Sistem Absensi Berbasiskan Pengenalan Wajah Secara Realtime Menggunakan Webcam Dengan Metode PCA.
Heri Pratikno
AY
A
SISTEM ABSENSI BERBASISKAN PENGENALAN
WAJAH SECARA REALTIME MENGGUNAKAN
WEBCAM DENGAN METODE PCA
Program Studi Sistem Informasi, STIKOM Surabaya, email: heri@stikom.edu
SU
R
AB
Abstract: Face can be considered as part of biometric system which is used in computing
processes for tracking, recognition, expression and pose estimation in computer vision. Face
recognition has become an attraction and a lot of dedicated research in this field has been done
since a decade ago. This is mainly because face recognition does not require direct physical
contact interaction between human and computer input sensor, problems in face recognition
system are quite dynamic and complex. This is caused by several factors, including: indoor
lighting conditions, angle of view of the camera, the speed of head movement and facial
expression changes. Several methods for face recognition, for example: Gabor filter, PCA, LDA,
subspace LDA, Neural Network and Fuzzy. Differences of these methods depend on the end result
that is desired, such as computing speed, accuracy and durability. This study applied the PCA
method that is commonly referred to as the application of the Eigenface. The PCA method was
chosen due to that realtime attendance system required simplicity, speed and accuracy. The results
showed that realtime facial recognition to the input face examined in ten different actors have
avarage confidence values 0.97 with an average accuracy of 97.67%. The speed of detection for
each image is 0.25 ms.
Keywords: Face Recognition, Principal Component Analysis, Eigenface
ST
IK
O
M
Teknologi biometrik digunakan untuk
proses identifikasi secara otomatis dan verifikasi
berdasarkan perilaku (behavioral) atau ciri-ciri
fisik (physical traits) dari seseorang. Dimana
biometrik memvalidasi identitas orang dengan
cara menghitung karakterstik individu seseorang
yang bersifat unik sehingga menjadi berbeda
dengan yang lainnya.
Biometrik berdasarkan karakteristik
perilaku lebih mencerminkan kondisi psikologis
individu, misalkan : gaya berjalan, tanda-tangan
dan pola bicara. Sedangkan biometrik yang
berkarakteristik fisiologis relatif lebih stabil
daripada karakteristik perilaku, diantaranya:
wajah, sidik-jari, retina, iris dan sebagainya.
Pelacakan wajah manusia pada
penelitian sebelumnya, menggunakan kombinasi
antara algoritma CamShift dan Gabor Filter,
hasil pengujian sistemnya mencapai keakuratan
sebesar 79,31% [Lim, R. 2007]. Sedangkan
pengenalan wajah dengan metode subspace
LDA yang menerapkan kombinasi metode PCA
(Principal Components Analysis) dan LDA
(Linear Discriminant Analysis) paling akurat
mempunyai rata-rata pengenalan 95,7% [Azizah,
R.N. 2009].
Aplikasi absensi kuliah berbasis
identifikasi wajah menggunakan metode Gabor
Wavelet pada penelitian lain, hasil pengujian
pose frontal memiliki prosentase pengenalan
rata-rata 97% [Kurniawan, A. 2011]. Sedangkan
penelitian lain yang terkait dengan deteksi dan
pengenalan wajah secara real-time menggunakan
Haar-Cascade Classifier dan PCA. Dengan
pencahayaan normal dan data latih tiap orang
sebanyak 25 image mempunyai prosentase
pengenalan rata-rata 88% [Dabhade, S.A. 2012].
Pada penelitian ini akan dibuat suatu
sistem yang bisa mendeteksi (detection),
melacak (tracking) serta mengenali wajah (face
recognition) seseorang yang digunakan sebagai
media verifikasi untuk absensi jam kedatangan
dan kepulangan (time attendance) dalam
organisasi atau perusahaan. Dalam proses input
komputasinya tidak perlu ada interaksi kontak
secara fisik antara manusia dengan komputer
sehingga berbeda dengan sistem finger-print.
Implementasi dari sistem absensi
tersebut dilakukan secara otomatis dalam waktu
M
TEORI DASAR
D
Metode Pendeteksi
P
Wajah
W
Metode
M
yang
g
digunakan
dalam
penelitian ini untuk mendeteksi
m
keeberadaan
wajah dari sebuah imagee yang berasal dari foto,
h
capturin
ng image
file gambar maupun hasil
gsung dari sebu
uah kamera adaalah Haar
secara lang
Cascade Classifier.
C
Diimana fungsi detektor
wajah akan
n memeriksa masing
m
- masiing lokasi
image gun
na mengklasifik
kasikan apakaah sebagai
area wajah atau area bukaan wajah.
wajah
meng
gklasifikasikan
Dalam
pengklasifiikasi akan meenggunakan sk
kala yang
tetap, missalkan 50x50
0 piksel. Dik
karenakan
image wajaah bisa lebih beesar atau lebih kecil dari
pen-skalaan
n yang telaah ditetapkan
n, maka
pengklasifiikasi akan beru
usaha untuk mendeteksi
m
beberapa kali
k diatas image wajah gunaa mencari
wajah diberbagai skala.
AY
A
R
AB
Pengkklasifikasi
Haar
Caascade
tersimpan
t
padaa file dengan ekstensi XML
L yang
berfungsi
b
unntuk memuttuskan bagaaimana
pengklasifikasi
p
ian masing – masing lokasi
keberadaan
k
im
mage. Pengklassifikasi yang bbisa di
download
d
adaa beberapa m
macam, diantarranya:
pengklasifikasi
p
i wajah tamppak depan (ffrontal
face),
f
klasifikkasi profil waajah (profile face),
pengklasifikasi
p
i seluruh tuubuh (full boody /
pedestrian),
p
peengklasifikasi untuk tubuh bbagian
atas
a
(upper bbody) dan peengklasifikasi tubuh
bagian
b
bawah ((lower body).
Pada OpenCV, peengklasifikasi Haar
Cascade
C
Classsifier untuk mendeteksi wajah
tampak
t
depan ada beberapaa pilihan yangg bisa
dimanfaatkan
d
:
“haarcasccade_frontalfaace_default.xml”
“haarcasccade_frontalfaace_alt.xml”
“haarcasccade_frontalfaace_alt2.xml”
“haarcasccade_frontalfaace_alt_tree.xm
ml”
Keempat
K
klasiifikasi tersebuut akan memberikan
hasil
h
deteksi yaang berbeda-beeda, tergantungg pada
program
p
dan kondisi linggkungan sekittarnya.
Bahkan
B
untuk meningkatkann akurasi deteksi dari
sebuah
s
prograam, keempat klasifikasi teersebut
bisa
b
digunakaan secara berrsama-sama. S
Secara
umum
u
algoritm
ma pendeteksi wajah tampakk pada
gambar
g
2.
ST
IK
O
Gambar
G
1. Detteksi wajah denngan Haar Casscade
Claassifier
SU
nyata (realtime) menggu
unakan kamera tunggal
de Principal Component
C
(webcam) dengan metod
(
Diman
na database hasil
h
dari
Analysis (PCA).
presensi tersebut
t
bisa direpresentasikan dan
diakses lew
wat web.
Mengapa
M
peng
genalan wajaah pada
absensi in
ni menggunakaan metode PC
CA yang
biasa juga disebut dengaan Eigenface ?, karena
Eigenface
metode
sederhana,
mudah
punyai kompu
utasi yang
diimplemettasikan, memp
cepat dengan akurasi yan
ng cukup tinggii.
Baatasan masalaah pada penellitian ini,
diantaranyaa: proses deeteksi dan peengenalan
wajah si aktor
a
hanya satu
s
orang daalam satu
waktu (sin
ngle-face), belu
um diuji-cobaakan pada
orang kem
mbar secara fissik serta tidak memberi
nama atau labelisasi ben
ntuk perubahan
n ekspresi
wajah dari aktor.
ntuk mening
gkatkan akuraasi pada
Un
penelitian berikutnya bisa dimplem
metasikan
pa metode yang
y
ada,
kombinasi dari beberap
fu subspace LDA. Dimanaa subspace
misalkan fuzzy
LDA merupakan kom
mbinasi antaraa metode
CA) dan
Principal Component Analysis (PC
near Discriminat Analysis (LD
DA).
metode Lin
Pengenalan
P
waj
ajah yang berk
karakteristik fisiolog
gis saat ini paling stabil dan akurat
adalah berb
basiskan iris mata
m
karena leebih tahan
(robust) teerhadap perubahan usia, un
nik antara
orang satu
u dengan yang
g lainnya serta mampu
mengenali orang kembar secara fisik.
Gambar 22. Diagram alirr deteksi wajahh
Metode
M
Penggenalan Wajah
Metodde PCA untukk merepresentaasikan
wajah
w
telah ddiaplikasikan ooleh M. Kirbyy dan
AY
A
antara
a
image wajah. Setiapp lokasi dari image
wajah
w
memberrikan kontribuusi yang lebihh atau
kurang
k
untukk setiap eige
genvector, sehhingga
tampilan
t
dari eigenvector sseperti wajah hantu,
inilah
i
yang dissebut dengan eiigenface.
Gambar 4.. Sekumpulan w
wajah eigenfacce
PCA
P
Secara M
Matematis
R
AB
PCA secara mateematis sebagaaimana
pada
p
persamaaan 1, menjelaskan bagaaimana
sebuah
s
imagge terdekomp
mposisi, bagaaimana
eigenvector
e
diikalkulasi sertaa bagaimana image
dikomparasi
d
antara satu dengan laainnya
menggunakan
m
Euclidean Disstance
perhitungan E
[Hiamain,
[
P. 20007].
Pertam
ma, sebuah iimage wajah 2D di
dekomposisi
d
ddalam sebuah vektor 1D ddengan
menggabungka
m
an setiap baris menjadi satu vvektor
panjang.
p
M saama dengan seejumlah input image
sedangkan
s
N aadalah baris iimage x kolom
m dari
image
i
yang merupakan uukuran dari iimage.
sehingga
s
sebuaah image dapat direpresentaasikan
dengan
d
vektor sebagai berikuut :
ST
IK
O
M
SU
L. Sirovich
h pada tahun 1990, kemudian
n M. Turk
dan
A.
tahun
1991
Pentland
telah
mengembaangkan metode PCA untuk peengenalan
wajah. Seccara umum meetode PCA dissebut juga
dengan Eig
genface, diman
na teknik ini dipelopori
d
oleh L. Siro
ovich dan M. Kirby
K
tahun 19
987.
PC
CA merupak
kan sebuah metode
pengurangaan
dimenssi
statistik
yang
menghasilk
kan linier kuadrat dek
komposisi
optimal daari sekumpulaan training yaang telah
ditetapkan.. PCA sebuah
h teknik statistik yang
sangat berguna dalam bidang
b
aplikasi, seperti:
pengenalan
n wajah, komp
presi image dan
d teknik
umum untu
uk mendapatkaan pola (patterrn) dalam
data berdim
mensi tinggi.
Peendekatan PC
CA digunakaan untuk
mereduksi dimensi datta dengan caara dasar
m
n paling
kompresi data dan mengungkapka
uktur dimensi rendah
r
dari po
ola wajah.
efektif stru
Penurunan dalam dimen
nsi ini akan menghapus
m
informasi yang tidak berguna serrta menk
dekomposiisi struktur wajjah ke dalam komponen
secara orrthogonal yaang dikenal sebagai
eigenfaces..
dapat
Seetiap
imag
ge
wajah
direpresenttasikan sebagaai sekumpulan
n jumlah
bobot (veektor fitur) dari
d
eigenfaces, yang
tersimpan dalam arrayy dimensi saatu (1D).
gambar
accuan
(probee)
akan
Sebuah
kan dengan sek
kumpulan imag
ge dengan
dibandingk
cara mengu
ukur jarak antaara vektor fitu
ur masingmasing ima
age.
Paada gambar 3, menunjukkaan sebuah
contoh dari PCA, terlihatt bahwa mayorritas titikd
(2D) terletak dekaat dengan
titik dua dimensi
garis yang
g diberi namaa PC1. Hal in
ni berarti
bahwa dap
pat dilakukan proyeksi
p
titik- titik pada
garis PC1 tanpa kehilan
ngan informassi penting
mensi tersebutt.
dari dua dim
(a)
x1=
(1)
dimana
d
p mereepresentasikann sebuah nilai piksel
secara
s
individuu.
Sebeluum dianalisa vektor image harus
menjadi
m
pusaat rata-rata ddengan menguurangi
image
i
rata-rataa dari vektor im
mage. m meruupakan
image
i
rata-rataa dan wi adalaah pusat imagee ratarata
r :
m=
(2)
wi = xi – m
(b)
Gambar 3. (a). Proyeksi dasar
d
PCA
(b). Reduksi PCA
P
ke 1D
Metode
M
PCA menggunakan
n eigenvectors dan
d
eigenvallues untuk merepresentasikan image wajah. Eigenvector merupakan
m
y
mencirikaan variasi
sekumpulan dari fitur yang
(3)
Langkkah berikutnnya adalah untuk
mendapatkan
m
satu set eigennvector yang ppaling
mendiskripsika
m
an informasi utama dari setiap
pusat
p
image raata-rata. Himpuunan eigenvecttor (ei)
dengan
d
nilai eeigenvalue terrtinggi (λi), ddimana
eigenvalue
e
sam
ma dengan :
λi =
(4)
Telahh terbukti bahw
wa eigenvectoor dan
eigenvalue
e
ddiperoleh denngan mendappatkan
(5)
W merupaakan matrik yang terdiri daari vektor
pusat gam
mbar rata-rata (wi) dan WT adalah
transpose. Untuk mengh
hitung C digun
nakan M x
na di dan µi menjadi
M matrik WTW. Diman
eigenvectorr dan nilai eigeenvalue dari WTW :
(6)
Selanjutnyaa kedua sisi dik
kalikan dengan
nW:
WWT(Wdi) = µi (Wdi)
Secaraa garis besar sistem pengeenalan
wajah
w
pada ppenelitian ini,, ditunjukkan pada
gambar
g
5. Seebelum prosess pengenalan wajah
diperlukan
d
bebberapa proses awal, diantarranya:
acquisition,
a
pre
re-processing ddan ekstraksi fiitur.
(7)
Gambar 5. Sistem Penggenalan Wajahh
Sedanngkan algoritm
ma untuk pengeenalan
wajah
w
mengguunakan eigenfface, tampak pada
gambar
g
6.
IK
O
M
SU
Paada M-1 eigenv
vector (e1) perrtama dari
matrik kov
varian (WWT) direpresentasiikan oleh
normalisasi eigenvector Wd
W i. Eigenvalu
ue (λi) dari
k
(W
WWT) diberikaan oleh
matrik kovarian
eigenvalue µi, matrik kovarian han
nya dapat
M karena jum
mlah terbatas dari
d input
rangking M-1
vektor im
mage, sedangk
kan -1 beraasal dari
pengurangaan awal image rata-rata.
Eiigenvector
berkorespondeensi
ke
eigenvalue yang bukan 0 dari matrik kovarian,
kan ortonorm
mal untuk
maka akaan menghasilk
subspace
pada
data
d
image
yang
n kesalahan yaang paling
direpresenttasikan dengan
sedikit. Sehingga
S
eigenvector akaan berisi
informasi yang paling relevan dari sejumlah
ge untuk digu
unakan mengk
konstruksi
input imag
sebuah eig
genspace, dimaana image lainn
nya dapat
dianalisa.
usun menurut kesesuaian
k
Eiigenspace disu
eigenvalue dari tertingg
gi ke terendah
h, hal ini
n eigenvectorr dengan eigenvalue
e
disebabkan
tertinggi menunjukkan
m
varian terbesar dalam
image. Seb
buah image wajah
w
kemudiian dapat
diproyeksik
kan ke eigensp
pace, lokasi dari
d image
dalam subsspace ditentukaan dengan rum
mus:
AB
WTWdi = µi di
PERENCAN
P
NAAN SISTE
EM
R
C =WWT
Ambaang batas (thrreshold) θε m
menjadi
standar
s
jika E
Euclidean Disttance antara ssebuah
input
i
wajah ddan sebuah waajah penggunaa lebih
kecil
k
dari padda ambang baatas ini, makaa akan
diakui
d
sebagaai wajah millik dari penngguna
tersebut.
t
AY
A
eigenvectorr dan eigenvallue dari matrik kovarian,
persamaan dari kovarian matrik :
Ω = [v1v2…vM’]T
(8)
ST
dan M’
Dimana v1=
M adalah
mensi yang lebih kecil daripaada M dan
jumlah dim
Ω, mendisskripsikan input dari masin
ng-masing
eigenvectorr dalam meerepresentasikaan input
image waajah. Pengenaalan wajah dapat di
implemetassikan dengan memproyeksika
m
an sebuah
input image wajah (Ω) kee eigenspace, maka
m
akan
kan sebuah wajjah dalam dataabase (Ωt).
mendapatk
Jarak antara wajah-waajah dalam subspace
ngan Euclidean
n Distance (εk).
disebut den
εk = || (Ω – Ωk) ||
(9)
Gambar 6. D
Diagram alir alggoritma pengennalan
w
wajah
Sekum
mpulan image yang ada di taahapan
training
t
ditrannsformasikan kedalam keloompok
eigenface
e
E, kkemudian setiaap image yanng ada
dalam
d
traininng dihitung bbobotnya (weeight).
Setelah
S
menggamati imagee X yang tidak
diketahui,
d
imagge tertentu dihhitung bobotnyya dan
disimpan
d
pada vektor WX.
Kemuudian WX dibbandingkan ddengan
bobot
b
dari imaage untuk meemastikan bahw
wa itu
adalah
a
wajah. S
Salah satu caraa untuk mengaanggap
Untukk menampilkann proses detekksi dan
pengenalan
p
waajah sebagaimaana pada gam
mbar 9,
pada
p
penelitiaan ini mengggunakan tam
mpilan
windows
w
dengaan resolusi 3200x240 piksel. Kotak
deteksi
d
area w
wajah menggunnakan metode Haar
Cascade
C
Classsifier dengan ppilihan haarcasscade_
frontalface_alt
f
t.xml yang meempunyai kotakk area
deteksi
d
20x20 ppiksel.
AY
A
setiap bob
bot vektor merupakan
m
seb
buah titik
dalam spa
ace, menghitu
ung jarak ratta-rata D
antara bobot vektor darii WX dan bob
bot vektor
dari image WX yang tidaak dikenali.
ka jarak ratta-rata meleb
bihi nilai
Jik
treshold, kemudian
k
bob
bot vektor im
mage WX
terletak terrlalu jauh darii bobot imagee maka X
yang tidak dikenali akan dianggap bukaan sebuah
ggap wajah maaka bobot
wajah. Apabila X diang
W
akan dissimpan untuk
k proses
vektor WX
klasifikasi berikutnya.
MENTASI SISTEM
IMPLEM
Gambar 9 . Tampilan detteksi area wajaah
R
AB
Impleementasi
sistem
abbsensi
berbasiskan
b
peengenalan waj
ajah secara realtime
ini
i
menggunnakan inputann data penngguna
sebanyak
s
seppuluh orang dengan pembbagian
menjadi
m
dua kelompok. K
Kelompok peertama
menggunakan
m
lima orangg pengguna yang
datanya
d
diambbil dari foto oorang dari intternet,
sedangkan
s
kellompok keduaa mempunyaii lima
orang
o
pengguuna yang waajahnya diinpputkan
secara
s
langsunng di kamera.
Keseppuluh data inpputan penggunna dari
kedua
k
kelomppok tersebut merepresentaasikan
beberapa
b
perbbedaan karakteeristik, diantarranya:
wajah
w
dari fotoo, wajah orang,, usia, jenis kellamin,
berjilbab,
b
peruubahan bentukk rambut, berrkumis
dan
d
berkaca-m
mata. Hal ini sengaja dilaakukan
guna
g
mengettahui konfideensi dan aakurasi
pengenalan
p
waajah dari sistem
m yang telah dibbuat.
Databbase data para pengguna tersimpan
pada
p
file denggan ekstensi ..XML, tampakk pada
gambar
g
10. Seddangkan banyaaknya data pellatihan
masing-masing
m
g pengguna dari keseepuluh
pengguna
p
diam
mbil antara 1500 sampai dengaan 200
gambar
g
greysccale yang di-caapture pada reesolusi
120x90
1
piksel dalam bentuk formasi file .P
PGM.
O
M
SU
Siistem absensi berbasiskan peengenalan
wajah inii, diimplemen
ntasikan men
nggunakan
program OpenCV
O
(Op
pen Source Computer
Vision Lib
brary) yang diikembangkan oleh
o
Intel
dengan du
ukungan Wiillow Garage dibawah
lisensi Op
pen Source BSD
B
dan pem
mrograman
Dev-C++ yang
y
dikemban
ngkan secara gratis
g
oleh
Bloodshed Software.
Bllok diagram laangkah-langkaah dalam
pengenalan
n wajah, tersussun enam bagiian utama
yang terliihat pada gambar 7. Acquisition
berfungsi untuk merrepresentasikan
n wajah
manusia yang di-capturee oleh kameraa menjadi
daan area
image wajjah untuk dideteksi keberad
wajah.
IK
Gambar 7. Blok diagrram langkah-laangkah
pengenalan
n wajah
ST
Paada proses awal (pre-prrocessing)
berfungsi untuk
u
menormaalisasi image wajah
w
dari
permasalah
han luminasi yang terlalu gelap
maupun terlalu teraang sehinggaa dapat
kan
perform
masi
pada
meningkatk
sistem
pengenalan
n wajah. Pad
da sistem peengenalan
wajah dipeerlukan proses konversi daari image
berwarna ke
k greyscale, maka
m
digunakaan metode
Histogram Equalization, sebagaimanaa tampak
pada gambar 8.
Gaambar 8. Prosess pre-processin
ng
Gambarr 10. Formasi ddatabase XML
Pada gambar 11, ditampilkan ccontoh
inputan
i
imagge wajah daari kesepuluh data
pengguna
p
beseerta tampilan im
mage wajah ratta-rata
dari
d
kesepulluh data ppengguna terrsebut.
AY
A
Sedangkan
n pada gamb
bar 12, men
nunjukkan
tampilan database eigeenface dari kombinasi
k
p
dalam
m formasi
kesepuluh inputan data pengguna
delapan kolom.
Gambar
G
13. Jaarak Euclidean d1.2 dalam ruanng 2D
ST
IK
O
M
SU
EUCLIDE
EAN DISTANC
CE
Peengenalan waj
ajah merupakaan proses
pemberian sebuah nama dari
d sebuah waajah, pada
h wajah terdeeteksi maka peengenalan
saat sebuah
wajah akan
n mencari tahu siapa yang wajahnya
itu. Eigen
nface merupak
kan sebuah algoritma
pengenalan
n wajah sederh
hana yang mud
dah untuk
diimplemen
ntasikan.
Co
ontoh image wajah dari beberapa
orang yang
g sudah ditrain
ning dan sebu
uah image
wajah yang
g belum diken
nali, maka dalaam proses
pengenalan
n akan dilakuk
kan perhitungaan sebuah
jarak (dista
ance) antara im
mage yang baru
u terhadap
contoh masing-masing
m
wajah yan
ng sudah
ditraining.
Seelanjutnya akaan dipilih conttoh image
wajah yang
g paling mend
dekati dengan yang
y
baru
sebagai orang yang paling
p
mendek
kati atau
bila jarak
menyerupaai orang yang dikenal. Apab
yang ke im
mage wajah itu
i diatas nilai ambang
batas (threeshold) maka image akan
n dikenali
sebagai oraang itu, jika dibawah
d
nilai threshold
maka wajjah tersebut akan diklasifikasikan
sebagai oraang yang tidak dikenal.
Jaarak pada eig
genface diukurr sebagai
jarak dari satu titik kee titik lainnyaa, hal itu
Euclidean
disebut deengan jarak Euclidean (E
distance). Pada ruang dua
d dimensi (2
2D) jarak
a
titik P1 dan
d P2 sebagai berikut :
Euclidean antara
d1.2 =
, dimaana dx = x2-x1 dan dy =
y2-y1, tamp
pak pada gambar 13.
AB
Gambar 12. Daata Eigenface
AKURASI
A
DA
AN KONFIDEN
NSI
Impleementasi penggenalan memppunyai
dua
d tahapan, yyaitu : loadingg image wajaah dan
memproyeksik
m
kannya ke dallam subspace PCA
untuk
u
mencarii proyeksi terddekat pada pellatihan
image.
i
Perhiitungan tinggkat akurasi dan
konfidensi
k
dalaam proses penngenalan wajahh pada
penelitian
p
inni berdasarkaan pada m
metode
Euclidean
E
distaance.
Nilai konfidensi diddapatkan dari pproses
deteksi
d
yangg mempunyaii nilai kem
miripan
seseorang
s
paliing tinggi. D
Dimana image yang
mempunyai
m
kkesamaan akann mempunyaii nilai
konfidensi
k
anntara 0.5 sam
mpai dengann 1.0,
sedangkan
s
imaage yang berbeeda akan memppunyai
nilai
n
konfidenssi antara 0.0 sampai dengaan 0.5.
Rumus
R
untuk mencari nilaii konfidensi aadalah
sebagai
s
berikutt :
R
Gambar 11. Image rata-rrata dari para pengguna
p
nKonfi
n
=
(10)
dimana
d
EucD
Distance addalah jarak hasil
perhitungan
p
dari
Eucclidean
disstance,
nTrainWajah
n
merupakan jjumlah dari image
yang
y
ditraininng dan nEigenn adalah banyyaknya
jumlah
j
eigenvaalues.
Nilai akurasi didaapatkan dari pproses
yang
y
sama denngan proses nillai konfidensi, yaitu:
berbasiskan
b
peerhitungan daari jarak Eucllidean.
Adapun
A
rumuus perhitungaan akurasi aadalah
sebagai
s
berikutt :
nAkurat
n
= nCorreect *
(11)
dimana
d
nCoorrect meruppakan nilai hasil
komparasi
k
darri proses penggenalan wajahh pada
setiap
s
image yang diujiikan dengan nilai
kesesuaian
k
paaling tinggi (truth). Sedaangkan
nWrong
n
adalaah jumlah kettidaksesuaian dalam
proses
p
pengennalan image w
wajah, karena tidak
memenuhi
m
nilaai treshold yangg telah ditetapkkan.
SIMPULAN
S
Hasil percobaan
n dari sistem
m absensi
berbasiskan
n pengenalan wajah secaraa realtime
dengan menggunakan
m
kamera terlih
hat pada
tabel1. Dim
mana pada tabeel tersebut men
nunjukkan
banyaknya data pelatihaan yang diberrikan dari
kesepuluh pengguna den
ngan karakterisstik wajah
u yang diperluk
kan untuk
berbeda-beeda serta waktu
tiap prosesn
nya.
Berdaasarkan hasil pengujian ssistem
absensi
a
berbaasiskan pengeenalan wajah yang
dilakukan
d
padda penelitian ini, maka dapat
disimpulkan
d
:
1.
1 Proses deteeksi dan pengeenalan image wajah
dapat dilaakukan secaraa realtime kkarena
kecepatan deteksi tiap iimage wajah waktu
rata-ratanyaa sebesar 0.25 ms.
2.
2 Akurasi daan konfidensi dari implem
mentasi
sistem penngenalan wajaah rata-rata seebesar
97.67 % daan 0.97.
3.
3 Sistem m
mampu menngenali peruubahan
karakteristiik wajah dari kesepuluh innputan
data pengguuna.
4.
4 Estimasi bbesarnya simppangan sudut rotasi
pergerakann kepala pengguuna sebesar 1000.
RUJUKAN
R
Azizah,
A
R.N. 2009. Pengennalan Wajah ddengan
DA. Jurusan T
Teknik
Metode Subspace LD
Elektro--FTI: ITS Suraabaya.
Dabhade,
D
S.A.. 2012. Real T
Time Face Dettection
Recognition using Haar--Based
and R
Cascadee
Classifierr
and
Priincipal
Componnent
Analyysis.
Internaational
Journall of Compuuter Science and
Manageement Researcch, Vol (1 Issuue 1):
halamann 59-64.
Hiarnain,
H
P. 2007. Visioon-Based Biom
metric
Authenttication System
m. Galway: NU
UI.
Kurniawan,
K
A
A., Saleh, A. ddan Ramadijannti, N.
Aplikasi Absennsi Kuliah Beerbasis
2011. A
Identifikkasi Wajah Me
Menggunakan M
Metode
Gabor Wavelet.
Jurusan T
Teknik
munikasi – PEN
N Surabaya.
Telekom
Lim,
L
R. dan Y
Yulia, R.O.P. 22007. Pelacakaan dan
Pengenaalan
Wajaah
Mengguunakan
Webcam
m & Metode G
Gabor Filter. Juurusan
teknik IInformatika – Universitas K
Kristen
Petra:
(Online). (htttp://fportfolio..petra.
ac.id/usser_files/55-555/resmanafacegabbor.pdf, diaksess 01 Agustus 22013).
O
M
SU
Tabel 2.. Data akurasi tiiap karakteristikk wajah
AB
Seedangkan padaa tabel 2, mem
mperlihatkan secaraa lengkap data para penggun
na beserta
nilai akurasi dan konffidensi dari tiap
t
para
pengguna.
R
Tabel 1. Data
D
dan waktu pelatihan
p
tiap peengguna
AY
A
HASIL DAN
D
PEMBA
AHASAN
ST
IK
Ap
pabila inputan
n data pengg
guna dari
wajah oraang atau foto
o wajah yan
ng belum
diregistrasii maka tampilaan sistem absen
nsi seperti
gambar 14 (a). Pada gamb
bar 14 (b) men
nampilkan
guna yang su
ukses melakuk
kan login,
data pengg
sedangkan pada gambarr 14 (c) men
nampilkan
out dari sistem absensi.
proses logo
(a)
(b
b)
(c)
(
4. (a) Belum dittraining, (b) Lo
ogin dan
Gambar 14
(c) Logout
AY
A
SISTEM ABSENSI BERBASISKAN PENGENALAN
WAJAH SECARA REALTIME MENGGUNAKAN
WEBCAM DENGAN METODE PCA
Program Studi Sistem Informasi, STIKOM Surabaya, email: heri@stikom.edu
SU
R
AB
Abstract: Face can be considered as part of biometric system which is used in computing
processes for tracking, recognition, expression and pose estimation in computer vision. Face
recognition has become an attraction and a lot of dedicated research in this field has been done
since a decade ago. This is mainly because face recognition does not require direct physical
contact interaction between human and computer input sensor, problems in face recognition
system are quite dynamic and complex. This is caused by several factors, including: indoor
lighting conditions, angle of view of the camera, the speed of head movement and facial
expression changes. Several methods for face recognition, for example: Gabor filter, PCA, LDA,
subspace LDA, Neural Network and Fuzzy. Differences of these methods depend on the end result
that is desired, such as computing speed, accuracy and durability. This study applied the PCA
method that is commonly referred to as the application of the Eigenface. The PCA method was
chosen due to that realtime attendance system required simplicity, speed and accuracy. The results
showed that realtime facial recognition to the input face examined in ten different actors have
avarage confidence values 0.97 with an average accuracy of 97.67%. The speed of detection for
each image is 0.25 ms.
Keywords: Face Recognition, Principal Component Analysis, Eigenface
ST
IK
O
M
Teknologi biometrik digunakan untuk
proses identifikasi secara otomatis dan verifikasi
berdasarkan perilaku (behavioral) atau ciri-ciri
fisik (physical traits) dari seseorang. Dimana
biometrik memvalidasi identitas orang dengan
cara menghitung karakterstik individu seseorang
yang bersifat unik sehingga menjadi berbeda
dengan yang lainnya.
Biometrik berdasarkan karakteristik
perilaku lebih mencerminkan kondisi psikologis
individu, misalkan : gaya berjalan, tanda-tangan
dan pola bicara. Sedangkan biometrik yang
berkarakteristik fisiologis relatif lebih stabil
daripada karakteristik perilaku, diantaranya:
wajah, sidik-jari, retina, iris dan sebagainya.
Pelacakan wajah manusia pada
penelitian sebelumnya, menggunakan kombinasi
antara algoritma CamShift dan Gabor Filter,
hasil pengujian sistemnya mencapai keakuratan
sebesar 79,31% [Lim, R. 2007]. Sedangkan
pengenalan wajah dengan metode subspace
LDA yang menerapkan kombinasi metode PCA
(Principal Components Analysis) dan LDA
(Linear Discriminant Analysis) paling akurat
mempunyai rata-rata pengenalan 95,7% [Azizah,
R.N. 2009].
Aplikasi absensi kuliah berbasis
identifikasi wajah menggunakan metode Gabor
Wavelet pada penelitian lain, hasil pengujian
pose frontal memiliki prosentase pengenalan
rata-rata 97% [Kurniawan, A. 2011]. Sedangkan
penelitian lain yang terkait dengan deteksi dan
pengenalan wajah secara real-time menggunakan
Haar-Cascade Classifier dan PCA. Dengan
pencahayaan normal dan data latih tiap orang
sebanyak 25 image mempunyai prosentase
pengenalan rata-rata 88% [Dabhade, S.A. 2012].
Pada penelitian ini akan dibuat suatu
sistem yang bisa mendeteksi (detection),
melacak (tracking) serta mengenali wajah (face
recognition) seseorang yang digunakan sebagai
media verifikasi untuk absensi jam kedatangan
dan kepulangan (time attendance) dalam
organisasi atau perusahaan. Dalam proses input
komputasinya tidak perlu ada interaksi kontak
secara fisik antara manusia dengan komputer
sehingga berbeda dengan sistem finger-print.
Implementasi dari sistem absensi
tersebut dilakukan secara otomatis dalam waktu
M
TEORI DASAR
D
Metode Pendeteksi
P
Wajah
W
Metode
M
yang
g
digunakan
dalam
penelitian ini untuk mendeteksi
m
keeberadaan
wajah dari sebuah imagee yang berasal dari foto,
h
capturin
ng image
file gambar maupun hasil
gsung dari sebu
uah kamera adaalah Haar
secara lang
Cascade Classifier.
C
Diimana fungsi detektor
wajah akan
n memeriksa masing
m
- masiing lokasi
image gun
na mengklasifik
kasikan apakaah sebagai
area wajah atau area bukaan wajah.
wajah
meng
gklasifikasikan
Dalam
pengklasifiikasi akan meenggunakan sk
kala yang
tetap, missalkan 50x50
0 piksel. Dik
karenakan
image wajaah bisa lebih beesar atau lebih kecil dari
pen-skalaan
n yang telaah ditetapkan
n, maka
pengklasifiikasi akan beru
usaha untuk mendeteksi
m
beberapa kali
k diatas image wajah gunaa mencari
wajah diberbagai skala.
AY
A
R
AB
Pengkklasifikasi
Haar
Caascade
tersimpan
t
padaa file dengan ekstensi XML
L yang
berfungsi
b
unntuk memuttuskan bagaaimana
pengklasifikasi
p
ian masing – masing lokasi
keberadaan
k
im
mage. Pengklassifikasi yang bbisa di
download
d
adaa beberapa m
macam, diantarranya:
pengklasifikasi
p
i wajah tamppak depan (ffrontal
face),
f
klasifikkasi profil waajah (profile face),
pengklasifikasi
p
i seluruh tuubuh (full boody /
pedestrian),
p
peengklasifikasi untuk tubuh bbagian
atas
a
(upper bbody) dan peengklasifikasi tubuh
bagian
b
bawah ((lower body).
Pada OpenCV, peengklasifikasi Haar
Cascade
C
Classsifier untuk mendeteksi wajah
tampak
t
depan ada beberapaa pilihan yangg bisa
dimanfaatkan
d
:
“haarcasccade_frontalfaace_default.xml”
“haarcasccade_frontalfaace_alt.xml”
“haarcasccade_frontalfaace_alt2.xml”
“haarcasccade_frontalfaace_alt_tree.xm
ml”
Keempat
K
klasiifikasi tersebuut akan memberikan
hasil
h
deteksi yaang berbeda-beeda, tergantungg pada
program
p
dan kondisi linggkungan sekittarnya.
Bahkan
B
untuk meningkatkann akurasi deteksi dari
sebuah
s
prograam, keempat klasifikasi teersebut
bisa
b
digunakaan secara berrsama-sama. S
Secara
umum
u
algoritm
ma pendeteksi wajah tampakk pada
gambar
g
2.
ST
IK
O
Gambar
G
1. Detteksi wajah denngan Haar Casscade
Claassifier
SU
nyata (realtime) menggu
unakan kamera tunggal
de Principal Component
C
(webcam) dengan metod
(
Diman
na database hasil
h
dari
Analysis (PCA).
presensi tersebut
t
bisa direpresentasikan dan
diakses lew
wat web.
Mengapa
M
peng
genalan wajaah pada
absensi in
ni menggunakaan metode PC
CA yang
biasa juga disebut dengaan Eigenface ?, karena
Eigenface
metode
sederhana,
mudah
punyai kompu
utasi yang
diimplemettasikan, memp
cepat dengan akurasi yan
ng cukup tinggii.
Baatasan masalaah pada penellitian ini,
diantaranyaa: proses deeteksi dan peengenalan
wajah si aktor
a
hanya satu
s
orang daalam satu
waktu (sin
ngle-face), belu
um diuji-cobaakan pada
orang kem
mbar secara fissik serta tidak memberi
nama atau labelisasi ben
ntuk perubahan
n ekspresi
wajah dari aktor.
ntuk mening
gkatkan akuraasi pada
Un
penelitian berikutnya bisa dimplem
metasikan
pa metode yang
y
ada,
kombinasi dari beberap
fu subspace LDA. Dimanaa subspace
misalkan fuzzy
LDA merupakan kom
mbinasi antaraa metode
CA) dan
Principal Component Analysis (PC
near Discriminat Analysis (LD
DA).
metode Lin
Pengenalan
P
waj
ajah yang berk
karakteristik fisiolog
gis saat ini paling stabil dan akurat
adalah berb
basiskan iris mata
m
karena leebih tahan
(robust) teerhadap perubahan usia, un
nik antara
orang satu
u dengan yang
g lainnya serta mampu
mengenali orang kembar secara fisik.
Gambar 22. Diagram alirr deteksi wajahh
Metode
M
Penggenalan Wajah
Metodde PCA untukk merepresentaasikan
wajah
w
telah ddiaplikasikan ooleh M. Kirbyy dan
AY
A
antara
a
image wajah. Setiapp lokasi dari image
wajah
w
memberrikan kontribuusi yang lebihh atau
kurang
k
untukk setiap eige
genvector, sehhingga
tampilan
t
dari eigenvector sseperti wajah hantu,
inilah
i
yang dissebut dengan eiigenface.
Gambar 4.. Sekumpulan w
wajah eigenfacce
PCA
P
Secara M
Matematis
R
AB
PCA secara mateematis sebagaaimana
pada
p
persamaaan 1, menjelaskan bagaaimana
sebuah
s
imagge terdekomp
mposisi, bagaaimana
eigenvector
e
diikalkulasi sertaa bagaimana image
dikomparasi
d
antara satu dengan laainnya
menggunakan
m
Euclidean Disstance
perhitungan E
[Hiamain,
[
P. 20007].
Pertam
ma, sebuah iimage wajah 2D di
dekomposisi
d
ddalam sebuah vektor 1D ddengan
menggabungka
m
an setiap baris menjadi satu vvektor
panjang.
p
M saama dengan seejumlah input image
sedangkan
s
N aadalah baris iimage x kolom
m dari
image
i
yang merupakan uukuran dari iimage.
sehingga
s
sebuaah image dapat direpresentaasikan
dengan
d
vektor sebagai berikuut :
ST
IK
O
M
SU
L. Sirovich
h pada tahun 1990, kemudian
n M. Turk
dan
A.
tahun
1991
Pentland
telah
mengembaangkan metode PCA untuk peengenalan
wajah. Seccara umum meetode PCA dissebut juga
dengan Eig
genface, diman
na teknik ini dipelopori
d
oleh L. Siro
ovich dan M. Kirby
K
tahun 19
987.
PC
CA merupak
kan sebuah metode
pengurangaan
dimenssi
statistik
yang
menghasilk
kan linier kuadrat dek
komposisi
optimal daari sekumpulaan training yaang telah
ditetapkan.. PCA sebuah
h teknik statistik yang
sangat berguna dalam bidang
b
aplikasi, seperti:
pengenalan
n wajah, komp
presi image dan
d teknik
umum untu
uk mendapatkaan pola (patterrn) dalam
data berdim
mensi tinggi.
Peendekatan PC
CA digunakaan untuk
mereduksi dimensi datta dengan caara dasar
m
n paling
kompresi data dan mengungkapka
uktur dimensi rendah
r
dari po
ola wajah.
efektif stru
Penurunan dalam dimen
nsi ini akan menghapus
m
informasi yang tidak berguna serrta menk
dekomposiisi struktur wajjah ke dalam komponen
secara orrthogonal yaang dikenal sebagai
eigenfaces..
dapat
Seetiap
imag
ge
wajah
direpresenttasikan sebagaai sekumpulan
n jumlah
bobot (veektor fitur) dari
d
eigenfaces, yang
tersimpan dalam arrayy dimensi saatu (1D).
gambar
accuan
(probee)
akan
Sebuah
kan dengan sek
kumpulan imag
ge dengan
dibandingk
cara mengu
ukur jarak antaara vektor fitu
ur masingmasing ima
age.
Paada gambar 3, menunjukkaan sebuah
contoh dari PCA, terlihatt bahwa mayorritas titikd
(2D) terletak dekaat dengan
titik dua dimensi
garis yang
g diberi namaa PC1. Hal in
ni berarti
bahwa dap
pat dilakukan proyeksi
p
titik- titik pada
garis PC1 tanpa kehilan
ngan informassi penting
mensi tersebutt.
dari dua dim
(a)
x1=
(1)
dimana
d
p mereepresentasikann sebuah nilai piksel
secara
s
individuu.
Sebeluum dianalisa vektor image harus
menjadi
m
pusaat rata-rata ddengan menguurangi
image
i
rata-rataa dari vektor im
mage. m meruupakan
image
i
rata-rataa dan wi adalaah pusat imagee ratarata
r :
m=
(2)
wi = xi – m
(b)
Gambar 3. (a). Proyeksi dasar
d
PCA
(b). Reduksi PCA
P
ke 1D
Metode
M
PCA menggunakan
n eigenvectors dan
d
eigenvallues untuk merepresentasikan image wajah. Eigenvector merupakan
m
y
mencirikaan variasi
sekumpulan dari fitur yang
(3)
Langkkah berikutnnya adalah untuk
mendapatkan
m
satu set eigennvector yang ppaling
mendiskripsika
m
an informasi utama dari setiap
pusat
p
image raata-rata. Himpuunan eigenvecttor (ei)
dengan
d
nilai eeigenvalue terrtinggi (λi), ddimana
eigenvalue
e
sam
ma dengan :
λi =
(4)
Telahh terbukti bahw
wa eigenvectoor dan
eigenvalue
e
ddiperoleh denngan mendappatkan
(5)
W merupaakan matrik yang terdiri daari vektor
pusat gam
mbar rata-rata (wi) dan WT adalah
transpose. Untuk mengh
hitung C digun
nakan M x
na di dan µi menjadi
M matrik WTW. Diman
eigenvectorr dan nilai eigeenvalue dari WTW :
(6)
Selanjutnyaa kedua sisi dik
kalikan dengan
nW:
WWT(Wdi) = µi (Wdi)
Secaraa garis besar sistem pengeenalan
wajah
w
pada ppenelitian ini,, ditunjukkan pada
gambar
g
5. Seebelum prosess pengenalan wajah
diperlukan
d
bebberapa proses awal, diantarranya:
acquisition,
a
pre
re-processing ddan ekstraksi fiitur.
(7)
Gambar 5. Sistem Penggenalan Wajahh
Sedanngkan algoritm
ma untuk pengeenalan
wajah
w
mengguunakan eigenfface, tampak pada
gambar
g
6.
IK
O
M
SU
Paada M-1 eigenv
vector (e1) perrtama dari
matrik kov
varian (WWT) direpresentasiikan oleh
normalisasi eigenvector Wd
W i. Eigenvalu
ue (λi) dari
k
(W
WWT) diberikaan oleh
matrik kovarian
eigenvalue µi, matrik kovarian han
nya dapat
M karena jum
mlah terbatas dari
d input
rangking M-1
vektor im
mage, sedangk
kan -1 beraasal dari
pengurangaan awal image rata-rata.
Eiigenvector
berkorespondeensi
ke
eigenvalue yang bukan 0 dari matrik kovarian,
kan ortonorm
mal untuk
maka akaan menghasilk
subspace
pada
data
d
image
yang
n kesalahan yaang paling
direpresenttasikan dengan
sedikit. Sehingga
S
eigenvector akaan berisi
informasi yang paling relevan dari sejumlah
ge untuk digu
unakan mengk
konstruksi
input imag
sebuah eig
genspace, dimaana image lainn
nya dapat
dianalisa.
usun menurut kesesuaian
k
Eiigenspace disu
eigenvalue dari tertingg
gi ke terendah
h, hal ini
n eigenvectorr dengan eigenvalue
e
disebabkan
tertinggi menunjukkan
m
varian terbesar dalam
image. Seb
buah image wajah
w
kemudiian dapat
diproyeksik
kan ke eigensp
pace, lokasi dari
d image
dalam subsspace ditentukaan dengan rum
mus:
AB
WTWdi = µi di
PERENCAN
P
NAAN SISTE
EM
R
C =WWT
Ambaang batas (thrreshold) θε m
menjadi
standar
s
jika E
Euclidean Disttance antara ssebuah
input
i
wajah ddan sebuah waajah penggunaa lebih
kecil
k
dari padda ambang baatas ini, makaa akan
diakui
d
sebagaai wajah millik dari penngguna
tersebut.
t
AY
A
eigenvectorr dan eigenvallue dari matrik kovarian,
persamaan dari kovarian matrik :
Ω = [v1v2…vM’]T
(8)
ST
dan M’
Dimana v1=
M adalah
mensi yang lebih kecil daripaada M dan
jumlah dim
Ω, mendisskripsikan input dari masin
ng-masing
eigenvectorr dalam meerepresentasikaan input
image waajah. Pengenaalan wajah dapat di
implemetassikan dengan memproyeksika
m
an sebuah
input image wajah (Ω) kee eigenspace, maka
m
akan
kan sebuah wajjah dalam dataabase (Ωt).
mendapatk
Jarak antara wajah-waajah dalam subspace
ngan Euclidean
n Distance (εk).
disebut den
εk = || (Ω – Ωk) ||
(9)
Gambar 6. D
Diagram alir alggoritma pengennalan
w
wajah
Sekum
mpulan image yang ada di taahapan
training
t
ditrannsformasikan kedalam keloompok
eigenface
e
E, kkemudian setiaap image yanng ada
dalam
d
traininng dihitung bbobotnya (weeight).
Setelah
S
menggamati imagee X yang tidak
diketahui,
d
imagge tertentu dihhitung bobotnyya dan
disimpan
d
pada vektor WX.
Kemuudian WX dibbandingkan ddengan
bobot
b
dari imaage untuk meemastikan bahw
wa itu
adalah
a
wajah. S
Salah satu caraa untuk mengaanggap
Untukk menampilkann proses detekksi dan
pengenalan
p
waajah sebagaimaana pada gam
mbar 9,
pada
p
penelitiaan ini mengggunakan tam
mpilan
windows
w
dengaan resolusi 3200x240 piksel. Kotak
deteksi
d
area w
wajah menggunnakan metode Haar
Cascade
C
Classsifier dengan ppilihan haarcasscade_
frontalface_alt
f
t.xml yang meempunyai kotakk area
deteksi
d
20x20 ppiksel.
AY
A
setiap bob
bot vektor merupakan
m
seb
buah titik
dalam spa
ace, menghitu
ung jarak ratta-rata D
antara bobot vektor darii WX dan bob
bot vektor
dari image WX yang tidaak dikenali.
ka jarak ratta-rata meleb
bihi nilai
Jik
treshold, kemudian
k
bob
bot vektor im
mage WX
terletak terrlalu jauh darii bobot imagee maka X
yang tidak dikenali akan dianggap bukaan sebuah
ggap wajah maaka bobot
wajah. Apabila X diang
W
akan dissimpan untuk
k proses
vektor WX
klasifikasi berikutnya.
MENTASI SISTEM
IMPLEM
Gambar 9 . Tampilan detteksi area wajaah
R
AB
Impleementasi
sistem
abbsensi
berbasiskan
b
peengenalan waj
ajah secara realtime
ini
i
menggunnakan inputann data penngguna
sebanyak
s
seppuluh orang dengan pembbagian
menjadi
m
dua kelompok. K
Kelompok peertama
menggunakan
m
lima orangg pengguna yang
datanya
d
diambbil dari foto oorang dari intternet,
sedangkan
s
kellompok keduaa mempunyaii lima
orang
o
pengguuna yang waajahnya diinpputkan
secara
s
langsunng di kamera.
Keseppuluh data inpputan penggunna dari
kedua
k
kelomppok tersebut merepresentaasikan
beberapa
b
perbbedaan karakteeristik, diantarranya:
wajah
w
dari fotoo, wajah orang,, usia, jenis kellamin,
berjilbab,
b
peruubahan bentukk rambut, berrkumis
dan
d
berkaca-m
mata. Hal ini sengaja dilaakukan
guna
g
mengettahui konfideensi dan aakurasi
pengenalan
p
waajah dari sistem
m yang telah dibbuat.
Databbase data para pengguna tersimpan
pada
p
file denggan ekstensi ..XML, tampakk pada
gambar
g
10. Seddangkan banyaaknya data pellatihan
masing-masing
m
g pengguna dari keseepuluh
pengguna
p
diam
mbil antara 1500 sampai dengaan 200
gambar
g
greysccale yang di-caapture pada reesolusi
120x90
1
piksel dalam bentuk formasi file .P
PGM.
O
M
SU
Siistem absensi berbasiskan peengenalan
wajah inii, diimplemen
ntasikan men
nggunakan
program OpenCV
O
(Op
pen Source Computer
Vision Lib
brary) yang diikembangkan oleh
o
Intel
dengan du
ukungan Wiillow Garage dibawah
lisensi Op
pen Source BSD
B
dan pem
mrograman
Dev-C++ yang
y
dikemban
ngkan secara gratis
g
oleh
Bloodshed Software.
Bllok diagram laangkah-langkaah dalam
pengenalan
n wajah, tersussun enam bagiian utama
yang terliihat pada gambar 7. Acquisition
berfungsi untuk merrepresentasikan
n wajah
manusia yang di-capturee oleh kameraa menjadi
daan area
image wajjah untuk dideteksi keberad
wajah.
IK
Gambar 7. Blok diagrram langkah-laangkah
pengenalan
n wajah
ST
Paada proses awal (pre-prrocessing)
berfungsi untuk
u
menormaalisasi image wajah
w
dari
permasalah
han luminasi yang terlalu gelap
maupun terlalu teraang sehinggaa dapat
kan
perform
masi
pada
meningkatk
sistem
pengenalan
n wajah. Pad
da sistem peengenalan
wajah dipeerlukan proses konversi daari image
berwarna ke
k greyscale, maka
m
digunakaan metode
Histogram Equalization, sebagaimanaa tampak
pada gambar 8.
Gaambar 8. Prosess pre-processin
ng
Gambarr 10. Formasi ddatabase XML
Pada gambar 11, ditampilkan ccontoh
inputan
i
imagge wajah daari kesepuluh data
pengguna
p
beseerta tampilan im
mage wajah ratta-rata
dari
d
kesepulluh data ppengguna terrsebut.
AY
A
Sedangkan
n pada gamb
bar 12, men
nunjukkan
tampilan database eigeenface dari kombinasi
k
p
dalam
m formasi
kesepuluh inputan data pengguna
delapan kolom.
Gambar
G
13. Jaarak Euclidean d1.2 dalam ruanng 2D
ST
IK
O
M
SU
EUCLIDE
EAN DISTANC
CE
Peengenalan waj
ajah merupakaan proses
pemberian sebuah nama dari
d sebuah waajah, pada
h wajah terdeeteksi maka peengenalan
saat sebuah
wajah akan
n mencari tahu siapa yang wajahnya
itu. Eigen
nface merupak
kan sebuah algoritma
pengenalan
n wajah sederh
hana yang mud
dah untuk
diimplemen
ntasikan.
Co
ontoh image wajah dari beberapa
orang yang
g sudah ditrain
ning dan sebu
uah image
wajah yang
g belum diken
nali, maka dalaam proses
pengenalan
n akan dilakuk
kan perhitungaan sebuah
jarak (dista
ance) antara im
mage yang baru
u terhadap
contoh masing-masing
m
wajah yan
ng sudah
ditraining.
Seelanjutnya akaan dipilih conttoh image
wajah yang
g paling mend
dekati dengan yang
y
baru
sebagai orang yang paling
p
mendek
kati atau
bila jarak
menyerupaai orang yang dikenal. Apab
yang ke im
mage wajah itu
i diatas nilai ambang
batas (threeshold) maka image akan
n dikenali
sebagai oraang itu, jika dibawah
d
nilai threshold
maka wajjah tersebut akan diklasifikasikan
sebagai oraang yang tidak dikenal.
Jaarak pada eig
genface diukurr sebagai
jarak dari satu titik kee titik lainnyaa, hal itu
Euclidean
disebut deengan jarak Euclidean (E
distance). Pada ruang dua
d dimensi (2
2D) jarak
a
titik P1 dan
d P2 sebagai berikut :
Euclidean antara
d1.2 =
, dimaana dx = x2-x1 dan dy =
y2-y1, tamp
pak pada gambar 13.
AB
Gambar 12. Daata Eigenface
AKURASI
A
DA
AN KONFIDEN
NSI
Impleementasi penggenalan memppunyai
dua
d tahapan, yyaitu : loadingg image wajaah dan
memproyeksik
m
kannya ke dallam subspace PCA
untuk
u
mencarii proyeksi terddekat pada pellatihan
image.
i
Perhiitungan tinggkat akurasi dan
konfidensi
k
dalaam proses penngenalan wajahh pada
penelitian
p
inni berdasarkaan pada m
metode
Euclidean
E
distaance.
Nilai konfidensi diddapatkan dari pproses
deteksi
d
yangg mempunyaii nilai kem
miripan
seseorang
s
paliing tinggi. D
Dimana image yang
mempunyai
m
kkesamaan akann mempunyaii nilai
konfidensi
k
anntara 0.5 sam
mpai dengann 1.0,
sedangkan
s
imaage yang berbeeda akan memppunyai
nilai
n
konfidenssi antara 0.0 sampai dengaan 0.5.
Rumus
R
untuk mencari nilaii konfidensi aadalah
sebagai
s
berikutt :
R
Gambar 11. Image rata-rrata dari para pengguna
p
nKonfi
n
=
(10)
dimana
d
EucD
Distance addalah jarak hasil
perhitungan
p
dari
Eucclidean
disstance,
nTrainWajah
n
merupakan jjumlah dari image
yang
y
ditraininng dan nEigenn adalah banyyaknya
jumlah
j
eigenvaalues.
Nilai akurasi didaapatkan dari pproses
yang
y
sama denngan proses nillai konfidensi, yaitu:
berbasiskan
b
peerhitungan daari jarak Eucllidean.
Adapun
A
rumuus perhitungaan akurasi aadalah
sebagai
s
berikutt :
nAkurat
n
= nCorreect *
(11)
dimana
d
nCoorrect meruppakan nilai hasil
komparasi
k
darri proses penggenalan wajahh pada
setiap
s
image yang diujiikan dengan nilai
kesesuaian
k
paaling tinggi (truth). Sedaangkan
nWrong
n
adalaah jumlah kettidaksesuaian dalam
proses
p
pengennalan image w
wajah, karena tidak
memenuhi
m
nilaai treshold yangg telah ditetapkkan.
SIMPULAN
S
Hasil percobaan
n dari sistem
m absensi
berbasiskan
n pengenalan wajah secaraa realtime
dengan menggunakan
m
kamera terlih
hat pada
tabel1. Dim
mana pada tabeel tersebut men
nunjukkan
banyaknya data pelatihaan yang diberrikan dari
kesepuluh pengguna den
ngan karakterisstik wajah
u yang diperluk
kan untuk
berbeda-beeda serta waktu
tiap prosesn
nya.
Berdaasarkan hasil pengujian ssistem
absensi
a
berbaasiskan pengeenalan wajah yang
dilakukan
d
padda penelitian ini, maka dapat
disimpulkan
d
:
1.
1 Proses deteeksi dan pengeenalan image wajah
dapat dilaakukan secaraa realtime kkarena
kecepatan deteksi tiap iimage wajah waktu
rata-ratanyaa sebesar 0.25 ms.
2.
2 Akurasi daan konfidensi dari implem
mentasi
sistem penngenalan wajaah rata-rata seebesar
97.67 % daan 0.97.
3.
3 Sistem m
mampu menngenali peruubahan
karakteristiik wajah dari kesepuluh innputan
data pengguuna.
4.
4 Estimasi bbesarnya simppangan sudut rotasi
pergerakann kepala pengguuna sebesar 1000.
RUJUKAN
R
Azizah,
A
R.N. 2009. Pengennalan Wajah ddengan
DA. Jurusan T
Teknik
Metode Subspace LD
Elektro--FTI: ITS Suraabaya.
Dabhade,
D
S.A.. 2012. Real T
Time Face Dettection
Recognition using Haar--Based
and R
Cascadee
Classifierr
and
Priincipal
Componnent
Analyysis.
Internaational
Journall of Compuuter Science and
Manageement Researcch, Vol (1 Issuue 1):
halamann 59-64.
Hiarnain,
H
P. 2007. Visioon-Based Biom
metric
Authenttication System
m. Galway: NU
UI.
Kurniawan,
K
A
A., Saleh, A. ddan Ramadijannti, N.
Aplikasi Absennsi Kuliah Beerbasis
2011. A
Identifikkasi Wajah Me
Menggunakan M
Metode
Gabor Wavelet.
Jurusan T
Teknik
munikasi – PEN
N Surabaya.
Telekom
Lim,
L
R. dan Y
Yulia, R.O.P. 22007. Pelacakaan dan
Pengenaalan
Wajaah
Mengguunakan
Webcam
m & Metode G
Gabor Filter. Juurusan
teknik IInformatika – Universitas K
Kristen
Petra:
(Online). (htttp://fportfolio..petra.
ac.id/usser_files/55-555/resmanafacegabbor.pdf, diaksess 01 Agustus 22013).
O
M
SU
Tabel 2.. Data akurasi tiiap karakteristikk wajah
AB
Seedangkan padaa tabel 2, mem
mperlihatkan secaraa lengkap data para penggun
na beserta
nilai akurasi dan konffidensi dari tiap
t
para
pengguna.
R
Tabel 1. Data
D
dan waktu pelatihan
p
tiap peengguna
AY
A
HASIL DAN
D
PEMBA
AHASAN
ST
IK
Ap
pabila inputan
n data pengg
guna dari
wajah oraang atau foto
o wajah yan
ng belum
diregistrasii maka tampilaan sistem absen
nsi seperti
gambar 14 (a). Pada gamb
bar 14 (b) men
nampilkan
guna yang su
ukses melakuk
kan login,
data pengg
sedangkan pada gambarr 14 (c) men
nampilkan
out dari sistem absensi.
proses logo
(a)
(b
b)
(c)
(
4. (a) Belum dittraining, (b) Lo
ogin dan
Gambar 14
(c) Logout