Latar Belakang Perbandingan pengenalan wajah berbasis fitur dan berbasis citra dengan praproses analisis komponen utama

PENDAHULUAN

1.1 Latar Belakang

Pengenalan wajah adalah salah satu bidang penelitian yang penting berkaitan dengan penggunaannya di bidang keamanan. Pengenalan wajah biasanya dilakukan dengan mencocokkan sebuah citra wajah pada sekumpulan citra wajah yang berada dalam suatu kelompok tertentu. Secara umum sistem pengenalan wajah dibagi menjadi dua kelompok yaitu sistem berbasis fitur dan sistem berbasis citra Roberto Tomaso 1993. Sistem berbasis fitur menggunakan fitur-fitur wajah yang diekstraksi dari komponen citra wajah seperti mata, hidung, mulut, dan lain-lain. Fitur-fitur wajah tersebut kemudian dihubungkan secara geometris sehingga membentuk sebuah model atau pola Resmana et al. 2000. Berbeda dengan sistem pertama, sistem berbasis citra menggunakan informasi piksel citra wajah yang merepresentasikan semua fitur wajah. Pada sistem berbasis fitur, data yang digunakan adalah sebelas data jarak garis wajah yang ditentukan dari sepuluh titik wajah yang dilakukan secara manual di mata, hidung dan mulut. Sedangkan pada sistem berbasis citra, data yang digunakan adalah data citra grayscale dengan ukuran 112 x 92 piksel. Jika setiap piksel pada citra merepresentasikan fitur maka akan diperoleh fitur sebanyak 10.304 piksel. Perbedaan sistem pengenalan wajah belum dapat dikarakteristikan secara spesifik dengan baik Roberto dan Tomaso, 1993 untuk citra wajah yang biasanya berukuran besar dan menimbulkan kesulitan tersendiri dalam penanganannya seperti pengenalan pola, klasifikasi, dan analisanya. Dari permasalahan tersebut diperlukan sistem pengenalan wajah yang memiliki tingkat akurasi yang tinggi. Sebelum melakukan pengenalan pola untuk citra wajah terlebih dahulu dilakukan teknik ekstraksi ciri untuk mendapatkan ciri penting dalam suatu citra wajah. Ciri penting pada penelitian ini diperoleh dari data pada masing-masing sistem tersebut yang akan diekstraksi oleh Analisis Komponen Utama AKU. Pada metode ini matriks diubah menjadi vektor kolom yang berukuran cukup besar sehingga menyulitkan dalam proses pencarian matriks peragam dan nilai eigen. Metode AKU dipilih karena dapat menemukan pola pada data berdimensi atau ukuran yang tinggi dengan cara mereduksi dimensi data tanpa kehilangan banyak informasi Smith 2002. Klasifikasi pada pengenalan wajah ini menggunakan algoritma k-nearest neighbor k-NN. Algoritma ini mengklasifikasikan data berdasarkan k- tetangga terdekat data dengan menghitung jarak terkecil setelah data diurutkan dari kecil ke besar. Klasifikasi fitur wajah dilakukan dengan melihat data yang sering muncul pada k-tetangga tersebut. Hasil klasifikasi inilah yang dapat menentukan sistem pengenalan wajah mana yang terbaik dari dua sistem pengenalan wajah tersebut. Penelitian terhadap pengenalan wajah sudah banyak dilakukan dengan kelebihan dan kekurangan tertentu, seperti dilakukan oleh Yeni 2005 yang menggunakan sistem berbasis fitur dan Jaringan Syaraf Tiruan untuk klasifikasi kelasnya dan menyatakan bahwa sistem berbasis fitur memiliki tingkat akurasi pengenalan wajah yang lebih baik dibandingkan dengan metode berbasis piksel. Rifkie 2010 menggunakan sistem pengenalan wajah berbasis piksel dan AKU sebagai teknik reduksi dimensi dengan hasil akurasi rata- rata sebesar 94. Penelitian tersebut mendorong untuk melakukan penelitian terkait pencarian sistem pengenalan wajah terbaik diantara dua metode pengenalan wajah.

1.2 Tujuan Penelitian