Pengenalan Wajah dengan Menggunakan NLDA (Null-Space Linear Discriminant Analysis) - Face Recognition Using NLDA (Null-Space Linear Discriminant Analysis).

PENGENALAN WAJAH DENGAN MENGGUNAKAN NLDA
(NULL-SPACE LINEAR DISCRIMINANT ANALYSIS)
Disusun oleh :
Yudi Setiawan (0722095)
Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha
Jl. Prof. Drg. Suria Sumantri, MPH, No. 65, Bandung, Indonesia
E – mail : yudisetiawan7789@yahoo.com
ABSTRAK
Pengenalan wajah (face recognition) telah menjadi teknologi yang
berkembang dan banyak digunakan dalam kehidupan. Meningkatnya penelitian dan
pengembangan dalam bidang pengenalan wajah, yaitu disebabkan oleh peningkatan
fokus masyarakat umum dalam hal keamanan dan kebutuhan untuk pembuktian
identitas di dunia digital (identifikasi dan verifikasi). Fungsi utama identifikasi untuk
aplikasi pengenalan / pengawasan (one-to-many), sedangkan verifikasi untuk aplikasi
autentikasi (one-to-one).
Dalam Tugas Akhir ini, akan dicoba merealisasikan aplikasi teknologi
identifikasi yang berdasarkan pada pengolahan wajah dengan menggunakan sampel
wajah manusia dari hasil capture menggunakan kamera. Metoda yang digunakan
dalam Tugas Akhir ini untuk proses pengekstraksian ciri citra wajah yaitu Null-space
Linier Discriminant Analysis (NLDA).
Dari hasil yang percobaan yang diperoleh dengan menggunakan database

wajah face recognition data dan Maranatha, proses pengenalan wajah dengan
menggunakan metoda NLDA yang citra uji seluruhnya ada dalam training set mampu
menghasilkan tingkat keberhasilan 100%. Sedangkan ketika citra uji ada di luar
training set tingkat keberhasilan yang didapat yaitu dari 75,92% sampai dengan
81,25%.

Kata Kunci: face recognition, identifikasi, verifikasi, NLDA, training set.

i

Universitas Kristen Maranatha

FACE RECOGNITION USING
NLDA (NULL-SPACE LINEAR DISCRIMINANT ANALYSIS)

Composed by :
Yudi Setiawan (0722095)
Department of Electrical Engineering, Faculty of Engineering, Maranatha Christian
University, Bandung, Indonesia
E-mail : yudisetiawan7789@yahoo.com

ABSTRACT
Face recognition it has been the most developed technology and most adapted
in civil society. The increasing of research and development of face recognition
system is caused by society focus in the security requirement and identification or
verification in digital world requirement. Main function for identification is used for
recognition/observation application (one-to-many), meanwhile the verification is for
autentication aplication (one-to-one).
In this final project will try to realize identification technology application
based on face recognition, using face image sample that got from camera capture
process. Null-space Linier Discriminant Analysis (NLDA). is the method that used
on in this final project for feature extraction process
The result from experiment in this final project that used face recognition data
database and Maranatha database, face recognition using NLDA method that all
image training located in training set, can reached 100% efficacy point. Meanwhile
image training located outside training set. The efficacy point is 75,92 % until
81,25%.

Keywords: face recognition identification, verification, NLDA, training set.

ii

Universitas Kristen Maranatha

DAFTAR ISI
ABSTRAK .................................................................................................................... i
ABSTRACT ................................................................................................................. ii
KATA PENGANTAR ................................................................................................ iii
DAFTAR ISI ................................................................................................................ v
DAFTAR GAMBAR ................................................................................................. vii
DAFTAR TABEL ..................................................................................................... viii

BAB I PENDAHULUAN
1.1 Latar Belakang ..................................................................................................... 1
1.2 Identifikasi Masalah ............................................................................................. 2
1.3 Rumusan Masalah ................................................................................................ 2
1.4 Tujuan .................................................................................................................. 3
1.5 Pembatasan Masalah ............................................................................................ 3
1.6 Sistematika Penulisan .......................................................................................... 3

BAB II LANDASAN TEORI

2.1 Biometrik ............................................................................................................. 5
2.2 Citra ...................................................................................................................... 6
2.3 Pengenalan Wajah ................................................................................................ 9
2.4 Algoritma Deteksi Wajah................................................................................... 12
2.4.1

Local Successive Mean Quantization Transform (SMQT) ................ 13

2.5 Ektraksi fitur (feature extraction) ...................................................................... 16
2.5.1

Null-space Linear Discriminant Analysis (NLDA)............................ 17
2.5.1.1 Algoritma NLDA.................................................................... 18

2.6 Algoritma K-means clustering ........................................................................... 21
2.7 Vektor Eigen dan Nilai Eigen ............................................................................ 23
2.8 Jarak Euclidean (Euclidean Distance) ............................................................... 24

v

Universitas Kristen Maranatha

BAB III PERANCANGAN SISTEM
3.1 Proses Pelatihan ................................................................................................. 25
3.1.1

Deteksi Wajah..................................................................................... 26
3.1.1.1 Algoritma Local SMQT.......................................................... 27

3.1.2

Ekstraksi Ciri Dengan NLDA............................................................. 28

3.1.3

Algoritma K-means Clustering........................................................... 30

3.2 Proses Pengujian ................................................................................................ 31

BAB IV SIMULASI DAN ANALISA PERCOBAAN

4.1 Simulasi .............................................................................................................. 34
4.2 Data Pengamatan................................................................................................ 35
4.3 Hasil Percobaan .................................................................................................. 36
4.3.1 Percobaan 1 ........................................................................................ 37
4.3.2 Percobaan 2 ........................................................................................ 45
4.4. Analisa Data ..................................................................................................... 54

BAB V KESIMPULAN DAN SARAN
5.1 Kesimpulan ........................................................................................................ 57
5.2 Saran................................................................................................................... 57

DAFTAR PUSTAKA ................................................................................................ 58
LAMPIRAN PROGRAM MATLAB
LAMPIRAN PERCOBAAN 1
LAMPIRAN PERCOBAAN 2

vi

Universitas Kristen Maranatha

DAFTAR GAMBAR

Gambar 2.1

Citra digital .......................................................................................... 7

Gambar 2.2

Represntasi heksadesimal pada RGB ................................................... 9

Gambar 2.3

Proses pengenalan wajah.................................................................... 10

Gambar 2.4

Operasi suatu MQU ............................................................................ 14

Gambar 2.5

Successive Mean Quantization Transform (SMQT) sebagai pohon
biner ................................................................................................... 15

Gambar 2.6

Ilustrasi proses clustering dengan metode K-means .......................... 22

Gambar 2.7

Hasil clustering dengan centroid awal yang berbeda......................... 23

Gambar 3.1

Flowchart proses pengenalan wajah .................................................. 25

Gambar 3.2

Flowchart proses deteksi wajah ......................................................... 26

Gambar 3.3

Flowchart local SMQT....................................................................... 27

Gambar 3.4

Flowchart ekstraksi ciri menggunakan NLDA .................................. 28

Gambar 3.5

Flowchart algoritma k-means ............................................................ 30

Gambar 3.6

Flowchart pengujian ........................................................................... 32

vii

Universitas Kristen Maranatha

DAFTAR TABEL

Tabel 4.1

Hasil percobaan 1, dengan database face recognition data, (terdapat
satu citra untuk setiap orang/kelas) .................................................... 38

Tabel 4.2

Hasil percobaan 1, dengan database face recognition data, (terdapat
dua citra untuk setiap orang/kelas) ..................................................... 40

Tabel 4.3

Hasil percobaan 1, dengan database Maranatha, (terdapat satu citra
untuk setiap orang/kelas) ................................................................... 42

Tabel 4.4

Hasil percobaan 1, dengan database Maranatha, (terdapat dua citra
untuk setiap orang/kelas) ................................................................... 44

Tabel 4.5

Hasil percobaan 2, dengan database face recognition data, (terdapat
satu citra untuk setiap orang/kelas) .................................................... 47

Tabel 4.6

Hasil percobaan 2, dengan database face recognition data, (terdapat
dua citra untuk setiap orang/kelas) ..................................................... 49

Tabel 4.7

Hasil percobaan 2, dengan database Maranatha, (terdapat satu citra
untuk setiap orang/kelas) ................................................................... 52

Tabel 4.8

Hasil percobaan 2, dengan database Maranatha, (terdapat dua citra
untuk setiap orang/kelas) ................................................................... 54

viii

Universitas Kristen Maranatha

BAB I
PENDAHULUAN
1.1.Latar Belakang
Biometrik merupakan karakter-karakter pada manusia yang dapat digunakan
untuk membedakan antara orang yang satu dengan orang yang lainnya[2]. Salah satu
contoh pemanfaatan teknologi biometrik yang banyak digunakan adalah dengan
memanfaatkan wajah. Wajah manusia memiliki banyak informasi dengan
keunikannya masing-masing untuk setiap individu, seperti bentuk mata, hidung,
telinga, dan bahkan

retina mata. Informasi yang terkandung dalam masing-masing

wajah manusia itulah yang menjadi dasar berkembangnya metode pengenalan wajah
dalam dunia teknologi dewasa ini[3].
Teknologi biometrik mampu memenuhi dua fungsi utama dalam pengenalan
wajah, yaitu identifikasi dan verifikasi, sehingga biometrik wajah dalam
perkembanganya mampu berkembang pesat sebagai teknologi yang menawakan dan
dapat diandalkan untuk memberikan tingkat kemanan yang tinggi dalam sistem
identifikasi seseorang. Fungsi utama identifikasi biasanya diterapkan untuk aplikasi
pengenalan / pengawasan (one-to-many), sedangkan verifikasi biasanya diterapkan
untuk aplikasi autentikasi (one-to-one)[3].
Metoda pengenalan wajah sendiri bisa dibilang bukan merupakan hal baru
dalam dunia teknologi. Bahkan dalam 10 tahun belakangan ini banyak bermunculan
metoda-metoda

baru

yang

coba

dikembangkan

dan

ditawarkan

dengan

keunggulannya masing-masing berikut juga dengan kelemahanya yang muncul,
karena dalam prakteknya setiap metoda proses pengenalan wajah sangat dipengaruhi
oleh variasi sampel pose wajah dan faktor pencahayaan. Perubahan akibat kedua
faktor itulah yang dapat mempengaruhi dan cenderung

menurunkan

keberhasilan

dari proses pengenalan wajah.
Dalam Tugas Akhir ini, akan dicoba merealisasikan aplikasi teknologi
biometrik yang berdasarkan pada pengolahan wajah, dengan menggunakan sampel

1

Universitas Kristen Maranatha

wajah manusia dari

hasil capture menggunakan kamera.

disebutkan, banyak metoda yang

Seperti yang sudah

berkembang untuk metoda pengenalan wajah.

Dalam Tugas Akhir ini dipilih untuk mengembangkan metoda yang sudah ada, yaitu
Linier Discriminant Analysis (LDA).
LDA adalah sebuah metoda pengolahan wajah yang berdasarkan atas
pendekatan supervised dimensionality reduction. Permasalahan yang kerap dihadapi
dalam LDA adalah permasalahan small sample size[1]. Permasalahan ini muncul
karena ketersediaan citra wajah (per orang, khususnya untuk proses pelatihan)
jumlahnya sangat sedikit,

sehingga mengakibatkan terjadinya singularity yang

berujung pada meningkatknya kompleksitas perhitungan[1]. Pengembangan yang
dimaksudkan di sini adalah dengan memanfaatkan null-space untuk mengatasi
persoalan permasalahan yang sering muncul dalam penggunaan metoda LDA, dengan
tujuan dapat meningkatkan performa LDA dalam proses pengenalan wajah.

1.2. Identifikasi Masalah
Berdasarkan latar belakang di atas, masalah utama yang akan dibahas pada
Tugas Akhir ini adalah mengembangkan metoda Linear Dicriminant Analysis (LDA)
dengan memanfaatkan null-space untuk proses pengenalan dan identifikasi wajah
menggunakan program MATLAB (Matrix Laboratory).

1.3.Rumusan Masalah
Perumusan masalah yang coba penulis bahas berdasarkan penelitian yang
dilakukan dalam Tugas Akhir ini adalah :
1) Bagaimana mengekstrasikan dan merepresentasikan citra wajah dengan
menggunakan metoda NLDA (Null-space Linear Discriminant Analysis)
yang disimulasikan dalam program MATLAB?
2) Bagaimana tingkat keberhasilan aplikasi yang dirancang dalam mengenali
citra wajah dari sampel wajah yang digunakan?

2

Universitas Kristen Maranatha

1.4.Tujuan
Adapun tujuan yang ingin dicapai dalam pengerjaan Tugas Akhir ini adalah :
1) Merealisasikan proses pengenalan wajah dengan menerapkan metoda
NLDA (Null-space Linear Discriminant Analysis) untuk mengekstraksi
dan merepresentasikan citra wajah.
2) Menganalisis tingkat keberhasilan aplikasi yang dirancang dalam
mengenali citra wajah dari sampel yang digunakan.

1.5.Pembatasan Masalah
Batasan-batasan masalah dalam Tugas Akhir ini adalah :
1) Hanya terdapat satu wajah dalam satu citra.
2) Database wajah yang digunakan adalah database face recognition data
yang diambil dari http://cswww.essex.ac.uk/mv/allfaces/index.html , dan
database Maranatha.
3) Metoda pengenalan wajah yang digunakan adalah NLDA (Null-space
Linear Discriminant Analysis)
4) Hasil deteksi wajah adalah citra wajah dalam grayscale (ekstensi JPG)
berukuran 50 x 50 piksel.
5) Wajah dalam citra wajah dalam keadaan frontal view.
6) Simulasi aplikasi pengenal wajah ini menggunakan perangkat lunak
MATLAB R2008b.

1.6.Sistematika Penulisan
Laporan Tugas Akhir ini terdiri dari lima bab utama. Berikut ini merupakan
uraian singkat sistematika penulisan beserta penjelasan dari masing – masing bab,
yaitu :

3

Universitas Kristen Maranatha

BAB I

PENDAHULUAN

Pada bab ini dijelaskan latar belakang penulis yang menjadi alasan
dilakukannya penelitian, identifikasi masalah yang diselesaikan dalam Tugas
Akhir ini, tujuan yang dicapai, pembatasan masalah agar ruang lingkup
masalah tidak terlalu luas, dan sistematika penulisan yang menjelaskan uraian
singkat penulisan Laporan Tugas Akhir ini.

BAB II

LANDASAN TEORI

Pada bab ini diuraikan teori – teori yang menjadi referensi penulis dan
pendukung dalam pengerjaaan Tugas Akhir ini. Teori yang diuraikan lebih
lanjut pada bab ini diantaranya adalah teori pengenalan wajah, metoda-metoda
yang berkembang dan digunakan dalam proses pengenalan wajah.

BAB III

PERANCANGAN SISTEM

Pada bab ini dijelaskan perancangan dari setiap modul program yang dibuat
dengan menggunakan software MATLAB (Matrix Laboratory) dalam bentuk
diagram alir (flowchart).

BAB IV – SIMULASI DAN ANALISA DATA PENGAMATAN
Pada bab ini ditampilkan data pengamatan dan analisa hasil percobaan
pengenalan wajah dengan metoda NLDA (Null-space Linear Discriminant
Analysis) dengan berbagai input citra wajah yang dijadikan sebagai parameter
dalam batasan masalah.

BAB V – KESIMPULAN DAN SARAN
Pada bab ini akan disampaikan kesimpulan yang didapat dari hasil percobaan
yang telah dilakukan dalam Tugas Akhir ini, serta saran – saran yang dapat
bermanfaat untuk pengembangan lebih lanjut.

4

Universitas Kristen Maranatha

BAB V
KESIMPULAN DAN SARAN
Bab ini berisikan mengenai kesimpulan-kesimpulan dari percobaan yang
sudah dilakukan dalam Tugas Akhir ini serta saran-saran yang dapat berguna agar
mendapatkan hasil yang lebih baik di kemudian hari :

5.1. Kesimpulan
Mengacu pada data pengamatan dan analisa penelitian pada bab sebelumnya,
maka dapat ditarik beberapa kesimpulan sebagai berikut.
1) Pada sistem yang dibuat, tingkat keberhasilan yang paling baik adalah
100% pada percobaan citra uji seluruhnya ada di dalam training set.
2) Pada percobaan citra uji di luar training set tetapi terdapat identitas
yang sama di dalam training set, tingkat keberhasilan yang paling baik
hanya mencapai 81,25%
3) Faktor-faktor yang mempengaruhi sistem dalam proses pengenalan
wajah adalah jumlah citra latih lebih sedikit daripada jumlah citra uji,
jumlah variasi citra latih lebih sedikit daripada citra uji, pencahayaan,
pemakaian aksesoris (dalam Tugas Akhir ini berupa kacamata) dan
cara pengambilan gambar.

5.2. Saran
1) Meningkatkan kemampuan pada sistem pengenalan wajah dapat
dilakukan dengan menambah jumlah citra training set gambar setiap
orang (class) dalam kondisi yang berbeda-beda untuk digunakan
sebagai training set.
2) Dalam metode klasifikasi sebaiknya dapat menggunakan metode yang
lain sebagai pembanding.

57

Universitas Kristen Maranatha

DAFTAR PUSTAKA

[1] Li-Fen Chen, Hong-Yuan Mark Liao, Ming-Tat Ko, Ja-Chen Lin, and Gwo-Jong
Yu, A new LDA-based face recognition system which can solve the small sample
size problem, Pattern Recognition Volume 33, 2000, pp. 1713−1726.
[2] Boulgouris, Plataniotis, and Micheli-Tzanakou (editors), Biometrics : Theory,
Methods, and Applications, Chapter 1, IEEE Inc., 2010, pp. 1−20.
[3] S.Z. Li and A.K. Jain (editors), Handbook of Face Recognition, eds. Springer,
2005.
[4] B. Noble and J.W.Daniel, Applied Linear Algebra, Prentice-Hall, Englewood
Cliffs, NJ, 1988.
[5] Nilsson, Mikael, Jorgen Nordberg, and Ingvar Claesson. (2006). Face Detection
Using Local SMQT Features and Split Up Snow Classifier.Blekinge Institute of
Technology, School of Engineering, Department of Signal Processing.
[6] Nilsson, Mikael, Mattias Dahl, and Ingvar Claesson. The Successive Mean
Quatization Transform. IEEE International Conference on Acoustics, Speech,
and Signal Processing (ICASSP), March 2005, Vol. 4, pp. 429 – 432.
[7] Rowley Henry A., Baluja, Shumeet., Kanade, Takeo., “Human Face Detection In
Visual Scene”.
[8] Hoi, Hyun., Kim, James., “Survey Paper: Face Detection And Face
Recognition”.
[9] Juwei Lu, K.N. Plataniotis, A.N. Venetsanopoulos, “Regularization Studies of
Linear Discriminant Analysis in Small Sample Size Scenario with Application to
Face Recognition”, Bell Canada Multimedia Laboratory, The Edward S. Rogers
Sr. Department of Electrical and Computer Engineering University of Toronto,
Toronto, M5C 3G4, Ontario, Canada.

58

Universitas Kristen Maranatha

[10] H. Yu and J. Yang, “A direct LDA algorithm for high-dimensional data with
application to face recognition,” Pattern Recognition, vol. 34, pp.2067–2070,
2001.
[11] Juwei Lu, Konstantinos N. Plataniotis, and Anastasios N. Venetsanopoulos,
Face Recognition using LDA-Based Algorithms, IEEE Transactions on Neural
Networks, Volume 14, No. 1, January 2003.
[12] Rajalakshmi, K., Thilaka, B., Rajeswari, N., An Adaptive K – Means Clustering
Algorithm and Its Application to Face Recognition, Computer Science &
Mathematics, V. 4, no. 9, Suceava, 2010.
[13] Gonzalez, C, Rafael., and Woods, E, Richard., 2008, Digital Image Processing
3rd Ed, New Jersey, USA: Pearson Prentice Hall.
[14] Howard Anton, “Aljabar Linier Elementer”, edisi kelima.
[15] http://cswww.essex.ac.uk/mv/allfaces/index.html Database Face Recognition
Data (online).

59

Universitas Kristen Maranatha