Pengenalan Wajah Menggunakan Metode Eigenface.

(1)

ABSTRAK

Dalam laporan tugas akhir ini dijelaskan mengenai suatu sistem pengenal

identitas manusia dengan menggunakan wajah sebagai pengenalnya, atau yang

lebih dikenal dengan

Face Recognition

. Tujuan dari sistem yang dibuat adalah

untuk menentukan sebuah citra apakah berupa wajah atau tidak. Metode

Face

Recognition

yang digunakan dalam tugas akhir ini adalah metode

eigenface

yang

diperkenalkan oleh Turk dan Pentland (1991) yang menggunakan teknik PCA

(

Principal Component Analysis

) yang dikembangkan oleh Kirby dan Sirovich

(1987).

Sistem yang dibuat dalam tugas akhir ini dibagi ke dalam dua modul

utama, yaitu konstruksi

eigenface

dan pengenalan. Dalam modul pertama

dibentuk suatu set

eigenface

dari suatu

training

set dan dihitung bobotnya

masing-masing. Pada modul kedua dilakukan proses pengenalan dengan cara

memproyeksikan gambar masukan terhadap

eigenface

atau menghitung jarak

euklidis minimumnya dari masing-masing input terhadap

eigenface

yang telah

dibentuk.

Pengujian dilakukan dengan input gambar wajah yang terdapat pada

training set dengan input gambar wajah tidak dikenal, dan bukan wajah. Hasil

pengamatan yang didapat adalah bahwa jarak euklidis maksimum untuk suatu

wajah kira-kira 15000 dan jarak euklidis minimumnya adalah di sekitar 11000.


(2)

ABSTRACT

In this final project is explained about human identification system using

face as an identity and later we call it face recognition. The purpose from the

system that is builded to make decision if a picture represent a person image

or not. The method that used in this final project is eigenface method. This

method is proposed by Turk and Pentland (1991) using PCA (Principal

Component Analysis) technique that developed by Kirby and Sirovich (1987).

The system is divided into two main stage, they are eigenface construction,

and recognition. The first stage construct a set of eigenface from training set

and measure the weight of every image on the training set. The recognition

process is applied in the last stage to project the input face to the eigenface or

measuring the minimum Euclidean distance for every input to the eigenface.

Tested image are input face image from the training set, with input face image

an unknown face, and not a face image. The final result represents the

maximum Euclidean distance for a face is approximately 15000 and the

minimum is around 11000.


(3)

DAFTAR ISI

ABSTRAK………i

ABSTRACT………ii

KATA PENGANTAR………iii

DAFTAR ISI………v

DAFTAR GAMBAR……….vii

DAFTAR TABEL……….…..ix

BAB I PENDAHULUAN

I.1 Latar Belakang………1

I.2 Perumusan Masalah………3

I.3 Tujuan……….3

I.4 Pembatasan Masalah………...3

I.5 Sistematika Pembahasan……….3

BAB II DASAR TEORI

II.1 Pengertian Citra……….……….6

II.1.1 Citra………..………6

II.1.2 Bitmap……….……...……..………6

II.2 Konsep Dasar Pengolahan Citra……….6

II.3 Face Recognition ………..……….7

II.4 Ekualisasi Histogram ………..………..….8

II.5 Segmentasi Warna ………..………...8

II.6 Morfologi………....9

II.7 Normalisasi………...…10

II.8 Contoh Aplikasi ………..……….10


(4)

BAB III IMPLEMENTASI ALGORITMA EIGENFACE DAN REALISASI

PERANGKAT LUNAK

III.1 Eigenface …………..……….………….………13

III.1.1 Algoritma Eigenface………..………..….13

III.1.2 Pengenalan Menggunakan Eigenface………..……….15

III.2 Realisasi Perangkat Lunak ……….………..………..16

III.2.1 Konstruksi Eigenface…………..………..18

III.2.2 Perhitungan Bobot Eigenface ………..19

III.2.3 Pengenalan (Recognition)……..………...20

BAB IV HASIL PENGAMATAN DAN ANALISA DATA

IV.1 Konstruksi Eigenface ………..………….………..22

IV.2 Pengenalan (recognition)………..…………..………25

IV.3 Pengenalan Pada Gambar Input Yang Terdapat Dalam Training Set..…..27

IV.4 Pengenalan Pada Gambar Input Yang Tidak Terdapat Dalam Training

Set ………32

IV.5 Pengenalan Pada Gambar Input Yang Tidak Terdapat Dalam Training

Set Dan Bukan Wajah………...37

IV.6 Hasil Pengamatan………….………..………43

IV.7 Analisa Hasil Pengamatan…………..………49

BAB V KESIMPULAN DAN SARAN

V.1 Kesimpulan……...………...51

V.2 Saran……….51

DAFTAR PUSTAKA

LAMPIRAN A Listing Program Eigenface...…………...………A1


(5)

DAFTAR GAMBAR

Gambar II.1 : Blok Diagram Face Recognition………...……….7

Gambar II.2 : Blok Diagram Aplikasi Sistem Autentikasi Visa Dan Paspor….11

Gambar III.1 : Diagram Blok Perancangan Sistem Pengenalan Wajah

Menggunakan Metode Eigenface………..…...15

Gambar III.2 :Diagram Alir Proses Pengenalan Wajah Menggunakan

Eigenface………..………16

Gambar III.3 : Diagram Alir Sub Program Konstruksi Eigenface ………..17

Gambar III.4 : Diagram Alir Sub Program Perhitungan Bobot Eigenface Pada

Training Set………..19

Gambar III.5 : Diagram Alir Sub Program Perhitungan Bobot Eigenface Pada

Gambar Baru………19

Gambar IV.1 : Training Set Untuk Membentuk Set Eigenface………...21

Gambar IV.2 : Training Set Setelah Di Normalisasi………22

Gambar IV.3 : Average Face ………...….………...………...23

Gambar IV.4 : Set Eigenface ……….………..23

Gambar IV.5 : Gambar Input 1 Dan Gambar Rekonstruksinya ………..24

Gambar IV.6 : Bobot Dan Jarak Euklidis Gambar Input 1………...……...25

Gambar IV.7 : Training Set Untuk Gambar Input Yang Akan Dicoba …...….26

Gambar IV.8 : Gambar Input 8 Dan Gambar Rekonstruksinya ………..27

Gambar IV.9 : Bobot Dan Jarak Euklidis Gambar Input 8………...……...27

Gambar IV.10 : Gambar Input 10 Dan Gambar Rekonstruksinya ……...……....28

Gambar IV.11 : Bobot Dan Jarak Euklidis Gambar Input 10……….……...28

Gambar IV.12 : Gambar Input 32 Dan Gambar Rekonstruksinya ………....29

Gambar IV.13 : Bobot Dan Jarak Euklidis Gambar Input 32……….……...29

Gambar IV.14 : Gambar Input 56 Dan Gambar Rekonstruksinya ………....30

Gambar IV.15 : Bobot Dan Jarak Euklidis Gambar Input 56……….……...30

Gambar IV.16 : Gambar Input Baru 1 Dan Gambar Rekonstruksinya…………..31


(6)

Gambar IV.17 : Bobot Dan Jarak Euklidis Gambar Input Baru 1……….32

Gambar IV.18 : Gambar Input Baru 2 Dan Gambar Rekonstruksinya…………..32

Gambar IV.19 : Bobot Dan Jarak Euklidis Gambar Input Baru 3……….33

Gambar IV.20 : Gambar Input Baru 3 Dan Gambar Rekonstruksinya…………..33

Gambar IV.21 : Bobot Dan Jarak Euklidis Gambar Input Baru 3……….34

Gambar IV.22 : Gambar Input Baru 4 Dan Gambar Rekonstruksinya…………..34

Gambar IV.23 : Bobot Dan Jarak Euklidis Gambar Input Baru 4……….35

Gambar IV.24 : Gambar Input Baru 5 Dan Gambar Rekonstruksinya…………..35

Gambar IV.25 : Bobot Dan Jarak Euklidis Gambar Input Baru 5……….36

Gambar IV.26 : Gambar Input Bukan Wajah 1 Dan Gambar Rekonstruksinya ...37

Gambar IV.27 : Bobot Dan Jarak Euklidis Gambar Input Bukan Wajah 1……...37

Gambar IV.28 : Gambar Input Bukan Wajah 2 Dan Gambar Rekonstruksinya ...38

Gambar IV.29 : Bobot Dan Jarak Euklidis Gambar Input Bukan Wajah 2……...38

Gambar IV.30 : Gambar Input Bukan Wajah 3 Dan Gambar Rekonstruksinya ...39

Gambar IV.31 : Bobot Dan Jarak Euklidis Gambar Input Bukan Wajah 3……...39

Gambar IV.32 : Gambar Input Bukan Wajah 4 Dan Gambar Rekonstruksinya ...40

Gambar IV.33 : Bobot Dan Jarak Euklidis Gambar Input Bukan Wajah 4……...40

Gambar IV.34 : Gambar Input Bukan Wajah 5 Dan Gambar Rekonstruksinya ...41

Gambar IV.35 : Bobot Dan Jarak Euklidis Gambar Input Bukan Wajah 5……...41

Gambar IV.36 : Grafik Untuk Tabel IV.3 Dengan Input B1-B5……….…..45

Gambar IV.37 : Grafik Untuk Tabel IV.3 Dengan Input B6-B10…………...…..45

Gambar IV.38 : Grafik Untuk Tabel IV.4 Dengan Input Bw1-Bw5……….……47

Gambar IV.39 : Grafik Untuk Tabel IV.4 Dengan Input Bw6-Bw10……….…..48


(7)

DAFTAR TABEL

Tabel IV.1

: Jarak Euklidis Maksimum Dan Minimum Semua Gambar

Training Set Yang Dicoba………42

Tabel IV.2

: Jarak Euklidis Maksimum Dan Minimum Input Baru Dan Bukan

Wajah………...43

Tabel IV.3

: Beda Jarak Euklidis Minimum Antara Training Set Dengan Input

Baru………..43

Tabel IV.4

: Beda Jarak Euklidis Min Antara Training Set Dengan Input

Bukan Wajah………46


(8)

Pro

ce

% Pengenalan wajah menggunakan metode Eigenface

clear close clc

%Ba

M=4

%Pemilihan standar deviasi dan rata-rata.

um= ustd=8

%Me

S=[ figure

for i=1:M str

eval('gbr=imread(str);'

gbr=gb sub ims

if i== title( end drawnow; [ir temp=reshape(gbr',irow*icol,1); S=[S t end

%Mengganti mean dan standar deviasi dari semua gambar for i=

temp=double(S(:,i)); m=mean(temp);

t=std(temp);

(:,i)=(temp-m)*ustd/st+um;

nd

Menampilkan gambar yang sudah dinormalisasi for i=1:M

tr=strcat(int2str(i),'.jpg'); br=reshape(S(:,i),icol,irow); br=gbr';

val('imwrite(gbr,str)');

ubplot(ceil(sqrt(M)),ceil(sqrt(M)),i) mshow(gbr)

rawnow; i==4

itle('Training Set setelah di Normalisasi','fontsize',18)

end

gram Simulasi Eigenfa

all all

nyaknya jumlah gambar yang akan di training set.

;

100; 0;

mbaca dan menampilkan gambar.

]; (1);

=strcat(int2str(i),'.bmp'); );

r(:,:,1);

plot(ceil(sqrt(M)),ceil(sqrt(M)),i) how(gbr)

4

'Training set','fontsize',18)

ow icol]=size(gbr); emp]; 1:size(S,2) s S e % figure(2); s g g e s i d if t


(9)

end

(m);

(tmgbr,icol,irow);

'Average Face','fontsize',18)

e(S(:,i));

arians C=A'A, L=AA'

vv,2) i)]; ); eros(size(index)); mp=zeros(size(index)); dex(i); mp; temp;

igen dari matriks C

sqrt(d(i)); %Gambar rata2 ean(S,2); m=m tmgbr=uint8 gbr=reshape br'; gbr=g figure(3); (gbr); imshow

title( dbx=[];

for i=1:M temp=doubl dbx=[dbx temp]; end v %Matriks ko A=dbx'; L=A*A'; [vv dd]=eig(L); v=[]; d=[]; ize(

for i=1:s

if(dd(i,i)>1e-4) vv(:,i)]; v=[v d=[d dd(i, end end ndex]=sort(d [B i =z ind dte vtemp=zeros(size(v)); pjg=length(index);

for i=1:pjg

dtemp(i)=B(pjg+1-i); ind(i)=pjg+1-in vtemp(:,ind(i))=v(:,i); end d=dte v=v

%Menormalisasikan vektor2 eigen for i=1:size(v,2)

kk=v(:,i); temp=sqrt(sum(kk.^2)); v(:,i)=v(:,i)./temp; end e %Vektor2 u=[]; =1:size(v,2)

for i temp=


(10)

u=[u (dbx*v(:,i))./temp]; 2) 2)); ure(4); u,2) l,irow); 5); ot(ceil(sq (M)),ceil(sqrt(M)),i) w(gbr)

genfaces','fontsize',18)

i masing2 wajah yang ada di training set.

,2) ; =1:size(u,2) u(:,i)'; :, '); aru

masukan input yang akan di coba dan enya\n','s');

cat('D:\Franky\T.A\Software\Percobaan\',Gbrinput)); input =Gbrinput(:,:,1); ure(5) );title('Gambar size',18) rinput)',irow*icol,1); an(temp); d(temp); end

for i=1:size(u, kk=u(:,i);

temp=sqrt(sum(kk.^ u(:,i)=u(:,i)./temp;

end

%Menampilkan gambar2 eigenface

fig

for i=1:size(

gbr=reshape(u(:,i),ico gbr=gbr'; gbr=histeq(gbr,25 rt subpl ho ims drawnow;

if i==4 title('Ei end end

%Mencari berat dar

omega = [];

for h WW=

=1:size(dbx []

for i t =

Bobotgbr = dot(t,dbx( h) WW = [WW; Bobotgbr];

end

omega = [omega WW];

end

%Mengambil input gambar b

put = input('Tolong

Gbrin format fil Gbrinput = ead(str imr Gbr fig subplot(1,2,1) olormap('gray' imagesc(Gbrinput); c

Input','font

Gbrmsk=reshape(double(Gb temp=Gbrmsk; me=me st st= temp=(temp-me)*ustd/st+um; = temp; Gbrnorm

Selisih = temp-m;


(11)

p = []; aa=si

i = 1:aa ze(u,2);

(:,i));

,1:aa)*p;

pe(GbrRekonstuksi,icol,irow); konstuksi = GbrRekonstuksi';

ksi); colormap('gray');

tsize',18)

= dot(t,Selisih');

= [BobotBaru; BobotGbrInput];

1:M; e(6) plot(1,2,1) s 2) t); = 1:size(e,2); for

ptg = dot(Gbrnorm,u ;

p = [p; ptg]

end

(: GbrRekonstuksi = m + u

konstuksi = resha GbrRe

Re Gbr

%Menampilkan gambar rekonstruksi

2) subplot(1,2,

imagesc(GbrRekonstu

title('Gambar Rekonstruksi','fon

BobotBaru = [];

for i=1:size(u,2) t = u(:,i)';

put BobotGbrIn BobotBaru end ll = ur fig sub stem(ll,BobotBaru)

Gambar Input','fontsize',14) title('Bobot

jarak eklidi %Mencari

e=[];

ega,

for i=1:size(om q = omega(:,i);

ru-q; SelisihBobot = BobotBa

norm(SelisihBobo mag =

e = [e mag];

end

kk

subplot(1,2,2) stem(kk,e)

title('Jarak Euklidis Gambar input','fontsize',14)

Jarak_euklidis_maksimum =max(e) ) Jarak_euklidis_minimum =min(e


(12)

BAB I

PENDAHULUAN

I.1 Latar Belakang

Semua makhluk hidup yang ada di dunia ini memiliki kemampuan untuk

mengenali identitas dirinya dan makhluk serta benda-benda lain di sekitarnya.

Kemampuan adaptasi setiap makhluk hidup pada lingkungan tempat tinggalnya

merupakan salah satu contoh identifikasi dari makhluk hidup yang bersangkutan

terutama terhadap perubahan lingkungan sekitar, yang nantinya akan menentukan

aksi apa yang harus dilakukan sehingga bisa bertahan hidup lebih lama.

Manusia dianugerahi lima buah indera yang berfungsi untuk

mengidentifikasi keadaan lingkungan di luar tubuhnya, dengan otak sebagai pusat

proses dan kontrol dari kelima indera tersebut. Dalam hal melakukan identifikasi,

otak manusia memiliki kemampuan yang luar biasa. Dari hasil pendengaran ia

bisa membedakan identitas individu lain dari suaranya. Dari hasil penglihatan ia

mampu membedakan individu lain dari fisik tubuh, terutama wajahnya.

Berdasarkan penelitian para ahli, dapat diketahui bahwa melalui kelima

inderanya manusia membedakan individu lain dengan suatu parameter tertentu

terutama ukuran fisik individu yang bersangkutan. Telinga akan membedakan

identitas dengan ukuran perbedaan tekanan suara, warna suara, intensitas suara,

dan lainnya. Hidung akan membedakan melalui bau-bauan yang diterimanya,

mata akan membedakan manusia melalui ukuran fisik yang terlihat.

Ukuran-ukuran fisik manusia secara umum merupakan sesuatu yang bersifat unik. Artinya

setiap manusia akan memiliki ukuran tertentu pada tubuhnya yang belum tentu

sama dengan yang lainnya. Dari sinilah setiap individu akan mampu membedakan

individu lain, dengan akurasi yang sangat tinggi. Ukuran-ukuran pada tubuh ini

dikenal sebagai

biometrik.


(13)

2

Secara umum biometrik merupakan ukuran yang terdapat pada fisik setiap

individu yaitu pada fisiologi tubuh dan sifat atau kebiasaan dari suatu individu

tertentu yang digunakan sebagai pengenal individu yang bersangkutan.

Berdasarkan definisinya, maka secara garis besar teknologi biometrik ini dibagi

menjadi dua macam, yaitu :

a.

Biometrik fisiologi

Biometrik fisiologi menggunakan ukuran fisiologi manusia sebagai

pengenalnya, misalnya pola sidik jari, pola iris mata, geometri tangan,

suara, retina, wajah, struktur DNA dan sebagainya.

b.

Biometrik behavioral

Biometrik behavioral menggunakan kebiasaan manusia sebagai

pengenalnya, misalnya cara bicara, cara berjalan, cara menulis dan

sebagainya.

Secara umum manusia menggunakan wajah untuk mengenali seseorang.

Kemampuan otak manusia membedakan wajah setiap individu yang dilihatnya

sangat menganggumkan, sehingga manusia mampu membedakan mana yang

dikenal dan yang tidak dikenal. Inilah yang melatarbelakangi para ahli terutama

yang bergerak dalam bidang computer vision untuk menciptakan suatu sistem

yang dapat melakukan identifikasi otomatis seperti yang terjadi pada otak manusia

(walaupun tidak sesempurna otak) dengan menggunakan biometrik sebagai

parameter utamanya, sistem ini dikenal sebagai Face Recognition [1].

Menurut (Samal and Iyengar, 1992; Chellapa, etc., 1995) face recognition

merupakan suatu sistem yang sulit untuk dibuat karena kekompleksan dari

keadaan wajah itu sendiri yaitu dalam hal kualitas gambar dan fotometri yang

ditangkap, dari mulai segi warna, pencahayaan dan iluminasi hingga posisi

gambar yang tertangkap. Hal lain yang lebih kompleks adalah dalam hal

perubahan geometri (karena perubahan ekspresi), kesamaran yang dimungkinkan

karena wajah tertutup sesuatu seperti kacamata, masker dan sebagainya. Karena

pada umur yang berbeda keadaan wajah seseorang secara umum berubah.

Keadaan alat untuk menangkap gambar yang terbaik dan yang terpenting adalah

algoritma yang mantap (robust algorithm). Dalam tugas akhir ini digunakan

algoritma

eigenface yang mampu diterapkan pada berbagai macam kondisi,


(14)

3

sehingga sistem bisa digunakan dengan mudah oleh siapapun dan dimana saja

tergantung dari keperluannya.

I.2 Perumusan Masalah

1.

Bagaimana merealisasikan perangkat lunak untuk proses pengenalan

wajah dengan menggunakan algoritma eigenface ?

2.

Bagaimana rekonstruksi gambar input dengan training set jika gambar

input ada di dalam training set, jika gambar input tidak ada di dalam

training set dan, jika gambar input bukan wajah ?

I.3 Tujuan

Merealisasikan suatu perangkat lunak untuk menentukan sebuah citra

apakah berupa wajah atau tidak dengan menggunakan metode eigenface.

I.4 Pembatasan Masalah

1.

Pengenalan wajah menggunakan metode eigenface.

2.

Menggunakan bahasa pemrograman Matlab.

3.

Gambar yang akan diuji memiliki ukuran antara 80 x 96 piksel.

4.

Gambar yang akan diolah telah disimpan dahulu dalam format BMP.

5.

Ukuran piksel gambar yang akan dicoba atau dibandingkan harus sama

dengan ukuran piksel gambar training set yang telah diolah..

I.5 Sistematika Penulisan

Laporan Tugas akhir ini memiliki sistematika pembahasan sebagai berikut:

BAB I PENDAHULUAN

Dalam bab ini berisi tentang pendahuluan yang melingkupi latar belakang,

perumusan masalah, tujuan, pembatasan masalah, serta sistematika penulisan.

BAB II DASAR TEORI


(15)

4

Dalam bab ini berisi tentang dasar teori mengenai sejarah face recognition,

konsep pengolahan citra digital, permasalahan yang timbul dalam face

recognition, ekualisasi histogram, segmentasi warna, morfologi, normalisasi dan

contoh aplikasi face recognition

.

BAB III IMPLEMENTASI ALGORITMA EIGENFACE DAN REALISASI

PERANGKAT LUNAK

Bab ini berisi tentang implementasi metode eigenface dan algoritmanya

serta realisasi perangkat lunak berdasarkan algoritma tersebut.

BAB IV HASIL PENGAMATAN DAN ANALISA DATA

Bab ini berisi tentang hasil pengamatan dan analisa data.

BAB V KESIMPULAN DAN SARAN


(16)

BAB V

KESIMPULAN DAN SARAN

V.1 Kesimpulan

Kesimpulan yang diperoleh dari Tugas Akhir ini adalah sebagai berikut:

1.

Realisasi perangkat lunak menggunakan metode dan algoritma

eigenface

telah berhasil dilakukan.

2.

Dari semua percobaan dalam tugas akhir ini didapat jarak euklidis

minimum rata-rata untuk gambar training set = 10322,29 untuk input baru

di luar training set = 11042,9 dan untuk input bukan wajah = 13697,4.

3.

Jarak euklidis maksimum untuk suatu wajah kira-kira 15000 dan jarak

euklidis minimumnya adalah di sekitar 11000.

V.2 Saran

Saran yang dapat digunakan untuk pengembangan selanjutnya adalah:

1.

Implementasikan untuk aplikasi

real time

dengan langsung mengambil

foto wajah orang yang akan dikenali.

2.

Penambahan jumlah

database

dalam

training

set dan satu orang memiliki

pose dengan ekspresi yang berbeda-beda. Bisa juga wajah-wajah dalam

training

set diusahakan dari berbagai macam suku bangsa dan beberapa

wajah menggunakan aksesoris selain kacamata untuk meningkatkan

kemampuan sistem dalam melakukan pengenalan.


(17)

DAFTA

AKA

1.

Bonsor, Kevin. “ How Facial Recognition System Work” 2002. June 24,

s.com/facial-recognition.htm

2.

R PUST

2002. http://www.howstuffwork

Chendrillon, Raphael. “Real Time Face Recognition Using Eigenface”.

Thesis for Bachelor Degree at Queensland University. Desember 1999.

3.

Leung, Carlos. “Real Time Face Recognition”. Thesis for Bachelor Degree

at Queensland University, Australia. 2001.

4.

Motttram, Bob. “Face Location in Unstructured Images”. 7

th

Jan 2001.

http://www.btinternet.com

.

5.

Penman, Richard. “The Role of Facial Recognition Biometric in the

Security Indrutry”. Research Paper 6 July 2002.

Russ, John C. (1999). “The Image Processing Handbook”, Third Edition.

6.

A CRC Handbook Published in Cooperation with IEEE Press 2000

Corporate Blvd.,N. W., Boca Raton Florida 33431.

ital Image Processing and Computer

8.

Tutorial”. Drexel University.

9.

for recognition”, 1991,

7.

Schalkoff, Robert J. (1989). “Dig

Vision”. John Wiley & Sons, Inc. Singapore.

Serrano, Santiago. (2003), “Eigenface

Turk, M. A., Pentland, A. P., “Eigenfaces

Cognitive Neurosci., V. 3, no.1.


(1)

BAB I

PENDAHULUAN

I.1 Latar Belakang

Semua makhluk hidup yang ada di dunia ini memiliki kemampuan untuk mengenali identitas dirinya dan makhluk serta benda-benda lain di sekitarnya. Kemampuan adaptasi setiap makhluk hidup pada lingkungan tempat tinggalnya merupakan salah satu contoh identifikasi dari makhluk hidup yang bersangkutan terutama terhadap perubahan lingkungan sekitar, yang nantinya akan menentukan aksi apa yang harus dilakukan sehingga bisa bertahan hidup lebih lama.

Manusia dianugerahi lima buah indera yang berfungsi untuk mengidentifikasi keadaan lingkungan di luar tubuhnya, dengan otak sebagai pusat proses dan kontrol dari kelima indera tersebut. Dalam hal melakukan identifikasi, otak manusia memiliki kemampuan yang luar biasa. Dari hasil pendengaran ia bisa membedakan identitas individu lain dari suaranya. Dari hasil penglihatan ia mampu membedakan individu lain dari fisik tubuh, terutama wajahnya.

Berdasarkan penelitian para ahli, dapat diketahui bahwa melalui kelima inderanya manusia membedakan individu lain dengan suatu parameter tertentu terutama ukuran fisik individu yang bersangkutan. Telinga akan membedakan identitas dengan ukuran perbedaan tekanan suara, warna suara, intensitas suara, dan lainnya. Hidung akan membedakan melalui bau-bauan yang diterimanya, mata akan membedakan manusia melalui ukuran fisik yang terlihat. Ukuran-ukuran fisik manusia secara umum merupakan sesuatu yang bersifat unik. Artinya setiap manusia akan memiliki ukuran tertentu pada tubuhnya yang belum tentu sama dengan yang lainnya. Dari sinilah setiap individu akan mampu membedakan individu lain, dengan akurasi yang sangat tinggi. Ukuran-ukuran pada tubuh ini


(2)

2

Secara umum biometrik merupakan ukuran yang terdapat pada fisik setiap individu yaitu pada fisiologi tubuh dan sifat atau kebiasaan dari suatu individu tertentu yang digunakan sebagai pengenal individu yang bersangkutan. Berdasarkan definisinya, maka secara garis besar teknologi biometrik ini dibagi menjadi dua macam, yaitu :

a. Biometrik fisiologi

Biometrik fisiologi menggunakan ukuran fisiologi manusia sebagai pengenalnya, misalnya pola sidik jari, pola iris mata, geometri tangan, suara, retina, wajah, struktur DNA dan sebagainya.

b. Biometrik behavioral

Biometrik behavioral menggunakan kebiasaan manusia sebagai pengenalnya, misalnya cara bicara, cara berjalan, cara menulis dan sebagainya.

Secara umum manusia menggunakan wajah untuk mengenali seseorang. Kemampuan otak manusia membedakan wajah setiap individu yang dilihatnya sangat menganggumkan, sehingga manusia mampu membedakan mana yang dikenal dan yang tidak dikenal. Inilah yang melatarbelakangi para ahli terutama yang bergerak dalam bidang computer vision untuk menciptakan suatu sistem yang dapat melakukan identifikasi otomatis seperti yang terjadi pada otak manusia (walaupun tidak sesempurna otak) dengan menggunakan biometrik sebagai parameter utamanya, sistem ini dikenal sebagai Face Recognition [1].

Menurut (Samal and Iyengar, 1992; Chellapa, etc., 1995) face recognition merupakan suatu sistem yang sulit untuk dibuat karena kekompleksan dari keadaan wajah itu sendiri yaitu dalam hal kualitas gambar dan fotometri yang ditangkap, dari mulai segi warna, pencahayaan dan iluminasi hingga posisi gambar yang tertangkap. Hal lain yang lebih kompleks adalah dalam hal perubahan geometri (karena perubahan ekspresi), kesamaran yang dimungkinkan karena wajah tertutup sesuatu seperti kacamata, masker dan sebagainya. Karena pada umur yang berbeda keadaan wajah seseorang secara umum berubah. Keadaan alat untuk menangkap gambar yang terbaik dan yang terpenting adalah algoritma yang mantap (robust algorithm). Dalam tugas akhir ini digunakan algoritma eigenface yang mampu diterapkan pada berbagai macam kondisi,


(3)

sehingga sistem bisa digunakan dengan mudah oleh siapapun dan dimana saja tergantung dari keperluannya.

I.2 Perumusan Masalah

1. Bagaimana merealisasikan perangkat lunak untuk proses pengenalan wajah dengan menggunakan algoritma eigenface ?

2. Bagaimana rekonstruksi gambar input dengan training set jika gambar input ada di dalam training set, jika gambar input tidak ada di dalam training set dan, jika gambar input bukan wajah ?

I.3 Tujuan

Merealisasikan suatu perangkat lunak untuk menentukan sebuah citra apakah berupa wajah atau tidak dengan menggunakan metode eigenface.

I.4 Pembatasan Masalah

1. Pengenalan wajah menggunakan metode eigenface. 2. Menggunakan bahasa pemrograman Matlab.

3. Gambar yang akan diuji memiliki ukuran antara 80 x 96 piksel. 4. Gambar yang akan diolah telah disimpan dahulu dalam format BMP. 5. Ukuran piksel gambar yang akan dicoba atau dibandingkan harus sama

dengan ukuran piksel gambar training set yang telah diolah..

I.5 Sistematika Penulisan

Laporan Tugas akhir ini memiliki sistematika pembahasan sebagai berikut: BAB I PENDAHULUAN

Dalam bab ini berisi tentang pendahuluan yang melingkupi latar belakang, perumusan masalah, tujuan, pembatasan masalah, serta sistematika penulisan. BAB II DASAR TEORI


(4)

4

Dalam bab ini berisi tentang dasar teori mengenai sejarah face recognition, konsep pengolahan citra digital, permasalahan yang timbul dalam face recognition, ekualisasi histogram, segmentasi warna, morfologi, normalisasi dan contoh aplikasi face recognition.

BAB III IMPLEMENTASI ALGORITMA EIGENFACE DAN REALISASI PERANGKAT LUNAK

Bab ini berisi tentang implementasi metode eigenface dan algoritmanya serta realisasi perangkat lunak berdasarkan algoritma tersebut.

BAB IV HASIL PENGAMATAN DAN ANALISA DATA Bab ini berisi tentang hasil pengamatan dan analisa data. BAB V KESIMPULAN DAN SARAN


(5)

BAB V

KESIMPULAN DAN SARAN

V.1 Kesimpulan

Kesimpulan yang diperoleh dari Tugas Akhir ini adalah sebagai berikut:

1. Realisasi perangkat lunak menggunakan metode dan algoritma eigenface

telah berhasil dilakukan.

2. Dari semua percobaan dalam tugas akhir ini didapat jarak euklidis

minimum rata-rata untuk gambar training set = 10322,29 untuk input baru di luar training set = 11042,9 dan untuk input bukan wajah = 13697,4.

3. Jarak euklidis maksimum untuk suatu wajah kira-kira 15000 dan jarak

euklidis minimumnya adalah di sekitar 11000.

V.2 Saran

Saran yang dapat digunakan untuk pengembangan selanjutnya adalah:

1. Implementasikan untuk aplikasi real time dengan langsung mengambil

foto wajah orang yang akan dikenali.

2. Penambahan jumlah database dalam training set dan satu orang memiliki pose dengan ekspresi yang berbeda-beda. Bisa juga wajah-wajah dalam

training set diusahakan dari berbagai macam suku bangsa dan beberapa

wajah menggunakan aksesoris selain kacamata untuk meningkatkan kemampuan sistem dalam melakukan pengenalan.


(6)

DAFTA

AKA

1. Bonsor, Kevin. “ How Facial Recognition System Work” 2002. June 24,

s.com/facial-recognition.htm 2.

R PUST

2002. http://www.howstuffwork

Chendrillon, Raphael. “Real Time Face Recognition Using Eigenface”. Thesis for Bachelor Degree at Queensland University. Desember 1999. 3. Leung, Carlos. “Real Time Face Recognition”. Thesis for Bachelor Degree

at Queensland University, Australia. 2001.

4. Motttram, Bob. “Face Location in Unstructured Images”. 7th Jan 2001.

http://www.btinternet.com.

5. Penman, Richard. “The Role of Facial Recognition Biometric in the

Security Indrutry”. Research Paper 6 July 2002.

Russ, John C. (1999). “The Image Processing Handbook”, Third Edition. 6.

A CRC Handbook Published in Cooperation with IEEE Press 2000 Corporate Blvd.,N. W., Boca Raton Florida 33431.

ital Image Processing and Computer

8. Tutorial”. Drexel University.

9. for recognition”, 1991,

7. Schalkoff, Robert J. (1989). “Dig

Vision”. John Wiley & Sons, Inc. Singapore. Serrano, Santiago. (2003), “Eigenface

Turk, M. A., Pentland, A. P., “Eigenfaces Cognitive Neurosci., V. 3, no.1.