Implemantasi Pengenalan Wajah Dengan Metode Eigenface Pada Sistem Password Laptop

  

Implemantasi Pengenalan Wajah Dengan Metode Eigenface

Pada Sistem Password Laptop

Zihan Noor Abdillah

  

Fakultas Industri Kreatif & Telematika, Prodi Teknik Informatika, Universitas Trilogi, Jakarta Selatan, Indonesia

Jalan Taman Makam Pahlawan No.1 Kalibata

• – Jakarta Selatan

  Email: zihanabdillah@trilogi.ac.id

  

Abstrak

Perkembangan system keamanan mendorong berkembangnya teknologi saat ini dengan sistem keamanan pada rumah sdengan

sistem pengenalan wajah memanfaatkan teknik pengolahan citra. Penelitian ini dilakukan untuk keamanan pada rumah supaya

rumah yang ditempati aman dari orang yang bukan pemiliknya. Tahapan ini menggunakan metode eigenface. Eigenface

digunakan untuk mereduksi dimensi vector wajah menjadi vector yang lebih sederhana ( eigen vector). Sintem pengenalan

wajah ini banyak yang menggunakan dengan metode Eigenface, karena untuk metode Eigenface dapat memberikan tingkat

akurasi yang baik, Sistem mampu menghasilkan tingkat keberhasilan sebesar 84,6% dengan FAR (False Acceptance Rate) =

16,2%, FRR (False Rejection Rate) = 20% dan EER(Equal Error Rate) = 0,3. Keuntungan menggunakan sistem pengenalan

wajah ini untuk meminimalisir adanya pencurian dari orang yang tidak dikenal untuk memasuki rumah kita atau ruangan yang

kita batasi, Dalam metode ini citra wajah diproyeksikan ke dalam sebuah fitur yang mempunyai variasi signifikan diantara

citra wajah yang diketahui. Eigenface adalah fitur signifikan, karena fitur tersebut adalah komponen utama dari suatu set citra

wajah untuk pelatihan. Metode Eigenface akan menangkap point point pada citra yang menyebabkan variasi yang cocok

dengan wajah dalam database yang membuat mereka dibedakan.

  Kata Kunci: Keamanan, metode Eigenface, PCA

Abstract

System development technology encourages the development of current technology with home systems using facial

recognition system. The study was conducted for homes in occupied homes secured by people who were not their owners.

This stage uses the eigenface method. Eigenface to reduce the dimensional vector into a simpler vector (eigenvector). The

introduction of this facial synt is much to use with Eigenface method, because for Eigenface method can provide a good level

of accuracy, System that is able to achieve success rate of 84.6% with FAR (Incorrect Acceptance Rate) = 16.2%, FRR

(Rejection Rate False) = 20% and EER (Mistake Rate) = 0.3. The Benefits of Using the System to Produce Others from

Unfamiliar Persons To Know Our Home or Outside That We Limit, In This Method The Image of Face is posted in a significant

feature significantly. Eigenface is a significant feature, since the feature is a major component of managing face images for

training. The Eigenface method will point the spike point on the resulting image that matches the face in the database that

makes them differentiated.

  Keywords: Securitu, Eigenface, PCA, Citra.

1. PENDAHULUAN

  Teknologi semakin lama semakin berkembang dan maju, dengan seperti itu sistem bertambahnya pencurian yang berbagai macam dari yang terkecil sampai yang terbesar, oleh karena itu sistem keamanan pun harus di upgrade menyesuaikan dengan kondisi teknologi yang terbaru saat ini. Bagi manusia mengenali wajah seseorang adalah hal yang sangat mudah untuk dilakukan. Seseorang akan cepat mengenal, menghafal dan membedakan wajah setiap orang yang di kenal sebelumnya walaupun dengan ekspresi yang berbeda beda ketika ditemui, atau bahkan dalam keadaan terang maupun gelap. Akan tetapi bagaimana agar sistem computer dapat mengenali wajah manusia, akan ada kendala pada sistem tanpa adanya pembelajaran bagi sistem tersebut. Sistem ini adalah sistem yang susah untuk di tembus karena adanya proses sistem identifikasi yang unik.

  Deteksi wajah adalah salah satu tahap pra proses yang sangat penting didalam sistem pengenalan wajah yang digunakan untuk sistem biometric. Banyak peneliti yang sudah melakukan penelitian dentang pengenalan wajah yaitu menggunakan metode wavelet, SVM (Support Vector Machine), eigenface dengan algoritma pengolahan citra. Eigenface menunjukan bahwa tingkat akurasi pengenalan dengan menggunakan metode yang telah dikembangkan mencapai 90%. Untuk memecahkan permasalahan ini biasanya dilakukan dengan menggunakan teknik pereduksian dimensi (Yambor, 2000). Teknik pereduksian dimensi yang sangat terkenal teknik Eigenfaces yang berorientasi pada metode Principal Component Analysis (Belhumeur et al, 1997).

  PCA yang akan diintegrasikan dengan teknik pengklasifikasian linier sekaligus digunakan pada tahap ekstraksi ciri dalam proses pengenalan citra wajah manusia (Marti, 2007). Teknik yang digunakan untuk menyederhanakan data secara linier sehingga berbentuk sistem kordinat baru dengan maksimum varians, teknik itu di sebuk teknik PCA

2. TEORITIS

  2.1 Sistem Pengenalan Wajah

  Sebuah sistem verifikasi biometrik mempunyai dua macam kesalahan yaitu kesalahan dalam menerima data yang tidak terdaftar (false acceptance rate / FAR ) dan kesalahan dalam menolak data yang telah terdaftar (false rejection rate / FRR), FAR dan FRR saling berlawanan. FAR dan FRR merupakan fungsi dari nilai ambang.

  Gambar 1. Threshold Secara umum sistem pengenalan wajah dibagi menjadi dua jenis, yaitu sistem feature-based dan sistem imagebased. Sistem feature based adalah sistem permodelan parametric jadi komponen tersusun dari gabungan fitur-fitur. Pada sistem pertama digunakan ciri yang diekstrasi dari komponen citra wajah, seperti mata, hidung, mulut dan lain lain, yang kemudian akan dimodelkan secara geometris hubungan ciri ciri tersebut. Pada PCA atu transformasi wavelet digunakan untuk klasifikasi identitas citra, dan sistem ini merupakan Sistem imagebased dimana menggunakan informasi mentah dari pixe citra yang kemudian direpresentasikan dalam metode tertentu.

  2.2 PCA

  Waktu komputasi dan kompleksitas dapat dikurangi karena PCA yang menangkap variasi dari wajah lalu direduksi menjadi variable lebih sedikit Eigenface adalah eigen vector yang berasal dari kovarian matrik dgn distribusi acak pada citra wajah dimensi yang tinggi. Metode ini mentransformasikan citra wajah kedalah sebuah kumpulan karakteristik fitur citra yang dinamakan eigenface. Setiap eigenface menyimpan beberapa bagian dari wajah yang tidak terlihat pada citra yang sesungguhnya. Eigenface dikombinasikan eigen vector dengan citra yang sesunguhnya. Adapun cara kerja PCA yaitu (Al Fatta, 2009) :

  1. Membuat Flat Vector (ImageList, N, M) : ImageList yaitu kumpulan dari N training image, dimana setiap image adalah W x H piksel. M adalah ukuran vector flat yang harus dibuat.

  2. Gabungkan setiap dalam WH elemen vector dengan menggabungkan semua baris. Buat ImageMatrix sebagai matriks N x WH berisi semua gambar yang digabung.

  3. Jumlahkan semua baris pada ImageMatrix dan dibagi dengan N untuk mendapatkan rataan gambar gabungan.

  Kita namakan vector elemen WH ini dengan R.

  4. Kurangi ImageMatrix dengan average image R. Kita namakan matriks baru ukuran N x WH sebagai R’.

  5. Jika pada elemen-elemen dari matriks R’ ditemukan nilai negative, ganti nilainya dengan nilai 0.

  2.3 Citra

  Citra menurut kamus Webster adalah suatu representasi atau gambaran, kemiripan, atau imitasi dari suatu objek atau benda, contohnya yaitu foto seseorang dari kamera yang mewakili orang tersebut, foto sinar X-thorax yang mewakili gambar bagian tubuh seseorang dan lain sebagainya (Hestiningsih, Idhawati, 2008 : 1).

  Citra yang terlihat merupakan cahaya yang direfleksikan dari sebuah objek. Sumber cahaya tersebut akan menerangi objek, objek kemudian akan memantulkan kembali sebagian dari berkas cahaya tersebut dan pantulan cahaya lalu ditangkap oleh alat-alat optik, seperti mata manusia, kamera, scanner, dan sensor satelit, kemudian direkam. Keluaran sistem perekaman data yang bersifat optic berupa foto dan bersifat analog berupa sinyal video seperti gambar pada tv, atau digital yang dapat langsung di simpan pada suatu media penyimpanan, hal itu disebut juga citra (Hestiningsih, Idhawati., 2008 : 1).

  2.4 Eigenface Metode Eigenface ditemukan oleh Matthew A Turk dan Alex P. Pentland dari MIT pada tahun 1991 [5].

  Mendapatkan karakteristik citra dengan tidak menggunakan wajah tapi menggunakan rumus transformasi matematika merupakan tujuan utama dari metode Eigenface

3. ANALISA DAN PEMBAHASAN

  Pada penelitian menggunakan penelitian dengan cara mencatat langsung hasil pengujian sebagai media pengumpulan data. Pengumpulan data juga dilakukan dengan mempelajari, mencari dan mengumpulkan data yang berhubungan dengan penelitian ini. Proses identifikasi wajah ini, untuk pengamanan rumah menggunakan dapat digambarkan dalam satu block diagram seperti yang ditunjukkan pada gambar berikut.

  Pengambilan Deteksi Proses KAMERA citra wajah wajah identifikasi

  Browse file wajah Database

  Gambar 2. Proses Pengambilan Citra Wajah Keterangan : Jalannya block diagram proses penyimpanan wajah adalah sebagai berikut : 1. Kamera : merupakan inputan pada aplikasi ini yang digunakan untuk mengambil citra wajah (capture).

  2. Browse file wajah : proses mengambil beberapa wajah untuk di simpan pemilik rumah..

  3. Deteksi wajah : merupakan proses yang menunjukkan bagian wajah dari citra wajah yangdiambil.

  4. Identifikasi wajah : merupakan proses yang dilakukan untuk mencocokkan citra masukan wajah yang terlebih dahulu diidentifikasi, kemudian hasil identifikasi tersebut disimpan di dalam database wajah (training face) sehingga pada saat proses identifikasi kembali citra masukan wajah cocok dengan citra wajah pada database.

  Scan Wajah Secara Vertikal Gambar 3. Scan Wajah Secara Vertical

  Pada wajah tersebut dengan lebar dan tinggi , dimana wajah diproses dengan cara scan secara vertical dari atas ke bawah. Prinsip kerja sistem secara keseluruhan adalah pengenalan beberapa gambar wajah yang unik dengan berbagai ekspresi yang berfungsi sebagai input dengan gambar wajah yang di simpan dalam database. Proses perancangan sistem identifikasi wajah. Pelabelan

  Pelabelan ini untuk masing wajah diberikan label untuk diberi nama dan dimasukan kedalam database, nama label inilah yang nantinya akan menjadi inputan gambar dengan adanya nama. codebook

  Dengan codebook ini untuk memberi code atau serial number pada masing masing wajah yang di inputkan untuk keamanan ada rumah tersebut agar database lebih rapid an mudah mendeteksi.rosesnya adalah sebagai berikut

  Gambar 4. Flowchart Awal untuk keamanan ini adalah 1.

  Scan pengguna yang mempunyai akses untuk membuka pasword atau batasan yang diperbolehkan untuk masuk ke windows.

  2. Citra wajah dengan wajah scan beberapa orang nantinya akan di simpan di database 3.

  Lalu diproses dengan melakukan metode eigenface 4. Lalu melakukan traininig aplikasi dari sistem apakah cocok atau tidak 5. Jika cocok maka berhasil untuk akses ruangan yang diberi keamanan apabila tidak maka akan kembali ke load image

  6. Jika berhasil maka proses selesai dan akan masuk ke windows atau jika tidak menggunakan wajah maka mebuka password laptop dengan keyword sandi seperti biasa.

  a. Cara Kerja Sistem

  Cara kerja sistem ini sebelumnya sudah dibahas pengguna membuat pengenalan gambar untuk siapa saja bagi yang ingin membuka password laptop dengan wajah. Tahap awal dengan membuat creat lalu webcam akan menyala dan posisikan wajah dengan webcam laptop yang sejajar. Hasilnya akan di simpan didatabase, dalam pre processing ini ada 4 taham yaitu cropping, resize, grayscale dan histogram qualization. Lalu akan masuk ke tahan penghitungan Eigenface.

  Setelah penghitungan Eigenface masuk tahan Threshold adalah batas tingkat kemiripan.

  b. Implementasi

  Akan di implementasikan pada Laptop yang memiliki webcam dan widows 10, pertama ketika orang itu akan membuka laptop lebih cepat maka bisa mengklik gambar wajah di samping kotak password lalu webcam akan menyala dan posisikan wajah di hadapan webcam laptop, apabila berhasil maka windows akan terbuka dengan sendirinya apabila wajah tidak sesuai maka tidak akan terbuka dan tampilan tetap di Screen Lock.

  c. Pengujian Didalam pengujian ini hanya 5 wajah yang berbeda untuk menggunakan face unlock ini.

  Tabel 1. Pengujian Gambar NO Gambar yang di uji Hasil Scan

  Database 1 -

  1 Pengguna 1 0,0 NO Gambar yang di uji Hasil Scan Database 1 -

  2 Pengguna 2 1212,2 Database 1 -

  3 Pengguna 3 22231,4 Database 1 -

  4 Pengguna 4 0,0 Database 1 -

  5 Pengguna 5 4543,3 Tabel 2. Pengujian Hasil

  No Gambar yang di uji Hasil Scan Database 1 -

  1 Pengguna 1 2131 Database 1 -

  2 Pengguna 2 4312 Database 1 -

  3 Pengguna 3 43212 Database 1 -

  4 Pengguna 4 4353 Database 1 -

  5 Pengguna 5 664 Pengujian foto yang miri, artinya foto tersebut diambil langsung melalui webcam hanya dengan cahaya yang sama melaikan cahaya pun juga mempengaruhi untuk tingkat akurasi. Hasil angka tersebut akan digunakan untuk treshhold hasil tersebut diperoleh dari perhitungan Eigenface.

  d. Penentuan threshold

  Pengujian terhadap gambar yang sama maka predictnya berbeda (table I) Pengujian kedua gambar tetap sama dan predict di angka yang maksimal, setelah dapat hasil predict dari kedua table tersebut dapat disimpulkan untuk lebih cepat akuranya maka table kedua dan pertama harus sesuai angka predictnya.

  e. Akurasi

  Pengenalan wajah harus adanya dengan tingkat akurasi, maka tingkat akurasi didapatkan sanatlah susah jika harus 100% karena banyak factor yang mempengaruhi yaitu, Cahaya, tempat, wajah. Setiap pengenalan wajah maka cahaya sangat mempengaruhi dengan pengambilan di awal. Tempat pun bisa jadi menjadi factor karena tidak adanya cahaya yang masuk saat pengenalan wajah atau saat membuka password laptop. Wajah juga terkadang suka berbeda dengan di awal pengambilan.

5. KESIMPULAN

  Setelah melakukan perencaan pemrograman perangkat lunak system ini (face Recognition) maka dapat disimpulkan:

  1. Dengan berhasilnya penerapan metode Eigenface untuk mendeteksi wajah ini sehinga bisa di implementasikan ke dalam system.

  2. Saat proses pengenalan wajah untuk membuka password laptop sangatlah sensitive dikarenakan bergantung intensitas cahay, jarak dan sudut pandang berbeda beda.

  3. Proses untuk membuka password laptop sangatlah cepat apabila gambar yang di ambil jelas dan focus 4.

  System ini lebih cepat untuk membuka password tanpa mengetik dengan keyword.

  REFERENCES

  [1] Freund Y. & Schapire R, "A Short Introduction to Boosting," Journal of Japanese Sociaety for Artificial Intelegence, pp. 14(5)- 780, 1999.

  [2] Matthew A. Turk and Alex P. Pentland, Face Recognition Using Eigenfaces, IEEE, 1991, 2005. [3] M. 2012. Pengenalan Computer Vision dengan EmguCV di C#.Net.

  Denny, http://bisakomputer.com/pengenalancomputer-vision-dengan-emgucv-di-cnet/

  [4] Turk,

  M and Pentland, A. 1991. Face Recognition Using Eigenfaces. http://www.cs.ucsb.edu/~mturk/Papers/m turk-CVPR91.pdf

  [5] Suprianto, D. 2013. Sistem Pengenalan Wajah Secara Real-Time, dengan Adaboost, Eigenface PCA &

  MySql. Malang. Universitas Brawijaya Malang [6] Al Fatta, Hanif. 2006. Sistem Presensi Karyawan Berbasis Pengenalan Wajah Dengan Algoritma Eigenface.

  Yogyakarta: STMIK AMIKOM [7]

  Brigida. 2012. Pengenalan Pola. http://informatika.web.id/pengenalanpola.htm [8]

  Rahim, M.A. 2013.Perancangan Aplikasi Pengenalan Wajah Menggunakan Metode Viola Jonnes.Medan: STMIK Budi Darma

  [9] Ni Wayan Marti, Pemanfaatan GUI Dalam Pengembangan Perangkat Lunak Pengenalan Citra Wajah

  Manusia menggunakan Metode Eigenface, 2010 [10]

  Arie Wirawan Margono, Ibnu Gunawan, Resmana Lim, Pelacakan dan Pengenalan Wajah Menggunakan Metode Embedded Hidden Markov Models, Fakultas Teknologi Industri, Jurusan Teknik Informatika, Universitas Kristen Petra: 2004