Development of Face Recognition Model using Bi-2DPCA and Support Vector Machine
PENGEMBANGAN MODEL PENGENALAN WAJAH
MANUSIA DENGAN TEKNIK REDUKSI DIMENSI BI-2DPCA
DAN SUPPORT VECTOR MACHINE SEBAGAI CLASSIFIER
FREDICIA
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2014
PERNYATAAN MENGENAI TESIS DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA*
Dengan ini saya menyatakan bahwa tesis berjudul Pengembangan Model
Pengenalan Wajah Manusia dengan Teknik Reduksi Dimensi Bi伸2DPCA dan
Support Vector MachinesebagaiClassifier adalahbenarkaryasayadenganarahan
dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada
perguruantinggimanapunSumberinformasiyangberasalataudikutipdarikarya
yangditerbitkanmaupuntidakditerbitkandaripenulislaintelahdisebutkandalam
teksdandicantumkandalamDaftarPustakadibagianakhirtesisini
DenganinisayamelimpahkanhakciptadarikaryatulissayakepadaInstitut
PertanianBogor
BogorFebruari214
Fredicia
G6519364
RINGKASAN
FREDICIA Pengembangan Model Pengenalan Wajah Manusia dengan Teknik
Reduksi Dimensi Bi伸2DPCA dan Support Vector Machine sebagai Classifier
DibimbingolehAGUSBUONOdanENDANGPURNAMAGIRI
Wajah manusia selalu digunakan dalam pengaplikasian sistem kontrol
akses sistem otentifikasi identitas sistem pengawasan dan sistem
keamananBanyak penelitian pengenalan wajah dilakukan dengan menggunakan
berbagai metode seperti Eigen Faces Fisher’sLinear Discriminants Neural
NetworksHidden Markov ModelBayesianNetworksdansebagainyaTantangan
yang sering terjadi adalah dimensi data yang akan diklasifikasikan dan waktu
komputasiyangdiperlukan
Dalam penelitian untuk mendapatkan metode alternatif untuk pengenalan
wajah Le TH and Bui L 211傈 melakukan penelitian model pengenalan wajah
dengan Two-Dimensional Principal Component Analysis 2DPCA傈 dan Support
Vector Machine SVM傈 dengan menggunakan data citra wajah ATT Hasil
penelitian tersebut bahwa akurasi pengenalan wajah dengan menggunakan data
citrawajahATTmenggunakan2DPCAdanSVMsebesar973煸sertaPCAdan
SVM sebesar 952煸 Kemudian pada tahun 21 penelitian Bi伸2DPCA sebagai
metode alternatif pengenalan wajah dilakukan oleh Yang J et al. 21傈Dalam
penelitian tersebut membandingkan metode Bi伸2DPCA 2DPCA dan PCA
Kesimpulannya bahwa penggunaan Bi伸2DPCA menghasilkan akurasi dan
komputasilebihbaikdari2DPCAmaupunPCA
BerdasarkanpenelitianyangdilakukanolehLeTHdanBuiL 211傈serta
Yang J et al 21傈 dilakukan penelitian untuk pengembangan model
pengenalan wajah dengan menggunakan teknik reduksi dimensi Bi伸2DPCA dan
SupportVectorMachine SVM傈sebagaipengenalanpolaTeknikreduksidimensi
1DPCA dan 2DPCA digunakan sebagaipembanding ukuran dimensi dan waktu
komputasidaripadateknikBi伸2DPCA UntukmembantuSVMdalammengenali
wajahmanusiadigunakanfungsikernelpadaSVMyaitulinear polynomialdan
radial basis function RBF傈 Pada saat menggunakan kernel RBF digunakan
UntukkernelRBFparameternilaisigmadanCyangdigunakanmerupakannilai
sigma2伸15sampaidengan23dannilaiCdimulaidari2伸5sampaidengan214yang
telahdigunakandalampenelitianyangdilakukanolehLeTHdanBuiL 211傈
Data citra wajah dipergunakan adalah ORL Database of Faceyang bisa
diunduh dari ATT Laboratory terdiri atas 4 wajah masing伸masing 1 citra
sehinggatotalnya4buahcitraValidasidilakukandenganleave-one-out LOO傈
cross validationsehinggauntuksetiappasanganekstraksiciridanpengenalpola
ada 1 percobaan Metode One against all digunakan untuk membantu SVM
dalam mengklasifikasikan data wajah ORL yang terdiri atas 4 kelas dengan
tujuanuntukmengurangiwaktukomputasiyangdiperlukan
Darihasilpengujianterhadap36modelpengenalanwajahBi伸2DPCA85煸
dengan bantuan kernel linear menghasilkan tingkat akurasi pengenalan wajah
tertinggi sebesar 9425煸 sedangkan tingkat akurasi paling rendah diperoleh
sebesar 245煸 dengan metode 1DPCA dengan kernel polynomial orde 3
Sedangkan waktu komputasi terendah sebesar 1534 detik pada saat komponen
sebesar85煸digunakandanwaktukomputasipalingtinggisebesar 25268detik
padasaatkomponensebesar95煸Adabeberapahalyangbisadisimpulkanyaitu:
pola akurasi kernel pada setiap ekstraksiciri adalah sama Hal ini berartitidak
adahubunganantaraekstraksiciriyangdipergunakandengankernelpadaSVM
KeduaadalahpadapenelitianiniterlihatSVMtidakbisamengklasifikasikandata
yang berdimensi besarSemakin besar reduksi dimensi yang dilakukan semakin
tinggi nilai akurasi yang didapatkan Ketiga adalah makin tinggi komponen
tidaklah secara otomatis menaikkan akurasi Kesimpulan dari penelitian adalah
metodeBi伸2DPCA dengan SVM merupakan modelpengenalan wajah yang baik
dengantingkatakurasiyangbaikdimanaakurasitertinggidenganwaktuterendah
dibandingkan2DPCA–SVMdan1DPCA伸SVM
Kata Kunci: PengenalanWajah, Principle Component Analysis, Kernel, Support
Vector Machine, Leave-one Out Cross Validation
SUMMARY
FREDICIA Development of Face Recognition Model using Bi伸2DPCA and
Support Vector Machine Supervised by AGUS BUONO and ENDANG
PURNAMAGIRI
Thehumanfaceisalwaysusedintheapplicationofaccesscontrolsystems
identityauthenticationsystemssurveillance systemsandsecuritysystemsSome
researhonfacerecognitionhasbeenproposedwithavarietyofmethodssuchas
Eigen Faces Fisher’s Linear Discriminant Bayesian Networks Neural
NetworksHidden Markov Model and so on But all the above mentioned
methodshavelimitationssuchasdealingwiththesizeoftheimageandlighting
andlearningtimearetoolong
InastudytoobtainanalternativemethodforfacerecognitionLeTHand
Bui L 211傈 conducted research model of face recognition with Two伸
DimensionalPrincipal Component Analysis 2DPCA傈 and Support Vector
Machine SVM傈usingATTfaceimagedataTheresultsofthesestudiesthatthe
accuracy of face recognition use 2DPCA and SVM was 973煸 and PCA伸SVM
was 952煸 Then in 21 Bi伸2DPCA uses as alternative method of face
recognitionperformed byYangJet al 21傈Inastudycomparing methodsof
Bi伸2DPCA 2DPCA and PCA The conclusion that the use of Bi伸2DPCA
generatingandcomputationalaccuracywasbetterthan2DPCAandPCA
BasedonresearchconductedbyLeTHandBuiL 211傈andYangJetal
21傈 conducted research for the development of models of face recognition
using dimension reduction technique Bi伸2DPCA and Support Vector Machine
SVM傈 as pattern recognition 1DPCA and 2DPCA dimension reduction
technique are used as comparison measure dimensions and computing time than
usingBi伸2DPCAtechniqueTohelpSVMinrecognizinghumanfacesSVMuse
linear polynomial and radial basis function RBF傈 kernel function When using
RBFkernelusedfortheRBFkerneltheparameterforsigmais2 伸15upto23and
the value of C starting from 2伸5 up to 214 which have been used in a study
conductedbyLeTHandBuiL 211傈
Facial image data used are taken from the ORL Face Database ATT
Laboratorywhichcontain4faceseachfacewith1imagesandtotalofimage
4piecesValidationisdonebyLeave伸One伸Out LOO傈crossvalidationsothat
for each pair of extraction and classifier method is 1 trials One against all
methodusedtohelpSVMinclassifyingtheORLfacedataconsistsof4classes
toreducethecomputationaltime
Fromtheresultsoftestson36modelsoffacerecognitionBi伸2DPCA85煸
with the help of a linear kernel generates the highest level of face recognition
accuracyof9425煸andthelowestaccuracyrateof245煸wasobtainedwith
1DPCA伸kernelpolynomialordo3Whilethelowestcomputationaltimeof1534
secondswhencomponent isused by85煸computationtimeandamaximumof
25268secondswhencomponent is95煸Thereareseveralthingsthat could be
concluded that: pattern accuracyon each kernel feature extraction are the same
Thismeansthatthereisnorelationshipbetweenthefeatureextractionusedbythe
kernel to the SVM The second is in this study SVM cannot classify large
dimension data From the results of tests on 36 models of face recognition Bi伸
2DPCA85煸 with the help of a linear kernel generates the highest level of
recognitionaccuracyof9425煸facewhereasthelowestaccuracyrateof245煸
was obtained with the kernel polynomial method 1DPCA order 3 While the
lowestcomputationaltimeof1534secondswhenthecomponentisusedby85煸
computationtimeandamaximumof25268secondswhenthecomponentis95煸
There are several things that could be concluded that: pattern accuracy on each
kernel feature extraction are the same This means that there is no relationship
betweenthe feature extractionused bythekernelto theSVM Thesecond is in
this studySVM cannot classify large data dimension The larger the dimension
reduction is performed the higher the accuracy value obtained Third is the
higherthecomponentdoesnotautomaticallyincreaseaccuracyTheconclusionof
the study is Bi伸2DPCA method with SVM is a good model of face recognition
where the highest accuracy with the lowest time than 2DPCA伸SVM and SVM伸
1DPCA
Keywords: Face Recognition Principle Component Analysis Kernel Support
VectorMachineLeave伸oneOutCrossValidation
©HakCiptaMilikIPBTahun214
HakCiptaDilindungiUndang伸Undang
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan
atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan,
penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau
tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan
IPB
Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis ini
dalam bentuk apa pun tanpa izin IPB
PENGEMBANGAN MODEL PENGENALAN WAJAH
MANUSIA DENGAN TEKNIK REDUKSI DIMENSI BI-2DPCA
DAN SUPPORT VECTOR MACHINE SEBAGAI CLASSIFIER
FREDICIA
Tesis
sebagaisalahsatusyaratuntukmemperolehgelar
MagisterKomputer
pada
ProgramStudiIlmuKomputer
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2014
PengujiLuarKomisipadaUjianTesis:DrIrBibParuhumSilalahiMKom
JudulTesis :PengembanganModelPengenalanWajahdenganTeknikReduksi
DimensiBi伸2DPCAdanSupportVectorMachinesebagai
Classifier
Nama
:Fredicia
NIM
:G6519364
Disetujuioleh
KomisiPembimbing
DrIrAgusBuonoMSiMKom
EndangPurnamaGiriSKomMKom
Ketua
Anggota
Diketahuioleh
DekanSekolahPascasarjana
KetuaProgramStudi
IlmuKomputer
DrIrDahrulSyahMScAgr
DrEngWisnuAnantaKusuma
TanggalUjian:22Februari214
TanggalLulus:
PRAKATA
Puji dan syukur penulis panjatkan kepada Tuhan atas segala karunia伸Nya
sehingga karya ilmiah ini berhasil diselesaikan Tema yang dipilih dalam
penelitianyangdilaksanakansejakbulanMaret21iniialahPengenalanWajah
dengan judul Pengembangan Model Pengenalan Wajah dengan Teknik Reduksi
DimensiBi伸2DPCAdanSupportVectorMachinesebagaiClassifier
TerimakasihpenulisucapkankepadaBapakDrIrAgusBuonoMSiMKom
danBapakEndangPurnamaGiriSKomMKomselakupembimbingDisamping
itu penghargaanpenulissampaikankepadaIbuGiselaNinaSevaniSKomMSi
Ketua Jurusan Teknik Informatika Ukrida danBapak Marcel SKomMTI yang
telah mengijinkan saya untuk penggunaan komputer di Laboratorium untuk
pengujian metode yang digunakanUngkapan terima kasih juga disampaikan
kepadaayahibusertaseluruhkeluargaatassegaladoadankasihsayangnya
Semogakaryailmiahinibermanfaat
BogorFebruari214
Fredicia
DAFTAR ISI
DAFTARTABEL
vi
DAFTARGAMBAR
vi
DAFTARLAMPIRAN
vi
1§ PENDAHULUAN
LatarBelakang
PerumusanMasalah
TujuanPenelitian
ManfaatPenelitian
RuangLingkupPenelitian
1§
1§
1§
2§
2§
2§
2§ TINJAUANPUSTAKA
PrincipalComponentAnalysis
1DPrincipalComponentAnalysis
2DPrincipalComponentAnalysis
Bi伸2DPCA
SupportVectorMachine
MulticlassSVM
MetodeKernel
MetodeLeaveOneOutCrossValidation
3§
3§
3§
3§
4§
4§
5§
6§
6§
3§ METODE
KerangkaPemikiran
TahapPemahamanPermasalahandanStudiLiteratur
TahapPengumpulanCitraWajah
TahapPelatihandanPengujianDataCitraWajah
PersiapanPenelitian
7§
7§
8§
8§
8§
1§
4§ HASILDANPEMBAHASAN
11§
ReduksiDimensi
11§
AkurasiModel
11§
PengaruhMetodeReduksiDimensidanKernelTerhadapTingkatAkurasi
PengenalanWajah
13§
PengaruhMetodeReduksiDimensidanKernelTerhadapKomputasi
PengenalanWajah
14§
5§ SIMPULANDANSARAN
Simpulan
Saran
15§
15§
15§
DAFTARPUSTAKA
16§
LAMPIRAN
18
RIWAYATHIDUP
19
DAFTAR TABEL
1
2
3
4
Model伸modelpengenalanwajahyangdigunakan
Ukurancitrawajahsebelumdansesudahreduksidimensi
Hasilpengujianmodelpengenalanwajah
Rata–rataakurasipengenalanwajah
9§
11§
12§
13§
DAFTAR GAMBAR
1
2
3
4
5
6
7
8
TahapanBi伸2DPCA JianYanget al.21傈
SVMdalammenemukanhyperplaneterbaik1dan伸1
PermasalahandaerahtidakterklasifikasidenganSVM
ProsesLOO伸CV
Metodologipenelitian
CitrawajahORLDatabaseofFaces
Perbandinganakurasidari4kernelyangdipergunakan
Perbandinganakurasidari4kerneluntuksetiapekstraksiciri
4§
5§
5§
6§
7§
8§
14§
14§
DAFTAR LAMPIRAN
WaktuKomputasidari36modelpengenalanwajah
18§
1 PENDAHULUAN
Latar Belakang
Wajah manusia diciptakan dalam bentuk yang unik Berbeda dengan sidik
jari suara tanda tangan dan pola manusia unik lainnya pengenalan wajah
manusia tidak memerlukan sebuah kegiatan seperti mendekatkan mata ke iris
scanner mengucapkansesuatukatamelaluimikrofonataupunmenempelkanjari
ke fingerprintscanner Riset mengenai pengenalan wajah manusia mulai banyak
dilakukanuntukpengaplikasiansistemkontrolaksessistemotentifikasiidentitas
sistem pengawasan sistem keamanan dan sebagainya Wayman JLet al. 25傈
Meskipun pengenalan wajah manusia melalui komputer tidak perlu sebuah
kegiatan khusus yang dilakukan tetapi dalam pembuatan model komputasinya
sangat sulit Keunikan wajah manusia harus bisa dijelaskan oleh model
komputasinya TurkMAdanPentlandAP1991a傈
Sebelumnya riset伸riset pengenalan wajah telah menggunakan metode伸
metode sepertimetode EigenFaces Turk MA dan Pentland AP1991b; Moon H
danPhillipsPJ21傈Fisher’sLinear Discriminant LiuQet al.22傈Jaringan
Bayesian Moghaddam Bet al 2傈 Neural Network Lawrence Set al. 1997傈
Hidden Markov Model HayesIIIMHdanNefianAV1998傈Tetapisemuametode
yang telah disebutkan memiliki kelemahan seperti metode Eigen Face
berhadapan dengan masalah ukuran dari gambar dan pencahayaan Neural
Network dan Hidden Markov Model menghadapi masalah lama waktu
pembelajaran ChowdhurySet al.21傈
Dalam penelitian sebelumnya Le TH dan Bui L 211傈 melakukan
penelitian model pengenalan wajah dengan Two-Dimensional Principal
Component Analysis 2DPCA傈 dan Support Vector Machine SVM傈 dengan
menggunakan data citra wajah FERET dan ATT Hasil penelitian tersebut
bahwa akurasi pengenalan wajah dengan menggunakan data citra wajah ATT
menggunakan 2DPCA dan SVM sebesar 973煸 sedangkan untuk akurasi
pengenalandataFERET951煸LeTHdanBuiL 211傈melakukanmetodePCA
dan SVM sebagai metode pembanding dan mendapatkan akurasi sebesar 952煸
untukdataATTdan951煸untukdataFERET
PenelitianBi伸2DPCAsebagaimetodealternatifpengenalanwajahdilakukan
oleh Yang Jet al. 21傈Bi伸2DPCA merupakan metode 2DPCA yang dilakukan
pada dataset sebanyak dua kali secara sekuensial Penelitian yang
membandingkan metode Bi伸2DPCA 2DPCA dan PCA juga menyimpulkan
bahwa penggunaan Bi伸2DPCA menghasilkan akurasi dan komputasi lebih baik
dari2DPCAmaupunPCA
Perumusan Masalah
Dalam pengenalanwajah manusia metode yang diperlukanadalah metode
yangakurat danjikamemungkinkanmetodeyangdipakaijugacepatPenerapan
SVM伸PCA dan SVM伸2DPCA dalam penelitian pengenalan wajah manusia
sebelumnya mendapatkan hasil yang baik dalam keakuratannya dan komputasi
2
Oleh karena itu rumusan masalah yang dilakukan dalam penelitian ini sebagai
berikut:
1
Bagaimana memperoleh hasil pengenalan wajah manusia yang lebih
baik?
2
Bagaimana hasil penggabungan metode SVM dan Bi伸2DPCA dalam
pengenalanwajahmanusia?
Tujuan Penelitian
Berdasarkan perumusan masalah di atas maka penelitian ini bertujuan
untuk:
1 Mengembangkan modelpengenalan wajah manusia dengan Bi伸2DPCA
danSVMsebagaimetodepengenalanpolaalternatif
2 MembandingkanhasilmetodePCA2DPCAdanSVMdenganmetode
penelitianyangmenggunakanSVMdanBi伸2DPCA
Manfaat Penelitian
Manfaat penelitian ini adalah menguji metode gabungan SVM dan Bi伸
2DPCA dalam hal pengenalan wajah manusia serta membandingkannya dengan
metode 1DPCA伸SVM dan 2DPCA伸SVM sehingga bisa dipakai sebagai metode
pengganti pengenalan wajah yang dipakai dan sebagai metode alternatif dalam
pengenalanpola
Ruang Lingkup Penelitian
Penelitianinidilaksanakandenganruanglingkupsebagaiberikut:
· DiterapkandenganmenggunakanaplikasiMathworksMatlab211a
· Memakai data citra wajah manusia yang berasal dari ORL Database of
Faces yang memiliki pose dan raut wajah berbeda yang diunduh dari
http:䔜䔜wwwclcamacuk䔜research䔜dtg䔜attarchive䔜facedatabasehtm
3
2 TINJAUAN PUSTAKA
Principal Component Analysis
Principal Component Analysis PCA傈merupakanteknikmereduksidimensi
datasecarastatistiktanpamengurangikarakteristikdatatersebutsecarasignifikan
dengan mengubah dari sebagian besar variabel asli yang saling berkorelasi
menjadi satu himpunan variabel baru yang lebih kecil dan saling bebas tidak
berkorelasilagi傈 JohnsonRAdanWichernDW1998傈
Andaikan terdapat n kelompok data A yang berjumlah m buah Data
tersebutakandisusundalambentukmatriks X m´n MatriksXakandicarimatriks
kovariandengancara mengurangisetiapdatamatriksXdenganmatriksrata伸rata
Xkemudiandibagihasilnyadenganstandardeviasidarimatriks X m´n Setelah
itu dihitung nilai eigendan vektor eigen untuk diambil nilai eigen terbesar yang
mewakilikarakteristikdata
1D Principal Component Analysis
DalammereduksidimensiPCAakanmemaksimumkanvariansidataData
yang digunakanberjumlahN buahsampel{x1x2…xn}denganruangdimensi
data n Kemudian dicari nilairata伸rata daridata yang ada dan dituliskan dalam
Matriks A = 㓔
湌 聤 ∈ 퇬 dimana © − dan ∈
Langkah
berikutnya adalah mentransformasikan secara linear dari ruang dimensi data n
menjadi dimensi m dimana m