2.4 Face Recognition
Face Recognition atau pengenalan wajah adalah salah satu teknologi biometrik yang telah banyak diaplikasikan dalam sistem security selain pengenalan retina mata,
pengenalan sidik jari dan iris mata. Dalam aplikasinya sendiri pengenalan wajah menggunakan sebuah kamera untuk menangkap wajah seseorang kemudian
dibandingkan dengan wajah yang sebelumnya telah disimpan di dalam database tertentu. Ada beberapa macam metoda pengenalan wajah yaitu neural network,
jaringan syaraf tiruan, neuro fuzzy adaptif dan eigenface Bayu. S, et al. 2011. Face perception
adalah proses „mengenali wajah‟ dimana otak dan pikiran berusaha memahami dan menafsirkan wajah yang ada di hadapannya, terutama wajah
manusia. Proporsi dan ekspresi wajah manusia dinilai penting untuk identifikasi awal mengenai kecenderungan emosional, kualitas kesehatan, ataupun beberapa informasi
sosial. Wajah merupakan salah satu dari bagian tubuh manusia yang terdiri dari beberapa panca indera. Setiap manusia memiliki pola wajah yang berbeda. Itulah
sebabnya wajah manusia dapat digunakan sebagai bagian penting yang dapat diidentifikasi untuk beberapa kepentingan yang bersifat personal dan penting. Salah
satunya adalah keamanan untuk suatu folder menggunakan citra wajah. Banyak metode yang dapat digunakan dalam membangun sebuah Face Recognition
diantaranya metode Embedded Hidden Markov Models, Eigenface, dan lain lain. Dalam penelitian ini, penulis akan membangun sebuah aplikasi yang berfungsi
untuk menjaga keamanan folder menggunakan pencitraan wajah. Metode yang digunakan adalah metode Eigenface.
2.5 Principal Component Analysis PCA
PCA merupakan algoritma yang di dalamnya terdapat eigenface. Prinsip dasar dari algoritma PCA adalah memproyeksikan image ke dalam bidang ruang eigen- nya.
Caranya adalah dengan mencari eigen vector yang dimiliki setiap image dan memproyeksikannya ke dalam ruang eigen yang didapat tersebut. Besarnya dimensi
Universitas Sumatera Utara
ruang eigen tergantung dari jumlah image yang dimiliki oleh program training Purwanto, J, E.
Perhitungan PCA dimulai dengan pembentukan matriks kovarians dari sekumpulan citra latih dalam basis-data. Untuk membuat matriks kovarians dapat
dilakukan dengan mengurangkan setiap kolom dari matriks ruang citra dengan reratanya masing-masing sehingga didapatkan suatu matriks transformasi, kemudian
mengalikan matriks hasilnya dengan transpos matriks tersebut sendiri. Jika dimisalkan matriks transformasinya adalah X, maka matriks kovariansnya adalah
∑X = XXT . Ide utama PCA adalah menemukan vektor dengan nilai terbaik untuk distribusi citra
wajah dalam seluruh ruang citra. Vektor-vektor ini mendefinisikan subruang citra wajah atau biasa disebut dengan nama ruang wajah. Vektor ini mendefinisikan
subruang dari citra-citra wajah dan subruang tersebut dinamakan ruang wajah. Identifikasi suatu citra uji, membutuhkan proyeksi suatu citra ke dalam ruang wajah
untuk menentukan korespondensi kumpulan bobot-bobot. Dengan membandingkan kumpulan bobot-bobot wajah dalam training set, pengujian citra dapat diidentifikasi.
Menurut Puri. F. T. 2011, Bentuk umum dari Principal Component Analysis PCA adalah sebagai berikut :
C = -
Ѱ –Ѱ
Tujuan yang ingin dicapai adalah membangun sebuah ruang wajah, dengan setiap komponennya tidak saling berkorelasi. Ini berarti bahwa matriks kovarians dari
komponen yang baru haruslah berbentuk diagonal.
2.6 Metode Eigenface