Pengenalan Wajah dengan Pose Unik menggunakan Metode Learning Vector Quantization

  Vol. 3, No. 1, Januari 2019, hlm. 8473-8480 http://j-ptiik.ub.ac.id

  

Pengenalan Wajah dengan Pose Unik menggunakan Metode Learning

Vector Quantization

_{1 2 3} Achmad Dinda Basofi Sudirman , Yuita Arum Sari , Fitri Utaminingrum

  Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya

  1

  2

  3 Email: b45@dr.com, yuita@ub.ac.id, f3_ningrum@ub.ac.id

Abstrak

  Wajah merupakan salah satu karakteristik fisiologi alami manusia yang dapat dimanfaatkan sebagai identifikasi biometrik untuk pengenalan wajah. Pengenalan wajah merupakan alternatif dari sistem seperti presensi dan autentifikasi. Saat ini sudah banyak sekali perusahaan atau peneliti membuat suatu sistem yang dapat mengenali wajah orang, namun masih ada sistem pengenalan wajah yang dapat dikelabui dengan menunjukan orang yang sudah dikenali oleh sistem pada area kamera sistem tersebut, padahal orang yang sebenarnya dikenali sistem tidak ada dalam area tersebut. Penelitian ini akan memanfaatkan metode LVQ untuk klasifikasi atau pengenalan wajah karena terbukti baik dalam pengenalan wajah yang dilakukan oleh penelitian sebelumnya. Ekstraksi ciri yang digunakan berupa pengambilan citra kulit dengan ruang warna HSV karena ruang warna HSV lebih baik dalam deteksi citra kulit menurut penelitian yang sudah ada. Citra atau pose wajah unik yang digunakan terdiri dari 3 pose mata yang berbeda untuk meningkatkan keamanan dari pengenalan wajah. Dalam 10 skenario pengujian yang berbeda, hasil dari penelitian ini memiliki keluaran berupa akurasi rata-rata 81,3%. Namun sistem masih belum dapat membedakan masing-masing pose dari data yang ada.

  Kata kunci : pengenalan wajah, HSV, LVQ, citra kulit, pose unik

Abstract

  

The face is one of the characteristics of human natural physiology that can be used for biometric

identification for facial recognition. Face recognition is an alternative to systems such as presence and

authentication. Nowadays there are so many companies or researchers to create a system that can

recognize people's faces, but there is still a face recognition system that can be tricked by showing

people who have been recognized by the system in the system's camera area, even though people who

are actually recognized by the system are not in the area that. This research will utilize the LVQ method

for classification or facial recognition because it is well proven in face recognition conducted by

previous research. Feature extraction is used in the form of skin image taking with HSV color space

because HSV color space is better at detecting skin images according to existing research. The unique

face image or pose used consists of 3 different eye poses to improve the safety of face recognition. In 10

different test scenarios, the results of this study have an average accuracy of 81.3%. However, the system

still cannot distinguish each pose from the existing data.

  Keywords : facial recognition, HSV, LVQ, skin image, unique pose (Heranurweni, 2010).

1. Manusia dapat mengenali wajah seseorang PENDAHULUAN

  yang sudah dikenali sebelumnya dengan mudah, Identifikasi biometrik merupakan salah satu namun sebuah mesin atau komputer tidak dapat alternatif untuk keamanan suatu sistem. mengenali atau membedakan wajah seseorang

  Identifikasi biometrik yang digunakan dalam apabila belum dilengkapi dengan sistem cerdas. penelitian ini adalah karakteristik alami manusia

  Pengenalan wajah yang dilakukan oleh berupa wajah. Pengenalan wajah merupakan (Ragul, et al., 2013) mengenai Support Vector contoh dari pemanfaatan karakteristik alami

  Machines (SVM) dan Jaringan Saraf Tiruan

  manusia berupa wajah untuk suatu sistem (JST). Metode tersebut sudah terbukti dapat keamanan misalnya presensi dan otentifikasi

  Fakultas Ilmu Komputer Universitas Brawijaya

8473 mengklasifikasikan citra wajah atau dapat mengenali wajah. Pengujian yang dilakukan dalam pengenalan wajah penelitian tersebut menggunakan fitur yang sedikit (40 fitur). Hasil pengujian JST lebih unggul dengan akurasi 90,5%. Sedangkan SVM menghasilkan akurasi 89,8%.

  JST memiliki banyak metode yang dapat digunakan dalam pengenalan wajah. Learning

  untuk tahap klasifikasi. Tahap klasifikasi terdiri dari dua proses utama antara lain pelatihan LVQ dan pengujian LVQ. Setelah didapatkan hasil dari tahap klasifikasi, peneliti menggunakan evaluasi berupa akurasi untuk pengenalan wajah. Gambaran umum metode yang diusulkan dalam penelitian ini terdapat pada Gambar 1.

  Ek stra k si ciri

  Akurasi Hasil Pengenalan Wajah

  RGB ke HSV Citra kulit RGB Pelatihan LVQ Pengujian LVQ

  Citra Resize

  Data yang digunakan dalam penelitian ini berupa foto atau citra digital dari wajah orang. Citra diambil dengan kamera smartphone yang terpasang pada tripod. Terdapat dua lokasi dalam pengambilan citra, lokasi pertama dalam rumah atau indoor dengan pencahayaan lampu rumah dan flash smartphone. Lokasi kedua terletak pada area luar rumah atau outdoor dengan pencahayaan sinar matahari. Data citra yang digunakan berupa matriks dari masing-masing piksel pada citra.

  2.2. Pengumpulan Data

  Gambar 1 Metode yang diusulkan

  RGB . Hasil dari citra kulit RGB akan digunakan

  Vector Quantization (LVQ) dan Backpropagation

  Data Metode yang diusulkan dalam penelitian ini terdiri dari tiga tahapan utama. Pertama data yang berupa citra wajah masuk menuju tahap ekstraksi ciri terlebih dahulu untuk mengubah data citra menjadi matriks citra kulit RGB. Di dalam ekstraksi ciri terdapat beberapa proses yaitu resize, RGB ke HSV, dan citra kulit

  2. METODOLOGI

  ”. Penelitian ini menggunakan metode klasifikasi LVQ karena memiliki akurasi yang baik walaupun hanya menggunakan sedikit fitur. Fitur yang nantinya didapatkan dari ekstraksi ciri adalah citra kulit saja yang memanfaatkan ruang warna HSV. Untuk memaksimalkan keamanan dalam pengenalan wajah digunakan citra wajah dengan pose unik pada mata. Pose unik yang digunakan: pose pertama membuka semua mata, pose kedua menutup mata sebelah kanan (mata sebelah kiri masih terbuka), dan pose ketiga menutup mata sebelah kiri (mata sebelah kanan masih terbuka).

  Learning Vector Quantization

  Berdasarkan uraian di atas, peneliti mengusulkan penelitian yang berjudul “Pengenalan Wajah dengan Pose Unik menggunakan Metode

  Sebelum dilakukan klasifikasi, data citra wajah diambil bagian-bagian tertentu yang penting atau ekstraksi ciri untuk membedakan antar wajah orang. Penelitian ekstraksi ciri yang dilakukan oleh (Yanto, 2016) membandingkan ruang warna Hue, Saturation, Value (HSV) dengan EigenFace . Penelitian tersebut menghasilkan akurasi sebesar 100% untuk HSV dan akurasi sebesar 90% untuk EigenFace. Sehingga memanfaatkan ruang warna HSV akan menghasilkan ekstraksi ciri yang lebih baik dibandingkan Eigenface dalam pengenalan wajah.

  merupakan contoh metode JST yang dapat mengklasifikasikan suatu data untuk pengenalan wajah. Pada umumnya, metode JST terkenal bagus dalam klasifikasi suatu data. Salah satu kelebihan JST yaitu dapat belajar sendiri dari pola pengetahuan yang ada, sehingga metode JST juga dapat meringankan ekstraksi ciri dalam mengolah data sebelum digunakan sebagai basis data JST. Berdasarkan penelitian yang dilakukan (Wuryandari & Afrianto, 2012),metode LVQ memiliki akurasi 37,63% yang lebih baik dalam pengenalan wajah dibandingkan dengan metode Backpropagation yang menghasilkan akurasi 37,33%. Hasil akurasi pengenalan wajah tersebut memang kurang baik, dikarenakan ekstraksi ciri yang digunakan peneliti kurang dapat membedakan antar wajah orang.

  Kla sifik asi Ev alu asi Semua citra dibedakan menjadi dua kelompok yaitu citra latih dan citra uji. Citra latih digunakan untuk mendapatkan bobot dari pelatihan LVQ, sedangkan citra uji digunakan untuk pengujian atau klasifikasi pengenalan wajah.

  Citra wajah terdiri dari pose unik yang sudah ditentukan. Pose unik yang digunakan adalah dengan pose mata yang berbeda-beda, misalnya Gambar 2 (a) berisikan pose wajah biasa dengan kedua mata terbuka. Kemudian Gambar 2 (b) berisikan pose wajah dengan mata kiri tertutup. Lalu Gambar 2 (c) berisikan pose wajah dengan mata kanan tertutup. Masing- masih pose gambar diambil beberapa gambar dengan sudut pandang atau derajat kemiringan yang berbeda seperti pada Gambar 2 (d) sampai 2 (i).

  Jumlah citra yang digunakan untuk data latih ada 117 citra yang terdiri dari 8 orang. Satu orang digunakan untuk wajah yang akan dikenali oleh sistem (Basofi), sedangkan 7 wajah orang lainya (Adit, Bani, Cahyono, Hafiz, Jojo, Mom, dan Ramanda) digunakan untuk wajah yang tidak dikenali oleh sistem. Kemudian data uji yang digunakan untuk pengujian ada 126 citra yang terdiri dari 6 orang. Satu orang digunakan untuk pengujian wajah yang sudah dikenali oleh sistem (Basofi). Citra Basofi digunakan untuk 5 skenario pengujian. Sedangkan 5 orang lainya (Adit, Ramanda, Mom, Indra, dan Beryl) digunakan untuk pengujian wajah yang tidak dikenali oleh sistem.

  (a) (b) (c) (d)

  (e) (f)

  (g) (h) (i)

  Gambar 2 Contoh wajah dengan 3 pose mata unik Mom Adit Bani

  Cahyono Indra Jojo

  Hafiz Ramanda Beryl Basofi

  Gambar 3 Contoh wajah orang untuk data uji dan data latih

  2.1. Pengenalan Wajah

  Pengenalan wajah dalam penelitian ini adalah sistem yang dapat mengenali atau mengklasifikasikan citra wajah yang diberikan saat proses uji. Sistem hanya dapat mengenali satu wajah atau satu orang saja, sehingga semua wajah atau orang yang tidak termasuk dalam wajah yang dikenali oleh sistem akan dianggap sama yaitu wajah tidak dikenali.

  2.2. RGB ke HSV

  RGB salah satu model warna yang terdiri dari 3 warna yaitu, Red (R), Green (G), dan Blue (B). Model warna RGB paling sering atau umum digunakan untuk format citra atau gambar. Sedangkan HSV merupakan ruang warna yang memiliki elemen warna Hue (H) yang menggambarkan perubahan warna dari merah menjadi hijau, Saturation (S) yang menggambarkan perubahan warna dari merah ke merah jambu, dan Value (V) yang juga dinamakan sebagai intensitas cahaya yang memiliki perubahan warna dari hitam ke putih. HSV bisa menghasilkan hasil yang baik dalam

  epoch ≤ max epoch ) dan

  ( α ≥ min α ) 5.

  Tetapkan kondisi awal :

  T 3.

  target :

  x

  2. Masukkan : Data (citra) :

  ( dec α ), dan learning rate ( α ).

  min α ), pengurang α

  ), minimal error (

  w ), maksimal iterasi ( max epoch

  Tetapkan bobot (

  Perhitungan pelatihan LVQ terdapat pada Persamaan (5) sampai (8) (Wuryandari, 2012): 1.

  deteksi kulit manusia dibanding dengan RGB. Untuk mengubah nilai RGB ke HSV dapat dinyatakan dengan Persamaan (1), (2), dan (3) (Rahman, et al., 2014).

  epoch = epoch + 1 6.

  Kerjakan jika : (

  Kerjakan untuk i = 1 sampai n .

  Tentukan j sehingga ǁx-w j ǁ adalah minimum Perhitungan jarak euclidean

  D ( ^j ) = ∑ ( w ^ij

  ) ² (5) 7.

  Jika warna dari masing-masing piksel citra tidak termasuk dalam range atau jangkauan nilai HSV kulit manusia, piksel tersebut akan dirubah warnanya menjadi hitam (nilai RGB = 0). Range atau jangkauan dari nilai HSV untuk citra kulit manusia terdapat pada Persamaan (4) (Rahman, et al., 2014).

  Citra kulit RGB dalam penelitian ini mengacu pada deteksi citra kulit manusia berdasarkan ruang warna HSV.

  2.3. Citra Kulit RGB

  ( , , ) 255 (3)

  − (2) =

  60, = (1) =

  60, = 240 + − −

  60, = 120 + − −

  = { − −

  epoch =0 4.

• – x ⁱ

  Pelatihan dilakukan untuk mendapatkan bobot yang digunakan pada proses pengujian.

  w : bobot min α : minimal error dec α : pengurangan alpha

  Setelah dilakukan pelatihan, maka akan diperoleh bobot-bobot akhir (wj). Bobot ini yang nantinya akan digunakan untuk melakukan pengujian. Perhitungan pengujian hampir sama dengan perhitungan pelatihan, namun proses

  2.4.2 Pengujian LVQ

  : maksimal iterasi

  w j : bobot hasil pelatihan LVQ max epoch

  hasil klasifikasi LVQ

  T ≠ C j : kelas target tidak sama dengan kelas

  klasifikasi LVQ

  T = C j : kelas target sama dengan kelas hasil

  epoch : iterasi D ( j ) : jarak Euclidean

  : target kelas

  T

  : masukan data

  α : learning rate x

  Keterangan:

  merupakan salah satu bentuk algoritme jaringan saraf tiruan (JST) dengan metode pembelajaran pada lapisan kompetitif yang terawasi (Sutojo, 2011). Terdapat dua proses utama dalam perhitungan LVQ yaitu pelatihan dan pengujian.

  α = α – α * dec α (8)

  8. Kurangi nilai α

  w ^{j =} w ^{j -} α ( x ^{i -} w ^{j )} (7)

  Jika T ≠ C j ,

  ( x ⁱ - w ^j ) (6)

  T = C j , w ^j = w ^j + α

  Jika

  w j dengan ketentuan:

  Perbaiki

  ≤ ≤ 25 335 ≤ ≤ 360 or H > 0.25 0.2 ≥ > 0.6 (4)

  ≥ 40

  Keterangan: : ruang warna Hue : ruang warna Saturation : ruang warna Value : ruang warna Red : ruang warna Green : ruang warna Blue : nilai minimum dari , , : nilai maksimal dari

  , ,

  2.4. Learning Vector Quantization Learning Vector Quantization (LVQ)

2.4.1 Pelatihan LVQ

• – w ^{j |} minimum _j adalah kelas untuk x ⁱ

  Pengujian dilakukan untuk mengetahui hasil dari penelitian, sedangkan analisis dilakukan untuk mengetahui pemahaman penulis mengenai penelitian yang dilakukan.

  4. Citra yang dikenali oleh sistem (Basofi) dengan data baru (tidak ada yang sama dengan data latih) dan tidak memakai kacamata. Terdapat 9 citra yang terdiri dari 3 pose, masing-masing pose ada 3 citra. Citra tersebut memiliki noise berupa bayangan pada area wajah.

  3. Citra yang dikenali oleh sistem (Basofi) dengan data baru (tidak ada yang sama dengan data latih) dan tidak memakai kacamata. Terdapat 9 citra yang terdiri dari 3 pose, masing-masing pose ada 3 citra.

  Terdapat 9 citra yang terdiri dari 3 pose, masing-masing pose ada 3 citra.

• – W ^{j | : perhitungan jarak euclidean}

2.5. Akurasi

  7. Citra yang dikenali oleh sistem (Basofi) dengan data baru (tidak ada yang sama dengan data latih) dan tidak memakai kacamata. Terdapat 9 citra yang terdiri dari 1 pose saja ( pose 1, tidak ada mata yang ditutup), Sehingga data yang digunakan untuk pengujian pose 2 dan pose 3 menggunakan data dari pose 1 saja. Citra tersebut memiliki noise berupa bayangan pada area wajah obyek.

  8. Citra yang tidak dikenali oleh sistem (Mom) dengan data dari pelatihan (data pengujian sama dengan data latih) dan tidak memakai kacamata. Terdapat 9 citra yang terdiri dari 3 pose, masing-masing pose ada 3 citra.

  ℎ × 100% (9) 3.

  6. Citra yang tidak dikenali oleh sistem (Ramanda) dengan data latih (citra sama dengan citra data latih) dan tidak memakai kacamata. Terdapat 9 citra yang terdiri dari 3 pose, masing-masing pose ada 3 citra.

  Akurasi =

  Akurasi merupakan salah satu tolak ukur untuk pengujian dari hasil penelitian. Akurasi disini digunakan untuk menguji ketepatan hasil penelitian dengan hasil yang sebenarnya. Tingkat akurasi keberhasilan menggunakan Persamaan (9).

  : data citra ke ⁱ |X i

  x ij : nilai masukan m : jumlah ukuran data dalam satu citra n : jumlah data citra _{i : jumlah data citra j : jumlah layer untuk aktifasi LVQ} x i

  Keterangan:

  2. Kerjakan untuk ⁱ = 1 sampai n Tentukan j sedemikian hingga |x i

  1. Masukkan data yang akan diuji, misal : x ^ij dengan ⁱ = 1, 2, .., n dan n = 1, 2, .., m

  pengujian hanya berlangsung sampai tahap (6) pada pada proses pelatihan saja. Adapun algoritme tahap pengujian dapat dituliskan sebagai berikut (Wuryandari, 2012):

  5. Citra yang tidak dikenali oleh sistem (Adit) dengan data latih (citra sama dengan data latih) memakai kacamata dan tidak memakai kacamata. Terdapat 6 citra yang terdiri dari 3 pose, masing-masing pose ada 2 citra. Citra tersebut memiliki kecenderungan mirip dengan citra yang dikenali sistem (Basofi).

PENGUJIAN DAN ANALISIS

3.1. Skenario pengujian

  2. Citra yang dikenali oleh sistem (Basofi) dengan data baru (tidak ada yang sama dengan data latih) dan memakai kacamata.

  1. Citra yang diambil dari data latih atau training sebanyak 45 citra yang terdiri dari citra wajah yang dikenali oleh sistem (Basofi). Citra tersebut terdiri dari citra Basofi yang memakai kacamata dan tidak memakai kacamata. Terdapat 3 pose yang berbeda, masing-masing pose ada 15 citra.

  9. Citra yang tidak dikenali oleh sistem (Indra) dengan data baru (tidak ada yang sama dengan data latih) dan tidak memakai kacamata. Terdapat 9 citra yang terdiri dari 3 pose, masing-masing pose ada 3 citra.

  10. Citra yang tidak dikenali oleh sistem (Beryl) dengan data baru (tidak ada yang sama dengan data latih) dan tidak memakai kacamata. Terdapat 9 citra yang terdiri dari 3 pose, masing-masing pose ada 3 citra.

  Learning Vector Quantization

  Terdapat 10 skenario pengujian untuk menguji penelitian mengenai “Pengenalan Wajah Dengan Pose Unik Menggunakan Metode

  ”. Skenario pengujian yang digunakan yaitu:

3.2. Hasil

  Implementasi penelitian dilakukan pada bahasa pemrograman Matlab dengan perangkat lunak Matlab R2015a 64-Bit. Media pengumpanan data dari matriks citra, hasil ekstraksi ciri, dan bobot akhir pelatihan LVQ Adit2_P2_C3 Adit1_P3_C3

  Adit1_P1_C3 disimpan dalam perangkat lunak Microsoft .jpg .jpg

  .jpg Office Excel 2016. Perangkat keras yang

  Gambar 8 Sample ekstraksi ciri pengujian 5 digunakan dalam penelitian adalah kamera

  smartphone, tripod, dan laptop.

  Gambar 4 sampai 13 merupakan sample hasil dari ekstraksi ciri untuk masing-masing skenario pengujian. Kemudian Tabel 1 merupakan hasil evaluasi berdasarkan akurasi dari 10 skenario pengujian.

  Ramanda1_P Ramanda1_P

  Ramanda1_P 2_C3.jpg

  1_C3.jpg 3_C3.jpg

  Gambar 9 Sample ekstraksi ciri pengujian 6 Basofi4_P1_ Basofi3_P1_

  Basofi5_P1_ C3.jpg C3.jpg

  C3.jpg Gambar 4 Sample ekstraksi ciri pengujian 1

  Basofi8_P1_ Basofi8_P2_ Basofi8_P3_ C3.jpg C3.jpg C3.jpg

  Gambar 10 Sample ekstraksi ciri pengujian 7 Basofi6_P1_ Basofi6_P3_

  Basofi6_P2_ C3.jpg C3.jpg C3.jpg

  Gambar 5 Sample ekstraksi ciri pengujian 2 Mom1_P1_C3 Mom1_P2_C3 Mom1_P3

  _C3 .jpg .jpg

  Gambar 11 Sample ekstraksi ciri pengujian 8 Basofi7_P3_

  Basofi7_P1_ Basofi7_P2_ C3.jpg

  C3.jpg C3.jpg Gambar 6 Sample ekstraksi ciri pengujian 3

  Indra1_P2_C3 Indra1_P3_ Indra1_P1_C3

  .jpg C3 .jpg

  Gambar 12 Sample ekstraksi ciri pengujian 9 Basofi3_P1_ Basofi3_P3_

  Basofi3_P2_ C3.jpg

  C3.jpg C3.jpg Gambar 7 Sample ekstraksi ciri pengujian 4 Beryl1_P2_C3 .jpg

  Beryl1_P2_C3 .jpg

  Beryl1_P3_ C3

  Gambar 13 Sample ekstraksi ciri pengujian 10 Tabel 1 Hasil akurasi pengenalan wajah

  Skenario Pose1 Pose2 Pose3 Rata - rata 1 80% 80% 80% 80% 2 100% 100% 100% 100% 3 100% 100% 100% 100% 4 0% 0% 0% 0% 5 100% 100% 100% 100% 6 100% 100% 100% 100% 7 100% 0% 0% 33% 8 100% 100% 100% 100% 9 100% 100% 100% 100% 10 100% 100% 100% 100%

  Rata-rata akurasi 10 skenario pengujian 81,3%

  Terdapat 10 skenario pengujian untuk menghitung akurasi dari pengenalan wajah dengan pose unik menggunakan metode LVQ. Hasil salah satu skenario pengujian menunjukan akurasi terbaik sebesar 100% untuk citra yang terdapat sedikit noise. Kemudian ada salah satu skenario pengujian yang menghasilkan akurasi terburuk sebesar 0% untuk citra yang terdapat banyak noise berupa bayangan. Namun untuk gabungan atau rata-rata hasil dari 10 skenario pengujian memiliki akurasi sebesar 81,3%.

  Metode Learning Vector Quantization dapat diimplementasikan untuk pengenalan wajah. Foto atau citra yang digunakan untuk data latih maupun data uji merupakan foto atau citra wajah orang yang diambil dari berbagai sudut kemiringan dan pose wajah yang berbeda-beda. Dibutuhkan ekstraksi ciri yang baik untuk mendapatkan hasil atau akurasi yang baik.

   KESIMPULAN

  C3.jpg Gambar 4 Contoh citra uji hasil ekstraksi ciri 4.

  C3.jpg Basofi5_P1_

  C3.jpg Basofi3_P1_

3.3. Analisis

  Basofi5_P1_ C3.jpg

  Basofi3_P1_ C3.jpg

  Basofi4_P1_ C3.jpg

  noise ).

  Berdasarkan hasil akurasi pengujian skenario 1, klasifikasi yang dilakukan LVQ akan menghasilkan akurasi yang baik jika data ekstraksi ciri yang diolah LVQ harus baik (untuk penelitian ini yang dimaksud ekstraksi ciri yang baik menghasilkan citra kulit saja yang sedikit

  Hasil akurasi pengenalan wajah dengan pose unik menggunakan metode LVQ yang terdiri dari 10 skenario pengujian terdapat pada Tabel 1 Sample dari skenario pengujian 1 menghasilkan ekstraksi ciri kurang yang baik. Terdapat bayangan pada area sekitar kulit seperti pada gambar Basofi3_P1_C3.jpg. Sedangkan untuk ekstraksi ciri gambar Basofi4_P1_C3.jpg dan gambar Basofi5_P1_C3.jpg menghasilkan ekstraksi ciri yang baik karena dapat mengambil kulit manusia saja dalam citra wajah. Akurasi dari skenario pengujian 1 sebesar 80% dikarenakan terdapat 12 citra menghasilkan ekstraksi ciri yang baik (sedikit noise). Sedangkan 3 citra menghasilkan ekstekasi ciri yang kurang baik (banyak noise).

  Walaupun metode LVQ merupakan salah satu metode klasifikasi yang dapat melakukan pembelajaran pada lapisan kompetitif yang terawasi, namun masih memerlukan data atau ekstraksi ciri yang baik untuk dapat digunakan sebagai metode utama pengenalan wajah dengan pose unik.

  Saat pengambilan citra atau gambar, sebaiknya digunakan flash atau pencahayaan tambahan dari arah kamera menuju arah obyek (orang yang akan diambil citranya) agar meminimalisir noise berupa bayangan.

  Jika ingin memaksimalkan metode LVQ dalam pengenalan wajah dengan pose unik, ekstraksi ciri yang lebih baik atau data yang diolah LVQ terdiri dari ciri-ciri atau bagian khusus dari pose yang diinginkan untuk menghasilkan pengenalan wajah dengan pose unik yang lebih baik.

  Gambar 3 Contoh citra uji awal Basofi4_P1_

5. DAFTAR PUSTAKA

  Heranurweni, S., 2010. Pengenalan Wajah Menggunakan Learning Vector Quantization (LVQ). Prosiding Seminar

  Nasional Sains dan Teknologi 2010, Volume IV, pp. 66-74.

  Ragul, G., Magesh, C. K. & Thiyagarajan, R., 2013. Comparative study of statistical models and classifiers in face recognition. International Conference

  on Information Communication and Embedded Systems (ICICES), pp. 1-6.

  Rahman, M. A., Purnama, K. E. & Purnomo, M.

  H., 2014. Simple Method of Human Skin

  Detection using HSV and YCbCr Color Spaces. Bandung, Indonesia, IEEE, pp.

  58-61. Sutojo, T., 2011. Kecerdasan Buatan.

  Yogyakarta: ANDI. Wuryandari, M. D. & Afrianto, I., 2012.

  Perbandingan Metode Jaringan Syaraf Tiruan Backprogation dan Learning Vector Quantization Pada Pengenalan Wajah. Jurnal Komputer dan

  Informatika, pp. 45-51.

  Yanto, A. N. S., 2016. Implementasi Algoritma Pengenalan Wajah Eigenface pada Intel Galileo untuk Sistem Keamanan Ruangan. Jurnal Pengembangan

  Teknologi Informasi dan Ilmu Komputer.