DETEKSI WAJAH MANUSIA MENGGUNAKAN METODE HAARCASCADE CLASSIFIER.

DETEKSI WAJAH MANUSIA
MENGGUNAKAN METODE HAARCASCADE CLASSIFIER

SKRIPSI

Disusun oleh :

RYAN RAYNALDI
NPM. 0934010206

J URUSAN TEKNIK INFORMATIKA
FAKULTAS TEKNOLOGI INDUSTRI
UNIVERSITAS PEMBANGUNAN NASIONAL "VETERAN"
J AWA TIMUR
2013

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

DETEKSI WAJAH MANUSIA
MENGGUNAKAN METODE HAARCASCADE CLASSIFIER

SKRIPSI
Diajukan Untuk Memenuhi Sebagai Persyaratan
Dalam Memperoleh Gelar Sarjana Komputer
Jurusan Teknik Informatika

Disusun oleh :

RYAN RAYNALDI
NPM. 0934010206
J URUSAN TEKNIK INFORMATIKA
FAKULTAS TEKNOLOGI INDUSTRI
UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN”
J AWA TIMUR
2013

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

LEMBAR PENGESAHAN

DETEKSI WAJAH MANUSIA
MENGGUNAKAN METODE HAARCASCADE CLASSIFIER
Disusun Oleh :

RYAN RAYNALDI
NPM. 0934010206

Telah disetujui untuk mengikuti Ujian Negara Lisan
Gelombang IV Tahun Akademik 2012/2013

Pembimbing Utama

Pembimbing Pendamping

Basuki Rahmat, S.Si, MT
NPT. 3 6907 06 0209 1

Dr. Ir. Ni Ketut Sari, MT
NIP. 19650731 199203 1 001

Mengetahui,
Ketua J urusan Teknik Infor matika
Fakultas Teknologi Industri
UPN ”Veteran” J awa Timur

Dr. Ir. Ni Ketut Sari, MT
NPTY. 19650731 199203 1 001

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

SKRIPSI
DETEKSI WAJ AH MANUSIA
MENGGUNAKAN METODE HAARCASCADE CLASSIFIER
Disusun Oleh :

RYAN RAYNALDI
NPM. 0934010206
Telah dipertahankan di hadapan dan diterima oleh Tim Penguji Skripsi

J urusan Teknik Infor matika Fakultas Teknologi Industri
Univer sitas Pembangunan Nasional ”Veteran” J awa Timur
Pada Tanggal 14 J uni 2013
Pembimbing :

Tim Penguji :

1.

1.

Basuki Rahmat, S.Si, MT
NPTY. 3 6907 06 0209 1

Intan Yuniar Pur basar i, S.Kom, M.Sc
NPTY. 2 8006 04 40198

2.

2.

Dr . Ir . Ni Ketut Sari, MT
NPTY. 19650731 199203 1 001

Wahyu S J Putr a, S.Kom, M.Kom
NPTY. 3 8608 10 02951
3.

Bar r y Nuqoba, S.Si, M.Kom
NIP. 19841102 0212122 1 002
Mengetahui,
Dekan Fakultas Teknologi Industr i
Univer sitas Pembangunan Nasional ”Veter an” J awa Timur

Ir . SUTIYONO, MT.
NPTY. 19600713 1987 03 1 001

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

YAYASAN KESEJ AHTERAAN PENDIDIKAN DAN PERUM AHAN
UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN” J AWA TIMUR
FAKULTAS TEKNOLO GI INDUSTRI
PANITIA UJ I AN SKRIPSI / KOMPREHENSIF

KETERANGAN REVISI
Mahasiswa di bawah ini :
Nama

: Ryan Raynaldi

NPM

: 0934010206

Jurusan

: Teknik Informatika

Telah mengerjakan revisi/ tidak ada revisi*) pra rencana (design)/ skripsi ujian

lisan gelombang IV, TA 2012/2013 dengan judul:
“DETEKSI

WAJ AH

MANUSIA

MENGGUNAKAN

METODE

HAARCASCADE CLASSIFIER”
Surabaya, 19 Juni 2013
Dosen Penguji yang memerintahkan revisi:

1) Intan Yuniar Purbasari, S.Kom, M.Sc
NPTY. 2 8006 04 40198

{

}

2) Wahyu S J Putra, S.Kom, M.Kom
NPTY. 3 8608 10 02951

{

}

3) Barry Nuqoba, S.Si, M.Kom
NIP. 19841102 0212122 1 002

{

}

Mengetahui,
Pembimbing Utama

Basuki Rahmat, S.Si, MT

NPTY. 3 6907 06 0209 1

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

Pembimbing Pendamping

Dr. Ir. Ni Ketut Sari, MT
NIP. 19650731 199203 1 001

UCAPAN TERIMA KASIH

Ucapan terima kasih ini saya persembahkan sebagai perwujudan rasa syukur atas
terselesaikannya Laporan Skripsi. Ucapan terima kasih ini saya tujukan kepada :
1) Allah SWT., karena berkat Rahmat dan berkahNya kami dapat menyusun dan
menyelesaikan Laporan Skripsi ini hingga selesai.
2) Keluarga tercinta, terutama kedua orang tua bapak dan ibu tersayang, terima
kasih atas semua doa, dukungan serta harapan-harapanya pada saat penulis
menyelesaikan skripsi dan laporan ini.
3) Bapak Prof. Dr. Ir. Teguh Soedarto, MP selaku Rektor Universitas

Pembangunan Nasional “Veteran” Jawa Timur.
4) Bapak Ir. Sutiyono, MT selaku Dekan Fakultas Teknologi Industri UPN
“Veteran” Jawa Timur.
5) Ibu Dr. Ir. Ni Ketut Sari, MT. selaku Ketua Jurusan Teknik Informatika UPN
“Veteran” Jawa Timur sekaligus dosen pembimbing pendamping yang telah
dengan sabar membimbing dengan segala kerendahan hati dan banyak ide,
petunjuk, masukan, bimbingan, dorongan serta bantuan yang sangat berarti
dan bermanfaat bagi tugas akhir ini. Serta bersedia meluangkan waktu untuk
membimbing dan membantu.
6) Bapak Basuki Rahmat, S.Si, MT ,selaku dosen pembimbing utama pada
Skripsi ini di UPN “Veteran” Jawa Timur yang telah banyak memberikan
petunjuk, masukan, bimbingan, dorongan serta kritik yang bermanfaat sejak
awal hingga terselesainya Skripsi ini.

iii
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

7) Buat Kanti Putri Rahayu yang selalu setia menemani, mendengarkan keluh
kesah dan membantu penyusun agar dapat menyelesaikan Tugas Akhirnya.

8) Bapak Frinda Wahyu N , S.Kom., Selaku PIA Tugas Akhir, Serta bapak ibu
dosen Teknik Informatika UPN “Veteran” Jawa Timur
9) Kawan-kawan pengurus HIMATIFA, Awan, Arka P, Dia, Nita, Indra, Frans,
Rachman, Emil, Alfian Syarizal, Tio, Satrio C, Agus Widodo, Irkham, Alfian
Fachturam, Alon, Rafael, Imam Taufik ,Rio, Ridho, Yogi, Gede yang selalu
memberi support yang luar biasa dan inspirasi dalam penyelesain penulias
skripsi ini, HIMATIFA JAYA.
10) Para Sahabatku Rully Gita H, Firna Anas O, yang selalu menemani dan tak
bosan – bosan selalu memberi support.
11) Serta keluarga besar Warga Informatic”dhe, Asep kurnaivi ,Ika Wahyu,
Agustin,Wahyu, Amel, Umam, Rahman, Gayo, Adi Suryanto, Yanuar, Radit,
Hirson, Dedy, Doni, dan teman-teman yang lain, yang tidak bisa disebut satu
persatu yang telah membantu dalam penyelesaian Laporan Skripsi ini.
12) Serta Warkop C7 dan Warkop Kelir yang telah menyidiakan tempat yang
nyaman dan fasilitas internet yang sangat membantu dalam penyelesain skripsi
ini.
Terima Kasih yang tak terhingga untuk semuanya. Semoga Allah SWT yang
membalas semua kebaikan dan bantuan tersebut.

iv

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

KATA PENGANTAR

Segala puji dan syukur penulis panjatkan kehadirat Allah SWT yang telah
melimpahkan rahmat dan karunia-Nya sehingga penulis dapat menyelesaikan
skripsi ini yang berjudul “DETEKSI WAJ AH MANUSIA MENGGUNAKAN
METODE HAARCASCADE CLASSIFIER “tepat waktu.
Skripsi dengan beban 4 SKS ini disusun guna diajukan sebagai salah satu
syarat untuk menyelesaikan program Strata Satu (S1) pada jurusan Teknik
Informatika, Fakultas Teknologi Industri, UPN ”VETERAN” Jawa Timur.
Melalui Skripsi ini peneliti merasa mendapatkan kesempatan emas untuk
memperdalam ilmu pengetahuan yang diperoleh selama di bangku perkuliahan,
terutama berkenaan tentang penerapan teknologi perangkat bergerak. Akhir kata
dengan segala kerendahan hati penulis menyadari bahwa skripsi ini masih jauh
dari kriteria penelitian yang sempurna. Oleh karena itu, kritik dan saran yang
sifatnya membangun penulis sangat harapkan. Semoga skripsi ini dapat
bermanfaat bagi penulis khususnya dan umumnya bagi pembaca serta peneliti
selajutnya.

Surabaya,14 juni 2013

(Penulis)

ii
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

DAFTAR ISI
Halaman
LEMBAR PENGESAHAN
ABSTRAK ..................................................................................................

i

KATA PENGANTAR ................................................................................. ii
UCAPAN TERIMA KASIH ...................................................................... iii
DAFTAR ISI ...............................................................................................

v

DAFTAR GAMBAR .................................................................................. ix
DAFTAR TABEL ...................................................................................... xi

BAB I

PENDAHULUAN .........................................................................

1

1.1. Latar Belakang .......................................................................

1

1.2. Rumusan Masalah ..................................................................

3

1.3. Batasan Masalah ....................................................................

4

1.4. Tujuan ……….. .....................................................................

4

1.5. Manfaat .................................................................................

5

1.6. Metodologi Penelitian ............................................................

6

1.7. Sistematika Penulisan .............................................................

6

BAB II TINJ AUAN PUSTAKA ................................................................

9

2.1

Peneliti pendahulu ..................................................................

9

2.1.1 Traning Data ……………………………………… ....... 10
2.1.2 Fitur Haar…………………………………………… .......... 10

v
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

2.1.3. Integral Image .............................................................. 11
2.1.4. Cascade Classifier ........................................................ 11
2.2. Landasan Teori ...................................................................... 12
2.2.1 . Artificial Intelligence .................................................. 12
2.2.2. Citra Digital ................................................................. 12
2.2.3. Warna .......................................................................... 13
2.3. Pengolahan Citra Digital (Image Processing) ........................ 16
2.3.1. Tahapan Normalisasi Ukuran Citra (Resizing) ............. 16
2.3.2. Tahapan Grayscaling .................................................... 17
2.3.3. Tahapan Thresholding ................................................. 18
2.3.4. Deteksi Wajah(Face Detection) .................................... 19
2.3.5. Metode Cascade Classifier .......................................... 20
2.3.6. Haarcascade Template File .......................................... 22
2.4. Visual Studio .net 2010 ......................................................... 31
2.5. EMGU.CV.............................................................................. 33
BAB III ANALISIS DAN PERANCANGAN SISTEM ........................... 35
3.1

Analisa Sistem ...................................................................... 35
3.1.1. Menu Deteksi Wajah .................................................... 36
3.1.2. Menu Gallery ............................................................... 39
3.1.3. Menu Profil .................................................................. 40

3.2

Perancangan proses ................................................................ 40
3.2.1 Rezise Image ................................................................ 40
3.2.2 Proses Grayscale ........................................................ 41
3.2.3 Mendeteksi wajah Manusia ........................................ 42

vi
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

3.2.4 Pemotongan Wajah Manusia ..................................... 44
3.3

Perancangan Interface ………………………........................ 45
3.3.1. Interface Menu Utama .................................................. 45
3.3.2. Interface Menu Deteksi Wajah ..................................... 46
3.3.3. Interface Menu Gallery ................................................ 47
3.3.4. Interface Menu Profil ................................................... 47

BAB IV HASIL DAN PEMBAHASAN ................................................... 48
4.1

Kebutuhan Hardware dan Software ........................................ 48

4.2

Implementasi Data ................................................................. 49

4.3

Implementasi Interface ........................................................... 49
4.3.1. Menu Deteksi Wajah .................................................... 50
4.3.2. Menu Gallery ............................................................... 51
4.3.3. Menu Profil .................................................................. 52

4.4

Implementasi Proses .............................................................. 53
4.4.1 Implementasi Istalasi open.cv dan emgu.cv ................... 53
4.4.2 Menu Deteksi Wajah ..................................................... 61
4.4.2.1. Proses Load .......................................................... 61
4.4.2.2. Proses Resize Image ................................................ 62
4.4.2.3. Proses Convert Image ke Grayscale ...................... 62
4.4.2.4. Proses Memanggil Cascade Classifier. ................. 62
4.4.2.5. Proses pencarian wajah ,Rectangledan hitung wajah 62
4.4.2.6. Proses Save ............................................................. 63
4.4.2.7. Proses View face .................................................... 63
4.4.3 Menu Gallery ................................................................ 64

vii
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

4.5

Uji Coba Program …………………………………………… 65
4.5.1 Skenario Uji Coba ……………………………………... 65
4.5.2 Pelaksanaan Uji Coba ................................................... 65

4.6

Analisa Aplikasi .................................................................... 70
4.6.1 Tabel Hasil Uji Coba .................................................... 71

BAB V

KESIMPULAN DAN SARAN .................................................... 78
5.1.

5.2

Kesimpulan ........................................................................... 78
Saran ..................................................................................... 79

DAFTAR PUSTAKA .................................................................................. 80

viii
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

J UDUL

: DETEKSI WAJ AH MANUSIA
MENGGUNAKAN METODE
HAARCASCADE CLASSIFIER

PENYUSUN
: RYAN RAYNALDI
DOSEN PEMBIMBING I : BASUKI RAHMAT, S.Si, MT
DOSEN PEMBIMBING II : Dr. Ir. NI KETUT SARI, MT

ABSTRAK
Algoritma pendeteksian wajah manusia merupakan suatu algoritma yang
bertujuan untuk mendeteksi wajah manusia pada gambar yang memiliki
karakteristik wajah manusia. Dalam pendeteksian wajah manusia metode yang
digunakan adalah haarcascade Classifier.
Metode haarcascade Classifier dalam pendeteksian wajah manusia yang
digunakan untuk mengklasifikasikan wajah
dengan cara setiap masukan
kemudian dihitung nilai fiturnya menggunakan citra integral. Hasil perhitungan
ditraining menggunakan suatu algoritma boosting yang merupakan variasi dari
algoritma AdaBoost. Hasil training inilah yang digunakan untuk membentuk
Cascade Classifier, Akan tetapi dalam membantu proses deteksi wajah , terdapat
juga tahapan-tahapan proses yang diantaranya adalah grayscale,threshold,dan
rectangle. Tahapan proses-proses tersebut pada dasarnya untuk merubah gambar
pixel berwarna menjadi pixel abu-abu (grayscale),untuk merubah pixel berwarna
menjadi waran hitam putih (threshold) dan untuk menandai hasil proses
pendeteksian wajah manusia menggunakan fungsi rectangle .
Hasil dari aplikasi deteksi wajah ini akan menghasilkan sub-sub citra baru
berupa gambar wajah manusia yang sudah terpisah dari gambar asalnya, serta
dapat menghitung jumlah wajah yang terdeteksi dari gambar yang diproses. Dari
20 uji coba dengan aplikasi secara otomatisi yang yang telah dilakukan, 16 uji
coba dapat di deteksi dengan secara akurat, dengan kriteria wajah menghadap ke
depan (frontal), dalam posisi tegak, tidak terhalangi sebagian oleh objek
lain(wajah, tangan, rambut yang menutupi sebagian wajah, dll)

Kata Kunci : Metode Haarcascade Classifier, Deteksi Wajah Manusia

i
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

BAB I
PENDAHULUAN

1.1

Latar Belakang
Sistem biometrik saat ini telah mencapai perkembangan yang luar biasa

dalam menggantikan sistem konvensional, Sistem biometrik adalah sistem untuk
melakukan identifikasi dengan cara menggunakan ciri-ciri fisik atau anggota
badan manusia, seperti sidik jari, retina mata, suara. Teknologi biometrik ini
memiliki beberapa kelebihan seperti tidak mudah hilang, tidak dapat lupa, tidak
mudah dipalsukan, dan memiliki keunikan yang berbeda antara manusia satu
dengan yang lain. Dalam sistem pengenalan wajah, pendeteksian posisi wajah
merupakan salah satu tahap yang penting karena di dunia nyata wajah dapat
muncul di dalam citra dengan berbagai ukuran dan posisi (Fraser F, 2003).
Wajah manusia menimbulkan masalah bahkan lebih dari benda-benda lain
karena memiliki karakteristik (pola) yang khas. wajah manusia adalah obyek
dinamis yang datang dalam berbagai bentuk dan warna (Fraser, F, 2003). Namun
deteksi wajah manusia dan pelacakan memberikan banyak manfaat dalam
perkembangan dunia teknologi dewasa ini.Komputer Interaksi Human (HCI)
sangat bisa menjadi ditingkatkan dengan menggunakan emosi, berpose, dan
pengakuan isyarat, semua dari yang membutuhkan wajah ,fitur deteksi wajah dan
pelacakan .Pixels sering membutuhkan analisis untuk skala dan presisi. Viola dan
Jones merancang algoritma, yang disebut Klasifayer Haar, untuk cepat
mendeteksi benda, termasuk wajah manusia, menggunakan Haarcascades
1
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

2

classifier Ada Boost yang didasarkan pada Haar-seperti fitur dan bukan pixel
(Viola

P &Michael J Jones, 2001).

Pengenalan karakteristik (pola) wajah manusia merupakan salah satu bidang
yang sangat menarik untuk diteliti karena sampai sekarang masih belum
ditemukan suatu metode yang benar-benar sempurna dalam mengenal suatu
wajah. Hal ini dikarenakan wajah manusia terlalu kompleks, sehingga untuk
mengembangkan suatu perhitungan yang ideal adalah hal yang sulit. Di dalam
setiap penelitian tentang pengenalan karakteristik (pola) wajah manusia, pasti
akan kita temukan sesuatu yang berhubungan dengan image processing dan
computer vision. Image Processing adalah salah satu jenis teknologi untuk
menyelesaikan masalah mengenai pemrosesan gambar. Dalam Image Processing,
gambar yang ada diolah sedemikian rupa sehingga gambar tersebut lebih mudah
diproses, sedangkan Computer Vision mempunyai tujuan utama yaitu untuk
membuat suatu keputusan yang berguna tentang obyek fisik nyata yang didapat
dari perangkat atau sensor (Viola P &Michael J Jones, 2001).
Dari sekian banyak metode pengenalan wajah yang telah digunakan, kami
mencoba untuk mengembangkan metode yang sudah ada yaitu metode
Haarcascade Classifier. Hal yang paling mendasari dalam pengambilan metode
Haarcascade Classifier ini adalah karena metode Haarcascade Classifier
mempunyai kelebihan antara lain dapat merepresentasi image wajah manusia
dengan sangat rapi,

proses yang cepat,

tingkat keakurasian yang (Viola P

&Michael J Jones, 2001).

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

3

Metode HaarCascade Classifier merupakan salah satu metode yang berada di
library emgu cv. library emgu cv

sendiri merupakan wrapper dari Library

Open.cv yang khusus berjalan di bahasa pemgroman berbasis (.net) contohnya
seperti C #, VB .net, VC + +, IronPython dll (Seo N, 2007).
Aplikasi yang akan dibuat menerima input berupa gambar manusia yang
memiliki karakteristik wajah manusia, yang diperoleh dari kamera digital, yang
kemudian akan ditransfer menjadi digital image dengan format JPEG ke komputer
untuk diproses. Output dari aplikasi deteksi wajah adalah foto wajah manusia
yang sudah terpotong dari foto asal. Foto wajah manusia tersebut akan disimpan
ke dalam database komputer untuk keperluan pendataan.
Aplikasi deteksi wajah manusia secara otomatis ini pada dasarnya adalah
untuk pencarian (identifikasi) posisi wajah manusia yang akan menghasilkan
gambar wajah manusia yang telah terpotong. Pencarian posisi akan dilakukan
dengan salah satu metode pengolahan citra biner yaitu operasi HaarCascade
Classifier yang dipadukan dengan karakteristik wajah manusia.

1.2

Rumusan Masalah
Adapun permasalahan yang akan dibahas adalah sebagai berikut :
1) Menerapkan tahapan proses untuk membuat aplikasi deteksi wajah

manusia dengan menggunakan visual studio.net 2010.
2) Menerapkan metode Haarcascade Classifier kedalam pembuatan

apliakasi deteksi wajah manusia.

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

4

3) Menerapkan library Emgu Cv

dalam Aplikasi deteksi wajah

manusia.

1.3

Batasan Masalah
Untuk menjaga fokus dari penelitian ini, maka beberapa batasan yang

diberikan adalah sebagai berikut :
1) Wajah yang akan dideteksi adalah wajah yang menghadap ke depan

(frontal), dalam posisi tegak, dan tidak terhalangi sebagian oleh
objek lain.
2)

Pengambilan gambar dilakukan dengan memanggil file dari
komputer dengan format JPEG dan JPG. (Still image)

3)

Dengan tahapan proses resize, pendeteksian wajah, rectangle
,pemotongan (Cropping) dan penyimpanan (save).

4)

Hasil dari pendeteksian wajah manusia akan di simpan

dengan

format JPEG dengan resolusi VGA (256 x 256 pixel).
5)

Menggunakan metode HaarCascade Classifier di library Emgu Cv
(2.4.2.1777) untuk mendeteksi wajah manusia

6)

Bahasa pemrograman yang dipakai adalah visual basic (.net) dengan
kompiler microsoft visual studio 2010.

1.4

Tujuan
Tujuan dari tugas akhir ini adalah melakukan deteksi wajah manusia

dengan metode HaarCascade Classifier pada library emgu cv.

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

5

1.5

Manfaat
Manfaat dari penulisan tugas akhir ini adalah :
1. Sebagai dasar solusi untuk membantu sistem keamanan seperti keamanan
log in sistem, identifikasi dan autofikasi, yang akan dapat mengidentifikasi
wajah secara otomatis.
2. Aplikasi deteksi wajah yang berguna untuk mendeteksi wajah manusia
dengan tingkat akurasi yang tinggi, cepat, dan hasil yang konsisten dalam
pengujiannya
3. Dapat mengetahui secara lebih detail teknik pengenalan wajah manusia
oleh komputer, dengan menggunakan metode HaarCascade Classifier.
Pada tools yang terdapat di library Emgu Cv
4. Dapat dipergunakan sebagai dasar penelitian selanjutnya untuk sistem
pengenal wajah manusia secara otomatis dan dapat dipergunakan untuk
berbagai keperluan.

1.6

Metode Penelitian
Beberapa metode dan teknik yang dipergunakan dalam pengumpulan dan

pengolahan data skripsi ini antara lain :
a) Metode Pengumpulan Data
Metode pengumpulan data dalam penulisan ini menggunakan studi
kepustakaan guna menunjang pembuatan tugas akhir dengan membaca dan
mempelajari buku-buku literatur, jurnal, artikel yang berhubungan dengan
pengenalan citra berbasis komputer khususnya deteksi wajah manusia.

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

6

b) Metode Analisis
Metode analisis dalam penulisan ini mencakup bagaimana menganalisa
cara kerja algoritma untuk mendeteksi citra wajah manusia secara
sistematis.
c) Perancangan dan Pembuatan Aplikasi
Melakukan perancangan algoritma yang digunakan, perancangan struktur
data,diagram alur serta interface yang akan digunakan untuk implementasi
dalam perangkat

lunak yang akan dibuat. Kemudian dilakukan

pengimplementasian ke dalam bahasa pemrograman yang untuk aplikasi.
d) Pengujian dan Evaluasi Aplikasi
Melakukan pengujian pada aplikasi yang telah dibuat serta mengevaluasi
hasil yang diperoleh untuk perbaikan aplikasi sehingga dapat mengetahui
apakah aplikasi sesuai dengan tujuan yang diharapkan.
e) Pembuatan Naskah Skripsi
Melakukan dokumentasi dari semua tahap agar dapat dipelajari untuk
pengembangan lebih lanjut. Memaparkan dasar-dasar teori dan metode
yang terlibat di dalamnya, diantaranya desain perangkat lunak dan
implementasinya, hasil pengujian aplikasi termasuk juga perbaikan.

1.7

Sistematika Penulisan
Pada penyusunan tugas akhir, sistematika pembahasan diatur dan disusun

dalam enam bab, dan tiap-tiap bab terdiri dari sub-sub bab. Untuk memberikan

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

7

gambaran yang lebih jelas, maka diuraikan secara singkat mengenai materi dari
bab-bab dalam penulisan tugas akhir ini sebagai berikut:
BAB I

PENDAHULUAN :
Pada bab ini berisi latar belakang, perumusan masalah, batasan
masalah, tujuan penelitian, manfaat penelitian, dan sistematika
penulisan pembuatan tugas akhir ini.

BAB II

TINJAUAN PUSTAKA :
Pada bab ini menjelaskan mengenai landasan teori-teori
pendukung pembuatan tugas akhir ini.

BAB III

ANALISIS DAN PERANCANGAN SISTEM:
Pada bab ini berisi tentang analisis dan perancangan aplikasi
dalam pembuatan Tugas Akhir Deteksi Wajah Manusia
Menggunakan Algoritma Cascade Classifier

Pada Library

Emgu CV.

BAB IV HASIL DAN PEMBAHASAN :
Pada bab ini akan membahas tentang kerja dari aplikasi secara
keseluruhan tentang pelaksanaan uji coba dan evaluasi dari
pelaksanaan uji coba dari program yang dibuat. Uji coba dapat
dilakukan pada akhir dari tahap-tahap analisis aplikasi, desain
aplikasi dan tahap penerapan aplikasi atau implementasi.
Sasaran dari ujicoba program adalah untuk menemukan

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

8

kesalahan-kesalahan dari program yang mungkin terjadi
sehingga dapat diperbaiki
BAB V

KESIMPULAN DAN SARAN :
Pada bab ini berisi kesimpulan dan saran dari penulis untuk
pengembangan aplikasi.

DAFTAR PUSTAKA :
Pada bagian ini akan dipaparkan tentang sumber-sumber
literatur yang digunakan dalam pembuatan laporan tugas akhir
ini.

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

BAB II
TINJ AUAN PUSTAKA

2.1.

Peneliti Pendahulu
Dalam penelitian pendahulu deteksi wajah digunakan untuk melacak

dimana letak wajah manusia dalam sebuah image dan kemudian dilakukan
penglokalisasian pada wajah manusia.
Penelitian mengenai deteksi wajah teknologi computer vision telah banyak
dilakukan, salah satunya adalah menggunakan Haar-like feature yang dikenal
sebagai HaarCascade Classifier. Haar-like features merupakan rectangle
(persegi) features, yang memberikan indikasi secara spesifik pada sebuah gambar
atau image. Ide dari Haar-like features adalah untuk mengenali obyek
berdasarkan nilai sederhana dari fitur tetapi bukan merupakan nilai pixel dari
image obyek tersebut. Metode ini memiliki kelebihan yaitu komputasinya sangat
cepat, karena hanya bergantung pada jumlah pixel dalam persegi bukan setiap
nilai piksel dari sebuah image (Viola P &Michael J Jones, 2001). metode ini
memberikan tingkat deteksi sekitar 95% untuk mata dan hidung. Deteksi mulut
memiliki tingkat yang lebih rendah karena ukuran minimum yang diperlukan
untuk deteksi. oleh mengubah parameter tinggi dan lebar untuk lebih akurat
mewakili dimensi mulut dan pelatihan classifier akurasi harus meningkatkan
akurasi itu fitur-fitur lain. Metode ini merupakan metode yang menggunakan
statistical model (classifier). Pendekatan untuk mendeteksi objek dalam gambar
menggabungkan empat konsep utama :

9
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

10

2.1.1. Training Data
Algoritma Haar menggunakan metode statistical dalam melakukan
pendeteksian wajah. Metode ini menggunakan sample haa-rlike fetures.
Classifier ini menggunakan gambar berukuran tetap (umumnya berukuran
24x24). Cara kerja dari haar dalam mendeteksi wajah adalah dengan
menggunakan teknik sliding window berukuran 24x24 pada keseluruhan
gambar dan mencari apakah terdapat bagian dari gambar yang berbentuk
seperti wajah atau tidak. Haar juga memiliki kemampuan untuk melakukan
scaling sehingga dapat mendeteksi adanya wajah yang berukuran lebih besar
ataupun lebih kecil dari ganbar pada classifier (Viola P &Michael J Jones,
2001).
Tiap feature dari haar-like feature didefinisikan pada bentuk dari
feature, diantaranya koordinat dari feature dan juga ukuran dari feature
tersebut ((Viola P &Michael J Jones, 2001).

2.1.2.

Fitur Haar
Haar Feature adalah fitur yang didasarkan pada Wavelet Haar (Viola,

P; Michael J; Jones, 2001). Wavelet Haar adalah gelombang tunggal bujur
sangkar (satu interval tinggi dan satu interval rendah). Untuk dua dimensi,
satu terang dan satu gelap. Selanjutnya kombinasi-kombinasi kotak yang
digunakan untuk pendeteksian objek visual yang lebih baik. Setiap Haar-like
feature terdiri dari gabungan kotak - kotak hitam dan putih (Viola P
&Michael J Jones, 2001).

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

11

2.1.3.

Integral Image
Integral Image digunakan untuk menentukan ada atau tidaknya dari

ratusan fitur Haar pada sebuah gambar dan pada skala yang berbeda secara
efisien. Pada umumnya, pengintegrasian tersebut berarti menambahkan unitunit kecil secara bersamaan. Dalam hal ini unit-unit kecil tersebut adalah
nilai-nilai piksel. Nilai integral untuk masing-masing piksel adalah jumlah
dari semua pixel dari atas sampai bawah. Dimulai dari kiri atas sampai kanan
bawah, keseluruhan gambar itu dapat dijumlahkan dengan beberapa operasi
bilangan bulat per pixel (Viola P &Michael J Jones, 2001).

2.1.4. Cascade Classifier.
Cascade classifier adalah sebuah rantai stage classifier, dimana setiap
stage classifier digunakan untuk mendeteksi apakah didalam image subwindow terdapat obyek yang diinginkan (object of interest). Stage classifier
dibangun dengan menggunakan algoritma adaptive-boost (AdaBoost).
Algoritma tersebut mengkombinasikan performance banyak weak classifier
untuk menghasilkan strong classifier. Weak classifier dalam hal ini adalah
nilai dari haar-like feature. Jenis AdaBoost yang digunakan adalah Gentle
AdaBoost (Viola P &Michael J Jones, 2001).
Dalam penelitian pendahulu pengembangan library emgu cv banyak di
kolaborasikan di bahasa pemrograman C# karena sama dengan bahasa yang
terdapat di emgu cv

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

12

2.2.

Landasan Teori

2.2.1. Artificial Intelligence
Artificial Intelligence atau kecerdasan buatan (disingkat AI) adalah
kemampuan suatu
dihubungkan

alat

dengan

untuk

melakukan

fungsi

yang

biasanya

kecerdasan manusia, seperti penalaran dan

pembelajaran melalui pengalaman. AI adalah cabang dari computer science
yang

berupaya

meniru

kemampuan

penalaran

manusia

dengan

mengorganisasi dan memanipulasi pengetahuan faktual dan heuristik. Bidang
aktivitas AI meliputi sistem pakar, pengenalan bahasa alami, pengenalan
suara, penglihatan komputer (Computer Vision) dan robotika.(Dr. John
Fernandez.2003)

2.2.2. Citra Digital
Digital image didefinisikan sebagai representasi dari gambar dua
dimensi sebagai himpunan terbatas dari nilai digital yang disebut picture
elements atau pixel. Umumnya pixel disimpan dalam komputer sebagai
gambar raster, yaitu array dua dimensi dari integer. Nilai ini kadang
disimpan dalam bentuk terkompresi. Digital image dapat diperoleh dari
berbagai macam alat dan teknik pengambil gambar, seperti kamera digital,
scanner, radar, dan sebagainya. Dapat pula disintesis dari data seperti fungsi
matematika dan lain lain. (Gonzales R.C.,1992). pixel adalah sampel dari
intensitas image yang terkuantisasi ke dalam nilai integer. Sementara Image

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

13

merupakan array dua dimensi dari pixel-pixel tersebut. Image inilah yang
akan menjadi input awal dalam Computer Vision (Gonzales R.C.,1992).
Citra digital adalah citra dengan f(x,y) yang nilainya didigitalisasikan
baik dalam koordinat spasial maupun dalam gray level. Digitalisasi dari
koordinat spasial citra disebut dengan image sampling. Sedangkan
digitalisasi dari gray level citra disebut dengan gray-level quantization .Citra
digital dapat dibayangkan sebagai suatu matriks dimana baris dan kolomnya
merepresentasikan suatu titik di dalam citra, dan nilai elemen matriks
tersebut menunjukkan gray level di titik tersebut Hal tersebut diilustrasikan
oleh Gambar 2.1. (Gonzales, R.C.,1992)

Gambar 2.1 Citra Digital (Gonzales, R.C.,1992).

2.2.3. Warna
Format data citra digital berhubungan erat dengan warna. Warna
adalah spektrum tertentu yang terdapat di dalam suatu cahaya sempurna

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

14

(berwarna putih). Nilai warna ditentukan oleh tingkat kecerahan maupun
kesuraman warna. Nilai ini dipengaruhi oleh penambahan putih ataupun
hitam.
Untuk keperluan penampilan secara visual, nilai data digital
merepresentasikan warna dari citra yang diolah. Format citra digital yang
banyak dipakai adalah :
a) Citra Biner (binary image)
Citra biner (binary image) adalah citra yang hanya mempunyai dua
nilai derajat keabuan yaitu hitam dan putih. Pixel-pixel objek bernilai 1 dan
pixel-pixel latar belakang bernilai 0. Pada waktu menampilkan gambar, 0
adalah putih dan 1 adalah hitam. Jadi latar belakang pada citra biner
berwarna putih sedangkan objek berwarna hitam yang tercemin dalam
Gambar 2.2.

Gambar 2.2 Citra biner (Gonzales, R.C.,1992).
b) Citra Warna (true color)
Setiap pixel pada citra warna mewakili warna yang merupakan
kombinasi tiga warna dasar, yaitu merah, hijau, dan biru (RGB = Red,

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

15

Green, Blue). Setiap warna pokok mempunyai intensitas sendiri dengan
nilai maksimum 255 (8-bit).
Citra dalam komputer tidak lebih dari sekumpulan sejumlah triplet
dimana setiap triplet terdiri atas variasi tingkat keterangan (brightness)
dari elemen red, green dan blue. Representasinya dalam citra, triplet akan
terdiri dari 3 angka yang mengatur intensitas dari Red (R), Green (G) dan
Blue (B) dari suatu triplet. Setiap triplet akan merepresentasikan 1 pixel
(picture element). Suatu triplet dengan nilai 67, 228 dan 180 berarti akan
mengeset nilai R ke nilai 67, G ke nilai 228 dan B k nilai 180. Angkaangka RGB ini yang seringkali disebut dengan color values. Pada format
.bmp citra setiap pixel pada citra direpresentasikan dengan dengan 24 bit, 8
bit untuk R, 8 bit untuk G dan 8 bit untuk B, dengan pengaturan tiga
sumbunya yang mewakili komponen warna merah (red) R, hijau (green)
G, biru (blue) B seperti pada Gambar 2.3 di bawah ini (Gonzales
R.C.,1992).

Gambar 2.3 Citra RGB (Gonzales R.C.,1992).

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

16

c) Cita Grayscale (skala keabuan)
Citra grayscale adalah citra digital yang setiap pixel-nya
merupakan sampel tunggal, yaitu informasi intensitas. Citra jenis ini
terbentuk hanya dari warna abu-abu pada tingkatan yang berbeda-beda,
mulai dari warna hitam pada tingkat intensitas terendah hingga warna
putih pada tingkat intensitas tertinggi seperti pada Gambar 2.4 dibawah
ini. (Gonzales R.C.,1992).

Gambar 2.4 Citra Grayscale (Gonzales, R.C.,1992).

2.3. Pengolahan Citra Digital (Image Processing)
2.3.1. Tahapan Normalisasi Ukuran Citra (Resizing)
Citra dipetakan pada pixel dengan ukuran tertentu sehingga memberikan
representasi dimensi yang tetap. Tujuan dari normalisasi citra adalah
mengurangi resolusi citra yang berguna saat proses pengenalan citra dan juga
meningkatkan akurasi pengenalan. Proses yang digunakan pada tahap
normalisasi ini adalah proses penskalaan citra.

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

17

Scaling atau penskalaan pada citra disebut juga image zooming, yaitu proses
untuk mengubah ukuran citra asli (zoom in / memperbesar ukuran citra asli atau
zoom out / memperkecil ukuran citra asli). Proses perubahan ukuran resolusi
citra dibutuhkan untuk menyesuaiakan resolusi citra masukan dengan resolusi
citra template. Contoh gambar resizing seperti Gambar 2.5 dibawah ini,
(Gonzales, R.C.,1992).

150x150 pixel
200x200 pixel
Gambar 2.5 Resizing Image
Gambar 2.5 mengilustrasikan perubahan ukuran pixel dengan ukuran awal
200x200 pixel menjadi 150x150 pixel.

2.3.2. Tahapan Grayscaling.
Grayscale merupakan proses pengolahan citra dengan cara mengubah
nilai-nilai piksel awal citra menjadi sebuah citra keabuan. Citra keabuan
adalah citra yang setiap pikselnya mengandung satu layer dimana nilai
intensitasnya berada pada interval 0-255, sehingga nilai-nilai piksel pada citra
keabuan tersebut dapat direpresentasikan dalam sebuah matriks yang dapat

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

18

memudahkan proses perhitungan pada operasi berikutnya contoh perbuaha
citra RGB ke Gray seperti pada Gambar 2.6 dibawah ini.

Gambar 2.6 Grayscaling Image
Grayscale dapat dengan mudah dihitung berdasarkan nilai RGB yang
diketahui menggunakan prosedur sederhana seperti dibawah ini :
W=

(2.1)

W = nilai grayscale
R = nilai warna merah
G = nilai warna hijau
B= nilai warna biru

2.3.3. Tahapan Thresholding
Thresholding adalah proses untuk mengelompokkan semua pixsel pada
citra dengan nilai tertentu menjadi dua bagian dengan nilai gray level yang
telah ditentukan (Gonzales R.C.,1992).

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

19

Pembuatan citra biner adalah salah satu bentuk thresholding dengan
nilai 0 dan 1, yaitu melakukan perubahan semua nilai pixel yang lebih
besar atau sama dengan nilai ambang menjadi 1 dan semua nilai pixel
yang lebih kecil dari nilai ambang menjadi 0. (Gonzales R.C.1992).
Gambar 2.7 mencerminkan perubahan warna gray ke thresholding.
Warna hitam pixel < 0
Warna pitih pixel > 1

Gambar 2.7 Thresholding image (Gonzales R.C.,1992).

2.3.4. Tahapan Deteksi Wajah (face detection)
Deteksi wajah adalah teknologi komputer yang menentukan lokasi dan
ukuran wajah manusia di sembarang (digital) gambar. Mendeteksi fitur
wajah dan mengabaikan hal lain, seperti bangunan, pohon dan tubuhan.
Deteksi wajah dapat dianggap sebagai kasus khusus dari object-class
deteksi . Dalam Object-Class deteksi, tugas ini adalah untuk menemukan
lokasi dan ukuran dari semua benda di gambar yang termasuk kelas tertentu.

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

20

Deteksi wajah dapat dianggap sebagai kasus yang lebih umum dari
lokalisasi wajah . Di lokalisasi wajah, tugas ini adalah untuk menemukan
lokasi dan ukuran dari sejumlah dikenal wajah (biasanya satu). Dalam
deteksi wajah, seseorang tidak memiliki informasi tambahan (Dr. John
Fernandez.2003).
Awal algoritma face-detection difokuskan pada deteksi wajah manusia
frontal, sedangkan algoritma baru mencoba untuk memecahkan masalah
yang lebih umum dan sulit multi-view deteksi wajah. Artinya deteksi wajah
yang baik diputar sepanjang sumbu dari wajah untuk pengamat, atau diputar
sepanjang sumbu vertikal atau kiri-kanan , atau keduanya. Algoritma baru
memperhitungkan variasi dalam gambar atau video dengan faktor-faktor
seperti

penampilan

wajah,

pencahayaan,

dan

pose

(Dr.

John

Fernandez.2003).

2.3.5. Metode Cascade Classifier
Cascaded

classifier

merupakan

suatu

metode

pengklasifikasian

bertingkat, dimana input dari setiap tingkatan merupakan output dari tingkatan
sebelumnya. Pada classifier tingkat pertama, yang menjadi inputan adalah
seluruh citra sub-window.Semua citra sub-window yang berhasil melewati
classifier pertama akan dilanjutkan ke classifer ke dua, dan seterusnya.
Apabila suatu sub-window berhasil melewati semua tingkat classifier, maka
sub-window tersebut dinyatakan sebagai wajah. Sedangkan untuk sub-window
yang gagal melewati suatu tingkat classifier akan langsung dieliminasi dan

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

21

dinyatakan sebagai bukan wajah (tidak akan diproses lagi). Hal ini sangat
mempercepat proses pengklasifikasian, karena jumlah inputan yang diterima
di setiap classifier akan semakin berkurang (Viola P &Michael J Jones, 2001).
Cascaded classifier dirancang sedemikian rupa untuk meningkatkan
tingkat pendeteksian dan mengurangi jumlah positif palsu. Setiap tingkatan
classifier merupakan representasi hasil dari algoritma boosting. Jadi, di setiap
tingkat classifer memiliki sejumlah weak classifiers. Setiap weak classifier
memberikan aturan pasti mengenai fitur Haarlike yang digunakan (jenis,
ukuran, dan lokasi), nilai threshold terbaik untuk setiap fitur, serta nilai
batasan setiap fitur tersebut. Biasanya, semakin tinggi tingkat classifer,
semakin banyak pula jumlah weak classifier yang ada. Hal ini mengakibatkan
semakin sulitnya suatu sub-window untuk berhasil melewati tingkatan
classifier tersebut, sehingga jumlah sub-window yang dieliminasi akan
semakin banyak, dan jumlah sub-window yang berhasil lolos ke classifier
tingkat selanjutnya akan semakin sedikit. Oleh karena semakin sedikit subwindow yang berhasil lolos ke classifier selanjutnya, maka semakin sedikit
pula jumlah false positive (citra negatif yang dianggap sebagai citra positif)
yang berhasil lolos. Dengan berkurangnya false positive tingkat keakuratan
pendeteksian pun meningkat. Jadi, semakin banyak tingkat classifier di dalam
suatu cascaded classifier, maka semakin akurat hasil yang akan didapatkan
(Viola P &Michael J Jones, 2001). Gambar 2.8 menjelasakn alur bagaimana
classifier dalam mendeteksi wajah.

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

22

Gambar 2.8 Cascade Classifier (Viola dan jones,2001).
Pada klasifikasi tingkat pertama, tiap subcitra akan diklasifikasi
menggunakan satu fitur. Klasifikasi ini kira-kira akan menyisakan 50%
subcitra untuk diklasifikasi di tahap kedua. Seiring dengan bertambahnya
tingkatan klasifikasi, maka diperlukan syarat yang lebih spesifik sehingga fitur
yang digunakan menjadi lebih banyak. Jumlah sub-citra yang lolos klasifikasi
pun akan berkurang hingga mencapai jumlah sekitar 2%.

2.3.6. Haarcascade Template File
Kreteria wajah manusia yang dapat terdeteksi dalam template
haarcascade antara lain :
a)

Warna kulit tidak berpengaruh

b)

Wajah yang menghadap ke depan (frontal) dan dalam posisi tegak

c)

Tidak terhalangi sebagian oleh objek lain seperti tangan, wajah
lain, rambut yang menutupi sebagian wajah.

Jenis haarcascade template file yang penulis gunakan adalah
haarcascade_frontalface_alt.xml. Template ini memiliki 22 tah apan (stage
0 sampai stage 21). Jumlah tahapan ini menunjukkan jumlah tingkatan
classifier bertingkat yang digunakan (Viola dan jones,2001)..

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

23

Potongan

code

dalam

haarcascade_frontalface_alt.xml

berikut:


24 24










6 4 12 9 -1.
6 7 12 3 3.
0
-0.0315119996666908
2.0875380039215088
-2.2172100543975830






6 4 12 7 -1.
10 4 4 7 3.
0
0.0123960003256798
-1.8633940219879150
1.3272049427032471







3 17 9 6 -1.

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

sebagai

24

3 19 9 2 3.
0
-0.0191600006073713
-0.7988010048866272
-0.0340790003538132






16 2 3 20 -1.
17 2 1 20 3.
0
-3.7730000913143158e-003
-0.1912409961223602
0.2153519988059998







9 1 6 22 -1.
12 1 3 11 2.
9 12 3 11 2.
0
-0.0221730004996061
0.4860099852085114
3.6160000599920750e-003
-2.9928278923034668
23
-1


Pada bagian awal code, terdapat definisi ukuran window yang akan
digunakan dalam mengklasifikasikan setiap citra sub-window yang ada, yaitu
pada bagian . Hal ini menunjukkan bahwa setiap citra sub-window yang

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

25

akan diklasifikasi, berapapun ukurannya akan diubah terlebih dahulu ke dalam
ukuran 24x24. Misal, terdapat sub-window berukuran 40x40, maka sub-window
tersebut akan dikonversi menjadi window berukuran 24x24 (seperti contoh pda
Gambar 2.9). Demikian pula, jika terdapat sub-window yang lebih kecil dari
24x24 ,misalnya 10x10 sub-window tersebut akan diubah ke dalam ukuran 24x24
(seperti contoh pda Gambar 2.10). Dengan melakukan pengkonversian ini, maka
citra sub-window berukuran sekecil apapun dapat diklasifikasi.

Gambar 2.9 Citra Sub-Window Berukuran 40x40 Diubah Ke Ukuran
24x24(Viola dan jones,2001).

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

26

Gambar 2.10 Citra Sub-Window Berukuran 10x10 Diubah Ke Ukuran
24x24(Viola dan jones,2001).
Setelah dikonversi ke dalam ukuran 24x24, selanjutnya setiap citra subwindow akan diklasifikasikan sebagai wajah ataupun bukan wajah, dengan
melalui setiap tahapan yang ada di dalam cascaded classifier atau template file
tersebut. Dari potongan code di atas, dapat dilihat bahwa di dalam setiap
tahapan terdapat sebuah nilai threshold (stage_threshold) dan beberapa tree.
Tree ini adalah weak classifier yang didapatkan dari setiap tahapan algoritma
boosting. Jumlah tree di setiap tahapan berbeda-beda.Biasanya, semakin tinggi
tahapannya, semakin banyak pula jumlah tree.

Misalnya, pada tahap 0

terdapat 8 tree dan tahap 21 terdapat 213 tree. Jumlah tree pada suatu tahapan

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

27

menunjukkan jumlah fitur yang digunakan untuk mengklasifikasi setiap subwindow yang mencapai tahapan tersebut (Viola dan jones,2001).
Bentuk fitur yang digunakan, bisa sama, tetapi bisa juga berbeda, begitu
juga dengan posisi dan ukuran fitur tersebut. Namun tidak ada fitur yang
persis sama (memiliki bentuk, posisi, dan ukuran yang sama) di tree yang
berbeda.Di setiap tree hanya terdapat satu node, yaitu root node. Di dalam
setiap node ini,terdapat fitur Haarlike (rects), nilai threshold (threshold), serta
nilai-nilai batasan minimum dan maksimum (left_val dan right_val) yang
harus dipenuhi suatu fitur agar sub-window dapat lolos ke tahap selanjutnya.
Untuk dapat melewati suatu tahapan, suatu sub-window harus berhasil
melewati semua tree yang ada di dalam tahapan tersebut.Perhitungan nilai
fitur juga dilakukan di dalam tree. Berikut adalah penjelasan mengenai fitur
Haarlike (rects) pada setiap tree (Viola dan jones,2001).

< rect s>
< _> 3 7 1 4 4 - 1 .< / _>
< _> 3 9 1 4 2 2 .< / _>
< / rect s>

pada kolom pertama dan ke dua menunjukkan posisi (x,y) fitur persegi
pada sub-window. Angka pada kolom tiga menunjukkan lebar (width) fitur,
dan angka pada kolom empat menunjukkan tinggi (height) fitur. Sedangkan
angka pada kolom terakhir merupakan konstanta yang akan dikalikan dengan

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan me