan 7. Iqbal, Muhammad, 2009, Dasar
pengenalan wajah dapat mendeteksi objek Pemograman Citra Menggunakan MATLAB,
wajah secara real time. Institut Pertanian Bogor, [ebook] (diunduh
6. Konsep deteksi nilai T (true) dapat pada tanggal 12 Juni 2014).
mendeteksi wajah dengan berbagai posisi 8. Petkov N., Wieling, M.B., Gabor Filter for
wajah yang benar. Image Processing and Computer Vision,
7. Hasil nilai pada wajah adalah jarak data University of Groningen, Department of
wajah yang tersimpan dengan jara wajah Computing Science, [online] (diakses pada
yang terdeteksi. tanggal 23 Juli 2014)
8. Pada pengujian secara realtime jika citra 9. Satriyanto, Edi. (2010). Clustering. Diakses
wajah terhalang oleh objek lain maka citra pada 9 Februari 2015, dari
wajah tersebut tidak akan terdeteksi . http://lecturer.eepis-its.edu/~kangedi.
102