PENGEMBANGAN SISTEM PENGENALAN WAJAH 2D DENGAN IMPLEMENTASI ALGORITMA EIGENFACE DAN MANHATTAN DISTANCE.

DAFTAR ISI

ABSTRAK ...ii

KATA PENGANTAR ...iv

DAFTAR TABEL ...xi

DAFTAR GAMBAR ...xiii

BAB I PENDAHULUAN ...1

1.1 Latar Belakang ...1

1.2 Rumusan Masalah ...4

1.3 Tujuan Penelitian ...4

1.4 Batasan Masalah ...5

1.5 Manfaat Penelitian ...5

1.6 Sistematika Penelitian ...6

BAB II TINJAUAN PUSTAKA ...8

2.1 Studi Pendahuluan ...8

2.2 Pengenalan Wajah ...9

2.3 Pengolahan Citra ...13

2.3.1 Pra-Proses ...14

2.3.2 Eigenface PCA ...15

2.4 Distance Measures ...18

2.4.1 Manhattan Distance ...19

BAB III METODOLOGI PENELITIAN...21

3.2 Pengembangan Perangkat Lunak ...24

3.3 Alat dan Bahan Penelitian ...26

3.3.1 Alat ...26

3.3.1.1 Perangkat Keras ...27

3.3.1.2 Perangkat Lunak ...27

3.3.1.3 Perangkat Tambahan ...28

3.3.2 Bahan Penelitian ...28

BAB IV HASIL PENELITIAN DAN PEMBAHASAN ...30

4.1 Pengembangan Sistem Pengenalan Wajah 2D ...30

4.1.1 Pra-Proses ...31

4.1.2 Feature Extraction ...35

4.1.2.1 Menghitung Nilai Eigenfaces ...41

4.1.2.2 Menghitung Nilai PCA ...43

4.1.3 Proses Pengenalan Wajah ...46

4.2 Pengembangan Perangkat Lunak ...47

4.2.1 Deskripsi Sistem ...47

4.2.2 Batasan Perangkat Lunak ...48

4.2.3 Perancangan Arsitektur Sistem ...49

4.2.4 Implementasi Coding ...50

4.2.4.1 Implementasi Modul Program ...50

4.2.4.2 Implementasi Antarmuka ...51

4.3 Pengujian ...54

4.3.2 Hasil Pengujian ...55

4.3.3 Analisis Hasil Pengujian ...58

BAB V KESIMPULAN DAN SARAN ...62

5.1 Kesimpulan ...62

5.2 Saran ...63

DAFTAR PUSTAKA ...64

DAFTAR TABEL

Tabel 4.1 Matriks augmentasi nilai piksel citra grayscale data training ...34

Tabel 4.2 Nilai rata-rata baris ...36

Tabel 4.3 Nilai selisih citra data training pada matriks A ...37

Tabel 4.4 Nilai matriks kovarian ...38

Tabel 4.5 Nilai diagonal eigen ...40

Tabel 4.6 Nilai vektor eigen ...41

Tabel 4.7 Nilai hasil eliminasi vektor eigen ...41

Tabel 4.8 Nilai Eigenfaces citra data training ...42

Tabel 4.9 Nilai PCA citra data training ...43

Tabel 5.0 Nilai piksel citra yang di uji ...44

Tabel 5.1 Nilai selisih citra uji ...45

Tabel 5.2 Nilai PCA citra yang di uji ...45

Tabel 5.3 Hasil penghitungan manhattan distance ...46

Tabel 5.4 Implementasi modul program ...50

Tabel 5.5 Keterangan antarmuka utama sistem ...52

Tabel 5.6 Keterangan antarmuka hasil pengenalan ...53

Tabel 5.7 Hasil pengujian pertama ...55

Tabel 5.8 Hasil pengujian kedua ...56

Tabel 5.9 Hasil pengujian ketiga ...56

Tabel 6.1 Hasil pengujian kelima ...57

Tabel 6.2 Hasil pengujian keenam ...58

Tabel 6.3 Hasil pengujian ketujuh ...59

Tabel 6.4 Hasil pengujian kedelapan...59

Tabel 6.5 Hasil pengujian dataset 1 ...60

DAFTAR GAMBAR

Gambar 1. Jarak manhattan dari nilai PCA_test ke PCA_train ... 20

Gambar 2. Desain penelitian ... 21

Gambar 2.1. Pra-proses ... 22

Gambar 2.2. Proses pengambilan ciri ... 23

Gambar 2.3. Proses pengenalan wajah ... 23

Gambar 3. Model sekuensial linier ... 24

Gambar 4. Contoh data training (jarak pengambilan citra 1m) ... 30

Gambar 5. Contoh data test (jarak pengambilan citra 1,5m) ... 31

Gambar 6. Kode pra-proses pada program matlab ... 32

Gambar 7. Konversi citra RGB menjadi citra grayscale ... 33

Gambar 8. Reduksi dimensi citra 2D menjadi 1D ... 33

Gambar 9. Piksel citra grayscale data training ... 34

Gambar 10. Bentuk citra dari nilai matriks A ... 37

Gambar 11. Kode program matlab menghitung nilai eigen ... 40

Gambar 12. Bentuk citra dari nilai eigenfaces ... 42

Gambar 13. Citra yang diuji ... 43

Gambar 14. Citra hasil pengenalan... 47

Gambar 15. Perancangan arsitektur sistem... 49

Gambar 16. Antarmuka utama sistem ... 51

BAB I PENDAHULUAN

1.1 Latar Belakang

Sistem biometrik merupakan penerapan teknologi yang mempelajari

karakteristik biologi yang menjadi keunikan tersendiri pada manusia. Salah satu

bagian sistem biometrik adalah face recognition (pengenalan wajah). Wajah

merupakan bagian dari tubuh yang berperan penting dalam proses penyampaian

ciri, identitas dan emosi seseorang. Kemampuan manusia dalam mengenali wajah

sering terjadi secara tidak sadar, manusia mampu mengenali ribuan wajah

sepanjang hidupnya dan mengidentifikasi wajah yang sekilas dikenalnya sampai

beberapa tahun kemudian. Proses pengenalan wajah ini berlangsung begitu cepat

dan dapat tersimpan cukup lama dalam memori manusia walaupun wajah yang

dikenalnya memiliki banyak perubahan visual seperti adanya perubahan kondisi,

ekspresi, sudut pandang, penuaan dan penambahan aksesoris seperti kacamata,

topi sampai adanya perubahan gaya rambut.

Karakteristik inilah yang menginspirasi pada ilmuwan untuk meneliti lebih

lanjut bagaimana agar kemampuan manusia tersebut dapat diaplikasikan dengan

bantuan teknologi. Dengan bantuan teknologi pengenalan wajah dapat

diaplikasikan untuk menyelesaikan masalah yang bervariasi seperti identifikasi

pelaku kriminal, sistem keamanan, proses pengambilan citra atau film dan

2

Dengan banyaknya pengaplikasian yang dilakukan untuk mengenali wajah,

maka hal ini dapat mengacu pada ilmu yang digunakan. Menurut biometrik dalam

bukunya Anil K Jain, Introducing to Biometrics, pengukuran biometrik setiap

karakteristik seseorang setidaknya mempunyai 4 jenis, yaitu: universalitas,

keunikan, ketetapan dan kolektibilitas.

Universalitas berarti setiap orang pasti memiliki karakteristik, keunikan

berarti tidak ada dua orang yang sama dalam kepemilikan karakteristik, ketetapan

berarti karakteristik tersebut tidak berubah oleh waktu dan kolektibilitas berarti

karakteristik tersebut dapat diukur. Dari pernyataan tersebut, wajah sudah

termasuk ke dalam 4 jenis pengukuran biometrik.

Berbagai metode telah diterapkan dalam pengembangan teknologi

pengenalan bentuk objek citra dua dimensi, salah satu metode yang paling banyak

digunakan adalah metode pengenalan wajah berbasis PCA (Principle Component

Analysis) yaitu eigenface. Metode ini memiliki langkah-langkah yang sederhana

sehingga cepat, relatif sederhana dan terbukti bekerja dengan baik dalam

environtment yang dibatasi (Turk, M., Pentland, A. 1991:1).

Dalam pengenalan wajah, eigenface berperan dalam proses feature

extraction (pengambilan ciri) pada citra. Karena hasil dari pengambilan ciri

menggunakan eigenface mengandung ciri yang kurang signifikan, sehinga perlu

dilakukan reduksi kembali oleh PCA (Principal Component Analysis) yang

merupakan fitur dari eigenface sekaligus metode pengambilan ciri yang mampu

mereduksi dimensi ciri yang dihasilkan oleh eigenface dari suatu citra, sehingga

yang penting saja dari citra yang diolah. Dengan mereduksi dimensi citra maka

informasi yang terkandung dapat lebih padat dan lebih spesifik dibandingkan citra

yang sebelumnya telah diolah, sehingga mempermudah dalam proses selanjutnya.

Setelah peran algoritma eigenface, kini yang menjadi perhatian selanjutnya

adalah similarity distance measure. Salah satu yang sering digunakan dengan

metode eigenface yaitu penghitungan euclidean distance. Dalam pengenalan

wajah, euclidean distance digunakan untuk menghitung kesamaan jarak antara

nilai ciri citra yang diuji dengan citra data training. Penghitungan euclidean

distance memiliki kekurangan karena menggunakan penghitungan kuadrat,

sehingga penghitungan dilakukan dengan menjumlahkan grid piksel secara

zig-zag dan memakan memori lebih. Dalam penelitian ini digunakan similarity

distance measure lainnya yaitu manhattan distance. Manhattan distance menjadi

pilihan dalam penghitungan kesamaan jarak dikarenakan penghitungan ini lebih

sederhana tanpa menggunakan penghitungan kuadrat seperti pada euclidean

distance. Dengan manhattan distance, penghitungan antara ciri citra yang diuji

dengan ciri citra data training dilakukan dengan menjumlahkan grid piksel secara

horizontal ataupun vertical sehingga mempercepat proses pengenalan wajah.

Berdasarkan hal yang telah dijelaskan, penelitian ini dilakukan untuk

mengembangkan suatu sistem pengenalan wajah 2D dengan bantuan teknologi

biometrik. Pengembangan berupa sebuah aplikasi yang dapat dipakai untuk

mengenali citra wajah 2D. Dengan implementasi algoritma eigenface untuk

membentuk ruang eigen dari citra wajah, kemudian penghitungan manhattan

4

dan cita yang diuji dalam proses pengenalan wajah. Implementasi penggunaan

eigenface dan manhattan distance menjadi jawaban dari permasalahan pengenalan

wajah dari yang telah dijelaskan.

1.2 Rumusan Masalah

Permasalahan umum dari penelitian ini dapat dirumuskan sebagai:

“Bagaimana mengembangkan sistem pengenalan wajah 2D dengan implementasi

algoritma eigenface dan manhattan distance?”. Adapun permasalahan khusus dalam penelitian ini adalah sebagai berikut:

1. Bagaimana desain sistem pengenalan wajah 2D menggunakan algoritma

eigenface dan manhattan distance?

2. Bagaimana implementasi sistem pengenalan wajah 2D menggunakan

algoritma eigenface dan manhattan distance?

3. Bagaimana kinerja dari sistem pengenalan wajah 2D menggunakan

algoritma eigenface dan manhattan distance?

1.3 Tujuan Penelitian

Berdasarkan rumusan masalah dalam penelitian ini, maka tujuan

dilakukannya penelitian ini adalah sebagai berikut:

1. Membuat desain sistem pengenalan wajah 2D dengan menerapkan

algoritma eigenface dan manhattan distance.

2. Mengimplementasikan sistem pengenalan wajah 2D dengan

3. Menganalisis hasil kinerja dari implementasi algoritma eigenface dan

manhattan distance dalam sistem pengenalan wajah 2D berdasarkan

akurasi dan waktu proses.

1.4 Batasan Masalah

Untuk lebih memfokuskan penelitian, maka berikut ini ditentukan beberapa

batasan masalah:

1. Aplikasi yang dibuat yaitu pengenalan wajah 2D berbasis desktop dan

hanya sampai tahap penelitian.

2. Proses pengambilan ciri pada citra data training dan citra data test

menggunakan algoritma eigenface.

3. Penghitungan kesamaan jarak dalam pengenalan wajah menggunakan

manhattan mistance.

4. Citra wajah yang digunakan berformat .JPG

1.5 Manfaat Penelitian

Beberapa manfaat yang diharapkan dari penelitian ini adalah sebagai

berikut:

1. Bagi Pengguna

Hasil penelitian dari pengembangan sistem pengenalan wajah 2D ini

diharapkan dapat membantu pengguna dalam mengenali wajah untuk

berbagai keperluan seperti: penggunaan oleh instansi kepolisian dan

6

2. Bagi Keilmuan

Hasil penelitian sistem pengenalan wajah 2D ini diharapkan dapat

membantu pengembangan aplikasi-aplikasi yang lebih kompleks,

sehingga hasilnya dapat bermanfaat untuk diaplikasikan bagi kehidupan

di dunia nyata. Kemudian diharapkan dapat menjadi tambahan referensi

dalam ilmu lainnya, khususnya dalam bidang pengolahan citra digital

dengan metode pengenalan wajah lainnya.

1.6 Sistematika Penulisan

Sistematika penulisan ini disusun untuk memberikan gambaran umum

tentang sistem yang akan dibuat. Sistematika penulisan penelitian ini adalah

sebagai berikut:

BAB I PENDAHULUAN

Bab ini menguraikan permasalahan mengenai teknologi biometrik yang

mempelajari kemampuan manusia dalam mengenali wajah. Kemudian,

bagaimana kemampuan ini diimplementasikan pada sebuah sistem dan

tujuan dari implementasinya. Dijelaskan juga mengenai algoritma dan

penghitungan kesamaan jarak yang dipakai dalam penelitian ini.

BAB II TINJAUAN PUSTAKA

Bab ini memaparkan secara rinci mengenai landasan teori serta

materi-materi yang digunakan dalam penelitian seperti pengertian pengenalan

wajah, pengolahan citra, algoritma eigenface, penghitungan manhattan

BAB III METODOLOGI PENELITIAN

Bab ini memaparkan secara detail mengenai tahapan-tahapan pembangunan

sistem pengenalan wajah 2D dengan implementasi algoritma eigenface dan

penghitungan manhattan distance berdasarkan analisis masalah.

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

Bab ini diuraikan secara detail mengenai hasil analisis dan perancangan

sistem pengenalan wajah, lengkap dengan tampilan antarmuka serta hasil

pengujian proses pengenalan citra wajah.

BAB V KESIMPULAN DAN SARAN

Pada bab ini berisi kesimpulan yang merupakan jawaban atas rumusan

masalah yang dalam penelitian ini merupakan intisari dari BAB IV. Saran

atas kesimpulan serta rekomendasi pengembangan sistem penulis utarakan

21

BAB III

METODOLOGI PENELITIAN

3.1 Desain Penelitian

Desain penelitian ini mengacu pada tahapan proses yang ada pada sistem

pengenalan wajah ini yaitu input, proses dan output. Dengan input bahan

penelitian berupa data training dan test, proses sebagai pemproses bahan

penelitian dan output sebagai keluaran hasil dari proses. Tahapan penelitian yang

dilakukan mengikuti desain seperti pada gambar dibawah ini:

Gambar 2. Desain Penelitian

Dengan Pendekatan-Pendekatan Terstruktur Menggunakan Model Proses Sekuensial Linier:

1. Analisis 2. Desain 3. Coding 4. Pengujian

Analisis dan Laporan Penelitian Studi

Literatur & Kepustakaan

Pre-Processing Data Training

RGB to Grayscale

Reduksi Dimensi Feature Extraction Eigenface Data Training Citra data Test Principal Component Analysis Recognition Process

Perhitungan Kesamaan Jarak: Citra Hasil

Pengenalan Wajah PCA_train

Manhattan Distance PCA_test

Gambar 3 diatas merupakan desain penelitian dari pengembangan sistem

pengenalan wajah 2D dengan model pengembangan perangkat lunak sekuensial

linier. Pengejelasan lebih lanjut mengenai model pengembangan ini dijelaskan

pada sub bab 3.2 (pengembangan perangkat lunak), sedangkan untuk keterangan

detail mengenai proses pada sistem ini dijelaskan pada gambar-gambar berikut:

Gambar 2.1. Pra-proses

Berikut ini penjelasan dari gambar 2.1 diatas:

1. Pre-processing merupakan proses awal setelah pengumpulan data citra.

Pada proses ini data training akan dinormalisasi, dimulai dengan proses

konversi citra RGB menjadi grayscale. Tujuan dari proses ini adalah

untuk mereduksi noise yang terdapat pada citra data training, kemudian

citra grayscale lebih mudah untuk diproses karena mengandung nilai

yang lebih sedikit yaitu 8bit warna daripada citra RGB dengan 24bit

warna.

2. Langkah selanjutnya adalah reduksi dimensi citra 2D menjadi 1D, yang

nantinya akan berbentuk matriks kolom. Hasil ini selanjutnya akan

Pre-Processing Data Training

RGB to Grayscale

23

digabungkan menjadi matriks augmentasi dengan tujuan untuk

memudahkan dan mempercepat dalam proses penghitungan nilai

rata-rata baris. Keterangan detail mengenai citra data training diberikan di

sub bab 3.3.2 (bahan penelitian).

Gambar 2.2. Proses pengambilan ciri

Berikut ini penjelasan dari gambar 2.2 diatas:

1. Pengambilan ciri oleh eigenface PCA merupakan proses yang dilakukan

setelah pre-processing. Mula-mula citra data training yang sudah

menjadi grayscale diambil cirinya menggunakan eigenface dan PCA,

sehingga dapat diproses pada tahap selanjutnya secara optimal. Berbeda

dengan citra data test yang masih berformat RGB dan langsung

dilakukan pengambilan ciri oleh PCA.

Feature Extraction

Eigenface Data

Training

Citra data Test

Principal Component

Gambar 2.3. Proses pengenalan wajah

Berikut ini penjelasan dari gambar 2.3 diatas:

1. Proses pengenalan wajah dimulai setelah citra data training memasuki

tahap pra-proses, kemudian memasuki proses pengambilan ciri oleh

eigenface PCA. Kemudian citra data test yang melewati tahap

pengambilan ciri oleh PCA. Disini PCA_train dan PCA_test dihitung

perbedaan kesamaan jaraknya menggunakan perhitungan manhattan

distance. Nilai terkecil dari perhitungan manhattan distance merupakan

nilai yang diambil sebagai hasil dari citra wajah yang dikenali.

3.2 Pengembangan Perangkat Lunak

Dalam tahap pengembangan sistem pengenalan wajah dua dimensi pada

citra ini digunakan metode pendekatan terstuktur yaitu menggunakan model

sekuensial linier (waterfall). Model sekuensial linier mengusulkan sebuah

pendekatan pengembangan perangkat lunak yang sistematik dan sekuensial mulai

dari system level dan terus maju ke analisis, desain, implementasi dan pengujian.

Model sekuensial linier melingkupi aktivitas sebagai berikut:

Recognition Process

Perhitungan Kesamaan Jarak: Citra Hasil

Pengenalan Wajah PCA_train

Manhattan Distance PCA_test

25

Gambar 3. Model sekuensial sinier

a. Analisis

Pada tahap ini dilakukan analisis terhadap kebutuhan terhadap

tahapan-tahapan untuk membangun sistem pengenalan wajah 2D. Data apa saja

yang dibutuhkan, alat untuk mengumpulkan data, algoritma atau

metode apa yang dibutuhkan, proses apa saja yang dibutuhkan, bahasa

pemrograman apa yang dibutuhkan dan hasil dari sistem pengenalan

wajah 2D ini.

b. Desain

Pada tahap desain dilakukan beberapa fokus atribut untuk program

seperti struktur data, arsitektur perangkat lunak, desain antar muka dan

detail algoritma. Pada tahap inilah algoritma eigenface dan manhattan

distance dimodelkan untuk kemudian diproses dalam tahap coding.

Proses desain ini merupakan proses penerjemahan dari analisis

kebutuhan ke dalam bentuk representasi sebuah model perangkat lunak

c. Coding

Pada tahap coding dilakukan penerjemahan dari tahapan desain yang

telah dilakukan kedalam bentuk bahasa pemrograman yang dipakai.

Semua hasil desain mulai dari struktur perangkat lunak sampai desain

antarmuka dikerjakan secara teknis pada tahapan ini.

d. Pengujian

Tahapan ini dilakukan untuk memeriksa hasil keseluruhan dari sistem

yang telah dibuat, apakah algoritma eigenface dan manhattan distance

ini berfungsi dengan baik. Dimulai dari hasil pre-processing, apakah

konversi citra RGB menjadi citra grayscale dan reduksi dimensi

berhasil. Kemudian proses pengambilan ciri dari citra wajah data

training dan citra yang diuji, terakhir yaitu apakah perhitungan

kesamaan jarak menggunakan manhattan distance antar nilai ciri citra

wajah training dan test memiliki hasil yang optimal dalam pengenalan

wajah.

3.3 Alat dan Bahan Penelitian 3.3.1 Alat

Pada penelitian ini digunakan alat penelitian berupa beberapa perangkat

27

3.3.1.1Perangkat Keras

Perangkat keras yang digunakan dalam pembangunan sistem pengenalan

wajah 2D dibagi menjadi 2, yaitu notebook dan digital camera. Berikut ini

spesifikasi dari masing-masing perangkat keras yang digunakan:

1. Notebook

Processor Intel Core 2 Duo T6600 @2.20GHz RAM 2Gb

Harddisk 250Gb

Monitor beresolusi 1280x800 pixel Mouse dan Keyboard

2. Digital Camera

12 Mp

Face detection Memori 4Gb

3.3.1.2Perangkat Lunak

Perangkat lunak yang digunakan dalam proses pengujian ini adalah

Matlab R2012a. Hal ini dikarenakan matlab dirancang khusus untuk perhitungan

3.3.1.3Perangkat Tambahan

Perangkat tambahan dibawah ini dimaksudkan sebagai alat bantu dalam

pengumpulan citra data training, yaitu:

1. Tripod

2. Meteran

3. Busur Derajat

3.3.2 Bahan Penelitian

Bahan penelitian yang digunakan adalah buku, dokumen berekstensi .pdf

dan .doc, jurnal ilmiah, ebook, skripsi, dokumentasi ataupun data lainnya yang

didapat dari Internet. Untuk data yang dipakai berekstensi .jpg dan pengambilan

citra dilakukan dengan kamera digital serta alat bantu pada perangkat tambahan.

Berikut ini data yang dipakai dalam penelitian:

1. Data Training

Data training merupakan sekumpulan data yang berisikan citra wajah

yang disiapkan untuk diproses oleh sistem pengenalan wajah 2D ini.

Citra pada data training berukuran 180x200. Data training ini

berjumlah 800 citra yang berdasarkan pada perincian berikut:

 Jenis kelamin: pria 40 orang, wanita 40 orang  Umur: SMA, Kuliah, Bapak/Ibu dan Kakek/Nenek  Ekspresi: biasa, senyum, mata tertutup

 Jarak Pengambilan: 1 meter & 1,5 meter  Sudut Pengambilan: 00, 300

29

Jadi setiap orangnya memiliki 10 citra yang berbeda sesuai dengan

ekspresi, jarak & sudut pengambilan.

2. Data Test

Data test ini berupa sebagian citra yang tidak dimasukkan ke dalam

data training. Hal ini bertujuan untuk memastikan apakah sistem

berfungsi dengan baik untuk mengenali citra yang berbeda antara data

BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Setelah dilakukan pembangunan sistem pengenalan wajah 2D dengan

menggunakan algoritma eigenface PCA dan manhattan distance, maka dapat

diambil beberapa kesimpulan sebagai berikut:

1. Desain dari algoritma eigenface PCA dan manhattan distance dapat

diterapkan dalam pengembangan sistem pengenalan wajah 2D. Dimulai

dari tahapan pra-proses yaitu konversi citra RGB menjadi citra grayscale

dan reduksi dimensi, kemudian tahapan feature extraction menggunakan

eigenface PCA dan tahapan penghitungan kesamaan jarak menggunakan

manhattan distance.

2. Berdasarkan desain sistem pengenalan wajah 2D, dapat disimpulkan

bahwa penggunaan algoritma eigenface dan manhattan distance dapat

diimplementasikan untuk pengenalan wajah.

3. Dengan menerapkan algoritma eigenface PCA dan manhattan distance

dari 8 pengujian yang dilakukan, diperoleh akurasi tertinggi yaitu 73,25%

63

5.2 Saran

Berikut ini merupakan saran yang ditujukan untuk penelitian lebih lanjut

sistem pengenalan wajah 2D:

1.Untuk menghasilkan tingkat akurasi yang lebih tinggi disarankan untuk

melakukan pengambilan citra dengan yang intensitas cahaya yang tetap

dan pengambilan citra yang berpusat pada hidung. Kemudian pada saat

pra-proses, dapat ditambahkan fitur deteksi dan crop wajah sehingga

waktu proses akan lebih singkat dan hasil akan lebih optimal. Terakhir

adalah mengganti fitur ekstraksi dengan menggunakan fitur ekstraksi

yang didasarkan pada bentuk dan penempatan atribut wajah seperti mata,

alis, hidung, bibir, dagu serta hubungan antara atribut sehingga hasil akan

lebih maksimal.

2.Untuk penelitian lebih lanjut dapat ditambahkan variasi pengambilan citra

setiap orangnya, seperti: sudut (00, 150), jarak (close up, ½ meter) dan

aksesoris (topi, kacamata, anting) sehingga hasil pengujian dan analisis

DAFTAR PUSTAKA

[1] Turk, M., Pentland, A. 1991. Eigenfaces for recognition. Journal of

Cognitive Neuroscience, Vol. 3, No. 1, pp. 71-86.

[2] Jain, Anil K., Bolle, R., Pankanti, S. 2011. Introduction to Biometrics.

Research Center Yorktown Heights, Springer. New York.

[3] Putra, D. 2008. Sistem Biometrika. Penerbit Andi. Yogyakarta.

[4] Pentland, A., Baback M. 1994. Face Recognition using View-Based and

Modular Eigenspaces. Automatic Systems for the Identification and

Inspection of Humans, SPIE vol 2277, July.

[5] Lata, Y.V., Tungathurthi, Chandra, K.B., Rao, H.R.M., Govardhan, A.,

Reddy, L.P. 2009. Facial Recognition using Eigenfaces by PCA.

International Journal of Recent Trends in Engineering, Vol. 1, No. 1, May.

[6] Heath, Michael T. 1997. Scientific Computing, An Introductory Survey: 2nd

edition. McGraw-Hill, New York.

[7] Golub, G.H., Van Loan, C.F. 1996. Matrix Computations. The Johns

Hopkins University Press. New York.

[8] Kumar, T., Verma, K. 2010. A Theory Based on Conversion of RGB image

to Gray image. International Journal of Computer Applications (0975 -

8887), Vol 7 - No.2, September.

[9] Deza, M.M., Deza, E. 2009. Encyclopedia of Distances. Dordrecht

65

[10] Paulus, E., Nataliani, Y. 2007. Cepat Mahir GUI Matlab. Penerbit Andi.

Yogyakarta.

[11] al-Fatta, H. 2009. Rekayasa Sistem Pengenalan Wajah. Penerbit Andi.

Yogyakarta.

[12] Jannah, M. 2012. Sistem Pengenalan Wajah 2-D Menggunakan Jaringan

Syaraf Tiruan Algoritma Backpropagation Dan Metode Eigenface Principal

Component Analysis. Skripsi Program Studi Ilmu Komputer Universitas

Alfin Sholeh,2013

Pengembangan Sistem Pengenalan Wajah 2d Dengan Implementasi Algoritma Eigenface Dan Manhattan Distance

Universitas Pendidikan Indonesia | repository.upi.edu 3.3.1.3Perangkat Tambahan

Perangkat tambahan dibawah ini dimaksudkan sebagai alat bantu dalam pengumpulan citra data training, yaitu:

1. Tripod

2. Meteran

3. Busur Derajat

3.3.2 Bahan Penelitian

Bahan penelitian yang digunakan adalah buku, dokumen berekstensi .pdf dan .doc, jurnal ilmiah, ebook, skripsi, dokumentasi ataupun data lainnya yang didapat dari Internet. Untuk data yang dipakai berekstensi .jpg dan pengambilan citra dilakukan dengan kamera digital serta alat bantu pada perangkat tambahan. Berikut ini data yang dipakai dalam penelitian:

1. Data Training

Data training merupakan sekumpulan data yang berisikan citra wajah yang disiapkan untuk diproses oleh sistem pengenalan wajah 2D ini.

Citra pada data training berukuran 180x200. Data training ini berjumlah 800 citra yang berdasarkan pada perincian berikut:

 Jenis kelamin: pria 40 orang, wanita 40 orang

 Umur: SMA, Kuliah, Bapak/Ibu dan Kakek/Nenek

 Ekspresi: biasa, senyum, mata tertutup

 Jarak Pengambilan: 1 meter & 1,5 meter

Jadi setiap orangnya memiliki 10 citra yang berbeda sesuai dengan ekspresi, jarak & sudut pengambilan.

2. Data Test

Data test ini berupa sebagian citra yang tidak dimasukkan ke dalam data training. Hal ini bertujuan untuk memastikan apakah sistem berfungsi dengan baik untuk mengenali citra yang berbeda antara data

Alfin Sholeh,2013

Pengembangan Sistem Pengenalan Wajah 2d Dengan Implementasi Algoritma Eigenface Dan Manhattan Distance

Universitas Pendidikan Indonesia | repository.upi.edu BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Setelah dilakukan pembangunan sistem pengenalan wajah 2D dengan menggunakan algoritma eigenface PCA dan manhattan distance, maka dapat diambil beberapa kesimpulan sebagai berikut:

1. Desain dari algoritma eigenface PCA dan manhattan distance dapat diterapkan dalam pengembangan sistem pengenalan wajah 2D. Dimulai dari tahapan pra-proses yaitu konversi citra RGB menjadi citra grayscale

dan reduksi dimensi, kemudian tahapan feature extraction menggunakan

eigenface PCA dan tahapan penghitungan kesamaan jarak menggunakan

manhattan distance.

2. Berdasarkan desain sistem pengenalan wajah 2D, dapat disimpulkan bahwa penggunaan algoritma eigenface dan manhattan distance dapat diimplementasikan untuk pengenalan wajah.

3. Dengan menerapkan algoritma eigenface PCA dan manhattan distance

dari 8 pengujian yang dilakukan, diperoleh akurasi tertinggi yaitu 73,25% dengan waktu proses rata-rata 37,0981 detik.

5.2 Saran

Berikut ini merupakan saran yang ditujukan untuk penelitian lebih lanjut sistem pengenalan wajah 2D:

1.Untuk menghasilkan tingkat akurasi yang lebih tinggi disarankan untuk melakukan pengambilan citra dengan yang intensitas cahaya yang tetap dan pengambilan citra yang berpusat pada hidung. Kemudian pada saat pra-proses, dapat ditambahkan fitur deteksi dan crop wajah sehingga waktu proses akan lebih singkat dan hasil akan lebih optimal. Terakhir adalah mengganti fitur ekstraksi dengan menggunakan fitur ekstraksi yang didasarkan pada bentuk dan penempatan atribut wajah seperti mata, alis, hidung, bibir, dagu serta hubungan antara atribut sehingga hasil akan lebih maksimal.

2.Untuk penelitian lebih lanjut dapat ditambahkan variasi pengambilan citra setiap orangnya, seperti: sudut (00, 150), jarak (close up, ½ meter) dan aksesoris (topi, kacamata, anting) sehingga hasil pengujian dan analisis semakin beragam.

Alfin Sholeh,2013

Pengembangan Sistem Pengenalan Wajah 2d Dengan Implementasi Algoritma Eigenface Dan Manhattan Distance

Universitas Pendidikan Indonesia | repository.upi.edu

DAFTAR PUSTAKA

[1] Turk, M., Pentland, A. 1991. Eigenfaces for recognition. Journal of Cognitive Neuroscience, Vol. 3, No. 1, pp. 71-86.

[2] Jain, Anil K., Bolle, R., Pankanti, S. 2011. Introduction to Biometrics. Research Center Yorktown Heights, Springer. New York.

[3] Putra, D. 2008. Sistem Biometrika. Penerbit Andi. Yogyakarta.

[4] Pentland, A., Baback M. 1994. Face Recognition using View-Based and Modular Eigenspaces. Automatic Systems for the Identification and Inspection of Humans, SPIE vol 2277, July.

[5] Lata, Y.V., Tungathurthi, Chandra, K.B., Rao, H.R.M., Govardhan, A.,

Reddy, L.P. 2009. Facial Recognition using Eigenfaces by PCA.

International Journal of Recent Trends in Engineering, Vol. 1, No. 1, May. [6] Heath, Michael T. 1997. Scientific Computing, An Introductory Survey: 2nd

edition. McGraw-Hill, New York.

[7] Golub, G.H., Van Loan, C.F. 1996. Matrix Computations. The Johns Hopkins University Press. New York.

[8] Kumar, T., Verma, K. 2010. A Theory Based on Conversion of RGB image

to Gray image. International Journal of Computer Applications (0975 - 8887), Vol 7 - No.2, September.

[9] Deza, M.M., Deza, E. 2009. Encyclopedia of Distances. Dordrecht Heidelberg London, Springer. New York.

[10] Paulus, E., Nataliani, Y. 2007. Cepat Mahir GUI Matlab. Penerbit Andi. Yogyakarta.

[11] al-Fatta, H. 2009. Rekayasa Sistem Pengenalan Wajah. Penerbit Andi. Yogyakarta.

[12] Jannah, M. 2012. Sistem Pengenalan Wajah 2-D Menggunakan Jaringan Syaraf Tiruan Algoritma Backpropagation Dan Metode Eigenface Principal Component Analysis. Skripsi Program Studi Ilmu Komputer Universitas Pendidikan Indonesia.