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
(2)
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
(3)
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
(4)
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
(5)
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
(6)
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
(7)
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
(8)
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
(9)
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
(10)
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
(11)
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
(12)
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
(13)
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
(14)
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
(15)
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
(16)
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
(17)
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
(18)
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
(19)
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
(20)
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
(21)
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
(22)
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
(23)
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%
(24)
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
(25)
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
(26)
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
(1)
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
(2)
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
(3)
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.
(4)
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.
(5)
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.
(6)
[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.