Publication Repository 5. reddy
DINAMIKA TEKNOLOGI Oktober 2015 Vol. 7; No. 1; Hal. 28-35
PEMODELAN WAJAH BAYI DENGAN MENGGUNAKAN ACTIVE
SHAPE MODEL UNTUK PENDETEKSI KOMPONEN WAJAH
Reddy Alexandro Harianto(1), Handayani Tjandrasa(2)
Jurusan Teknik Informatika, Fakultas Teknologi Informasi
Institut Teknologi Sepuluh Nopember, Surabaya
e-mail: reddy13@mhs.if.its.ac.id(1), handatj@its.ac.id(2)
ABSTRAK
Cara berkomunikasi dari seorang bayi yang paling efektif adalah dengan cara menangis. Sebelum
penelitian ini dilakukan, sudah terdapat beberapa penelitian yang membuat sistem pendeteksi pada bayi
menangis dari suaranya. Masalah yang timbul adalah jika terdapat seorang bayi yang mengalami
gangguan dengan pita suaranya sehingga tidak dapat mengeluarkan suara tangisan. Oleh karena itu,
diusulkan sebuah sistem untuk mendeteksi komponen wajah bayi dari gambar menggunakan Active
Shape Model. Penelitian ini bertujuan membentuk sebuah model dari wajah bayi agar hasilnya nanti dapat
digunakan pada penelitian terkait dengan wajah bayi. Komponen-komponen wajah yang didapatkan dari
model ini adalah lokasi mata, alis, hidung, mulut, serta beberapa titik pendukung lain. Uji coba pada
penelitian ini menggunakan video yang di ekstrak framenya secara otomatis dan dicari komponen
wajahnya. Hasilnya 59% dari keseluruhan frame yang ada, dapat di ekstrak komponen wajahnya. Pada
skenario uji coba yang lain dimana terdapat 31 variasi wajah bayi yang framenya dipilih secara manual,
sistem dapat mendeteksi 94.28% dari jumlah frame yang tersedia.
Kata kunci: Active Shape Model, Wajah Bayi, Komponen Wajah
ABSTRACT
The most effective way to communicate from the baby is through crying. In the past, there were many
researches about systems that could detect whether a baby was crying. the system had limitation
especially when the baby could not cry because of the broken vocal cord. This research suggests a system
that can detect baby facial components on the image using Active Shape Model. The extracted
components, like eyes, eyebrows, nose and mouth are calculated. Testing process of this research will use
videos which frames will be extracted in order to get the face components. The result is that the system
can extract face components from 59% of all frames. If the frames were chosen manually with 31
different faces, the system can detect 94.28% of all frames.
Keywords: Active Shape Model, facial Component, Active Contour.
PENDAHULUAN
Penelitian computer vision pada wajah bayi pada
awalnya bermula pada penelitian apakah bayi yang
sedang menangis merasakan rasa nyeri atau tidak
(Schiavenato, 2008). Dalam berkomunikasi dengan
orang lain bayi sering mengungkapkannya dengan
cara menangis, karena bayi bayi tersebut belum
bisa mengekspresikan kebutuhan dan keinginannya
melalui bahasa.
Pada kenyataannya tangisan bayi memiliki banyak
makna, tetapi yang paling berbahaya ketika
tangisan bayi karena nyeri (pain). Sebenarnya pada
28
Dinamika Teknologi
penelitian-penelitian
sebelumnya
(Shota
Yamamoto, 2013) dan (Hanindito, 2013). Sudah
diteliti tentang sistem yang mampu mendeteksi
bayi menangis melalui suaranya. Kondisi rumah
sakit yang menempatkan beberapa bayi dalam satu
ruang akan sangat sulit untuk mengisolasi suara
tangis bayi terutama saat ada beberapa bayi yang
menangis. Kondisi lain yang juga harus
diperhitungkan adalah bagaimana menangani bayi
yang memiliki kelainan pita suara (bisu) sehingga
saat menangis tidak mengeluarkan suara.
Salah satu penelitian terkait dengan deteksi bayi
adalah penelitian dari Schiavenato yang meneliti
DINAMIKA TEKNOLOGI Oktober 2015 Vol. 7; No. 1; Hal. 28-35
tentang perubahan komponen wajah bayi pada saat
bayi mengalami rasa nyeri (Schiavenato, 2008).
Pada penelitian ini titik-titik penting wajah bayi
diamati secara manual. Kemudian hasil
pengukuran jaraknya saat bayi mengalami
kesakitan dan akan dibandingkan dengan saat bayi
tidak mengalami kesakitan. Contoh titik-titik yang
diamati tampak dari hasil pendeteksian wajah.
Beberapa titik yang digunakan dapat dilihat pada
Gambar 1.
ACTIVE SHAPE MODEL
Active Shape Model (ASM) merupakan suatu
model statistik yang dicetuskan pada tahun 1990an oleh Tim Cootes (Tim Cootes, 1995) dan telah
digunakan dalam berbagai keperluan. Sebagai
contoh, ASM telah digunakan dalam bidang
kedokteran untuk menganalisa hasil MRI
(Magnetic Resonance Imaging) otak dan
mengidentifikasi tulang dari hasil X-Ray dari sendi
pinggul (Taylor C. J., 1997). Selain itu contoh
penggunaan ASM yang lain adalah penggunaannya
untuk segementasi citra otak yang diambil melalui
MRI (Duta, 1998 ) serta klasifikasi tanaman dari
gambar (Persson, 2008).
Pada implementasinya terdapat dua buah tahapan
dalam algoritma ASM, yaitu tahap training dan
tahap fitting. Tahap training merupakan tahap
pengekstraksian data dan pengetahuan dari data
training, sementara tahap training merupakan tahap
yang akan menghasilkan informasi dari data input
yang diberikan sesuai dengan hasil pembelajaran
dari tahap training.
Gambar 1. Titik-Titik Penting Penelitian Schiavenato
Pada tahun 2010 (Lucey, 2010), telah dilakukan
penelitian untuk menganalisa wajah orang dewasa
sedang mengalami nyeri atau tidak dengan
menggunakan Active Appearance Model (AAM).
Ada penelitian lain (Pu, 2010) yang meneliti
tracking fitur-fitur wajah orang dewasa pada video
dan ekstrasi fiturnya menggunakan Active Shape
Model (ASM).
Oleh karena banyaknya penelitian terkait pada
wajah dan tidak adanya penelitian wajah pada bayi
yang dilakukan secara otomatis, dalam penelitian
ini diusulkan sebuah sistem yang dapat melakukan
pencarian komponen wajah bayi secara otomatis.
Pendekatan yang dilakukan dengan menggunakan
metode-metode yang digunakan pada wajah orang
dewasa. Sistem ini diharapkan dapat menghasilkan
lokasi komponen-komponen wajah bayi, sehingga
model wajah bayi yang didapat pada peneletitian
ini bisa digunakan untuk mendeteksi nyeri pada
bayi atau permsalahan yang lebih sederhana adalah
untuk mendeteksi tangisan pada bayi.
Gambar 2. Data training dengan titik keterangannya
(Lanitis, 1997)
1. ASM TRAINING
Tahap training membutuhkan sekumpulan citra
yang relevan dengan objek yang akan dikenali.
Sebagai contoh, jika tujuan objek yang akan
dikenali adalah wajah manusia maka sekumpulan
citra yang harus disediakan untuk proses training
adalah citra wajah. Pada data training harus
terdapat citra dengan tingkat keragaman yang
relevan dengan objek yang akan dikenali, sehingga
variasi bentuk objek dapat dimodelkan dengan
Dinamika Teknologi
29
DINAMIKA TEKNOLOGI Oktober 2015 Vol. 7; No. 1; Hal. 28-35
baik. Model yang sederhana dapat dibentuk dari
data training yang sedikit, hanya sekitar 10
(sepuluh) sampai 20 (dua puluh) citra saja.
Dalam membentuk data training, selain dibutuhkan
citra yang relevan dengan objek yang akan
dikenali, untuk setiap citra tersebut juga
dibutuhkan keterangan mengenai titik-titik yang
sesuai untuk merepresentasikan bentuk objek
tersebut. Titik-titik ini akan digunakan untuk
memperoleh shape atau bentuk yang sesuai untuk
objek yang akan dikenali. Pada Gambar 2
merupakan contoh data citra training beserta
dengan titik-titik keterangannya. Tidak terdapat
aturan mengenai jumlah titik-titik harus dimiliki
oleh setiap citra training, tetapi untuk setiap citra
training harus memiliki jumlah titik-titik yang
sama.
Data training berupa citra dua dimensi. Oleh
karena itu sekumpulan titik-titik untuk data
training tersebut dapat direpresentasikan dengan
vektor 2n-dimensi, dimana n merupakan jumlah
titik yang ditandai untuk setiap citra training. Jadi
untuk setiap titik yang direpresentasikan dengan
maka vektor tersebut dapat ditulis dengan cara:
dan rotasi sebesar θ. Dengan tujuan untuk
mengetahui ketepatan sebuah model, diperlukan
fungsi untuk mengukurnya. Fungsi ini dapat
dibentuk dengan mendeteksi tepi citra atau edge
detection dan menghitung jumlah jarak kuadrat
antara setiap titik pada bentuk terhadap titik tepi
terdekat dari citra tersebut.
Gambar 3. Pengukuran Akurasi Model (T. F. Cootes
E. R., 2000)
x ( x1 ,..., xn , y1 ,..., yn )
Setiap kumpulan titik akan merepresentasikan
sebuah bentuk. Mean shape atau bentuk rata-rata
diperoleh dengan menghitung rata-rata dari N
vektor, dimana N adalah jumlah citra pada data
training, bentuk rata-rata ini akan digeser dan
diletakkan pada pusat dengan melakukan translasi,
serta diperbesar sehingga jumlah kuadrat dari
setiap titik-titiknya akan berjumlah 1.
2. FITTING ASM
Ketika ASM telah dibentuk dari kumpulan data
training,
model
dapat
digunakan
untuk
menyesuaikan citra yang baru. Tujuan dasar dari
proses fitting adalah mencari parameter vektor, b,
rotasi , θ, perbesaran, s dan vektor translasi,
(x_t,y_t). Hal ini bertujuan agar bentuk x sedapat
mungkin merepresentasikan objek dalam citra
sebagai berikut:
x Txt , yt ,s , ( x Ab)
Dimana T merepresentasikan transformasi dengan
translasi terhadap (x_t,y_t), perbesaraan sebesar s,
30
Dinamika Teknologi
Gambar 4. Contoh Proses Fitting ASM (T. F. Cootes
E. R., 2000)
Proses fitting akan dilakukan secara berulangulang. Pada citra yang baru, bentuk yang pertama
kali digunakan adalah bentuk rata-rata (mean
shape). Jika fitting dilakukan pada video, maka
bentuk yang digunakan sebagai bentuk awal untuk
proses fitting adalah bentuk yang didapat setelah
DINAMIKA TEKNOLOGI Oktober 2015 Vol. 7; No. 1; Hal. 28-35
proses fitting pada frame sebelumnya. Bentuk awal
ini akan dilambangkan dengan x. Kemudian akan
ditarik sebuah garis yang tegak lurus dengan setiap
titik model akan diperpanjang hingga menemukan
tepi objek dari citra seperti yang terlihat pada
Gambar 3. Sedangkan hasil proses fitting tiap
iterasi dapat dilihat pada gambar 4.
METODOLOGI
Pada bagian ini akan dijelaskan mengenai usulan
metode yang akan digunakan untuk mendapatkan
komponen wajah bayi. Terdapat beberapa tahap
sebelum dapat mendapatkan komponen wajah
bayi. Tahapannya adalah pemilihan frame dari
video atau gambar yang digunakan sebagai input.
Dari video input yang didapatkan, dilakukan
proses face detection untuk menghasilkan ROI
(Region of Interest) wajah bayi. Setelah lokasi
wajah bayi ditemukan maka tahap terakhir adalah
mencari lokasi komponen wajah dari model yang
telah ditraining sebelumnya. Secara skema alur
kerja ini dapat dilihat pada gambar 5.
metode ini lebih banyak digunakan untuk
mendeteksi wajah. Pada algoritma ini terdapat
beberapa konsep utama, yaitu: haar-like feature,
integral image agar proses pendeteksian berjalan
dengan cepat, metode machine-learning AdaBoost,
dan cascaded classifier untuk mengkombinasikan
banyak fitur dengan efektif dan efisien.
Fitur yang digunakan pada algoritma Viola-Jones
merupakan fitur yang berbasis haar wavelets. Haar
wavelets adalah gelombang tunggal yang
berbentuk segiempat yang hanya mempunyai
interval tinggi dan interval rendah. Jika
digambarkan dalam dua dimensi, sebuah
gelombang segiempat digambarkan dengan
sepasang
segiempat
yang
berdekatan-satu
berwarna terang dan satunya lagi berwarna gelap.
Sesungguhnya kombinasi bidang segiempat yang
digunakan untuk deteksi objek visual bukanlah
haar wavelets yang sebenarnya, tetapi lebih cocok
untuk digunakan sebagai deteksi objek visual. Oleh
karena itu, fitur-fitur ini disebut haar-like features,
dan bukan haar wavelets (Jones P. V., 2001). Nilai
nilai fitur Haar ini disimpan pada xml yang
nantinya digunakan untuk melakukan proses
pencarian ROI wajah bayi. Hasil dari tahap ini
dapat dilihat pada gambar 6.
Gambar 6. Hasil Face Detection
Gambar 5. Tahapan Metode Usulan
Tahap pertama pada penelitian ini adalah frame
selection. Frame selection jika pada video yang
dilakuakan adalah dengan cara sampling framenya.
Sedangkan jika pemilihan frame secara manual
dilakukan dengan mencari wajah bayi yang tampak
depan dan seluruh komponen wajahnya terlihat
dengan jelas.
Tahap selanjutnya adalah face detection. Proses
Face detection wajah bayi ini yang akan dipakai
adalah algoritma Viola Jones yang digagas pada
tahun 2001. Algoritma ini merupakan metode
untuk mendeteksi objek dalam gambar jadi tidak
hanya pada wajah saja. Akan tetapi penggunaan
Setelah ROI wajah bayi ditemukan tahap terakhir
adalah melakukan proses fitting ASM. Dimana
ASM modelnya telah ditraning terlebih dahulu.
Setelah melewati proses ini maka akan didapatkan
lokasi komponen wajah bayi yang nantinya dapat
digunakan sebagai input pada penelitian terkait
dengan wajah bayi.
BABY FACE MODELING
Proses Baby Face Modeling dibagi menjadi dua
bagian yaitu bagian training dan bagian fitting
sesuai dengan algoritma ASM yang digunakan.
Tahap training pada fase baby face modeling
merupakan tahap yang akan dilakukan untuk
Dinamika Teknologi
31
DINAMIKA TEKNOLOGI Oktober 2015 Vol. 7; No. 1; Hal. 28-35
menghasilkan sebuah file ASM model dengan
format AMF yang akan digunakan dalam tahap
fitting.
1. Training Baby Face Model
Sebelum program melakukan proses training pada
fase face modeling, sebelumnya telah harus
disediakan sekumpulan citra wajah bayi.
Sekumpulan citra wajah bayi ini akan menjadi
dataset untuk proses training. Menurut Cootes,
yang menciptakan algoritma Active Shape Model
ini, variasi dari dataset harus mampu
melambangkan jenis-jenis objek yang diinginkan
agar dapat dikenali. Oleh sebab itu, dataset pada
penelitian ini memanfaatkan beraka ragam orang
dan juga dari satu orang yang sama diambil
beberapa ekpresi dan dalam berbagai sudut
pemotretan.
Dataset
Bayi
Face
Detection
(perangkat lunak) yang diciptakan oleh Tim Cootes
sendiri yang dapat di download pada halaman
publikasi Tim Cootes. Pertama-tama, file dengan
ekstensi “*.smd” yang berisikan daftar data
training. file yang kedua adalah file dengan
ekstensi “*.part” yang berisikan daftar titik
yang hendak dikenali. Pada file yang terakhir
dengan ekstensi “*.aamprops” berisikan
parameter-parameter untuk trainingnya. Ketiga file
ini akan digunakan sebagai input dari aplikasinya
yang nanti akan menghasilkan model dari ASM
atau juga bisa titik-titik acuan disimpan menjadi
format point.
Haar
Cascade
XML
ASM Training
ASM Model
Gambar 7 Alur Kerja Proses Training Pada
Baby Face Modeling
Selanjutnya jika telah terkumpul citra wajah bayi,
maka citra bayi tersebut akan ditandai satu persatu.
Tanda akan dibubuhkan pada setiap citra pada
dataset. Tanda ini berupa titik-titik yang akan
menandai fitur-fitur yang terdapat pada wajah.
Tidak terdapat aturan mengenai jumlah titik yang
harus ditandai pada suatu wajah, namun untuk
setiap citra pada dataset, harus memiliki jumlah
titik fitur yang sama. Titik-titik ini harus
melambangkan fitur-fitur yang terdapat pada
wajah. Pada penelitian ini, akan digunakan 68
(enam puluh delapan) titik fitur wajah untuk
setiap citra dataset yang digunakan. Titik-titik fitur
wajah ini nantinya akan digunakan oleh program
untuk pembuatan ASM model. Daftar titik yang
digunakan dapat dilihat pada tabel 1.
Pemberian titik fitur wajah pada citra dapat
dilakukan secara manual menggunakan software
32
Dinamika Teknologi
Gambar 8 Aplikasi ASM_Tools beserta Citra
Wajah bayi beserta Titik-Titik Fitur
Pada Gambar 8 terlihat terdapat nomor-nomor
pada wajah, nomor tersebut yang merupakan titiktitik penting yang akan ditrainingkan. Urutan dari
titik-titik fitur wajah ini harus memiliki urutan dan
jumlah yang sama pada setiap citra dalam dataset.
Artinya, jika pada gambar pertama titik ke-0
menandakan posisi bola mata kiri wajah bayi,
maka pada semua citra yang akan digunakan dalam
proses training, titik ke-0 juga harus menandakan
posisi bola mata kiri wajah bayi. Jika jumlah titik
tidak sama maka model yang hendak di training
akan gagal dan tidak dapat menghasilkan model
wajah yang diharapkan.
DINAMIKA TEKNOLOGI Oktober 2015 Vol. 7; No. 1; Hal. 28-35
Titik fitur wajah ke-0 hingga titik fitur wajah ke-14
menandai area batas luar wajah bagian depan.
Namun titik-titik ini tidak menandai semua bagian
frontal wajah, hanya menandai bagian frontal
wajah dari dekat telinga kiri menuju dagu
kemudian menuju dekat telinga kanan.
Titik fitur wajah ke-15 hingga titik fitur wajah ke36 menunjukkan bagian alis dan mata. Titik fitur
wajah ke-15 hingga titik fitur wajah ke-20
menandai alis kanan wajah sedangkan titik fitur
wajah ke-21 hingga titik fitur wajah ke-26
menandai alis kiri wajah. Kemudian titik fitur
wajah ke-27 hingga titik fitur wajah ke-30
menandai area kiri, atas, kanan dan bawah mata
kiri sementara titik fitur wajah ke-31 menandai
posisi bola mata kiri. Demikian juga dengan titik
fitur wajah ke-32 hingga titik fitur wajah ke-35
menandai area kanan, atas, kiri, dan bawah mata
kanan sementara fitur ke-36 menandai posisi bola
mata kanan.
Tabel 1. Daftar Titik Fitur Wajah
Indeks Titik Fitur
Penjelasan Area
Wajah
Titik ke-0 hingga titik
ke-14
Titik ke-15 hingga
titik ke-20
Titik ke-21 hingga
titik ke-26
Titik ke-27 hingga
titik ke-31
Titik ke-32 hingga
titik ke-36
Titik ke-37 hingga
titik ke-47
Titik ke-48 hingga
titik ke-59
Titik ke-60 hingga
titik ke-66
Titik ke-67
Batas luar wajah
Alis kanan
Alis kiri
Mata kiri
Mata kanan
Hidung
Mulut bagian luar
Mulut bag. dalam
Tengah wajah
Titik fitur wajah ke-37 hingga titik fitur wajah ke47 menandai area hidung, dimana titik fitur wajah
ke-37 hingga titik fitur wajah ke-45 menunjukkan
bentuk hidung sementara titik fitur wajah ke-46
dan ke-47 menunjukkan lokasi lubang hidung kiri
dan kanan. Area mulut dibagi menjadi dua bagian,
yaitu bagian luar dan bagian dalam. Area mulut
bagian luar dapat juga disebut area bibir bagian
luar, ditandai oleh titik fitur wajah ke-48 hingga
titik fitur wajah ke-59. Titik-titik fitur ini menandai
hampir seluruh bagian luar bibir sehingga dapat
digunakan untuk mengetahui bentuk bibir bagian
luar.
Terdapat 2 (dua) buah titik untuk menandai ujung
mulut kanan dan ujung mulut kiri. Sementara
bagian luar bibir atas dan bawah ditandai masingmasing sebanyak 5 (lima) titik. Sementara bagian
dalam mulut ditandai oleh titik fitur wajah ke-60
hingga titik fitur wajah ke-65. Baik bagian dalam
bibir atas maupun bawah ditandai dengan 3 (tiga)
titik
pada
masing-masing
bibir
untuk
menggambarkan bagian dalam mulut. Titik fitur
ke-66 digunakan untuk menandai bagian tengah
mulut. Yang terakhir adalah titik fitur wajah ke-67
yang menandai bagian pusat wajah. Biasanya titik
terakhir fitur wajah ini terletak pada tengah hidung.
Setelah semua dataset citra di bubuhi titik-titik
fitur, tahap selanjutnya adalah mentraining data
tersebut dijadikan ASM Model. Proses ini
merupakan proses untuk mendapatkan shape
(bentuk) rata-rata dari kumpulan citra yang
terdapat dalam dataset beserta kumpulan titik-titik
fitur wajahnya. Proses ini akan menghasilkan
sebuah file ASM model yang akan digunakan
dalam proses ASM fitting pada fase face modeling
fitting. Pada penelitian ini proses ASM training
akan dilakukan dengan bantuan ASMLibrary milik
Yao Wei yang dibuat pada bulan November 2009.
Setelah melakukan proses training menggunakan
ASMLibrary, akan diperoleh sebuah file berformat
AMF yang berisi model dari hasil training.
2. Fitting Baby Face Model
Tahap fitting pada fase baby face modeling
merupakan tahapan proses yang akan dilakukan
setelah mendeteksi wajah bayi. Pada tahap ini, file
ASM model yang dihasilkan dari proses training
akan digunakan untuk menentukan titik-titik fitur
untuk citra yang baru. Diharapkan untuk setiap
citra wajah input, akan didapatkan titik-titik fitur
wajah seperti yang terdapat pada dataset citra pada
proses training.
Proses fitting dalam algoritma Active Shape Model
ini juga akan dilakukan dengan bantuan
ASMLibrary. Pada prosesnya, akan digunakan
hasil dari proses ASM training. Proses fitting
bertujuan agar bentuk yang disusun dari titik-titik
fitur wajah dapat dengan tepat merepresentasikan
bentuk wajah yang terdapat pada citra yang sedang
diproses.
Dinamika Teknologi
33
DINAMIKA TEKNOLOGI Oktober 2015 Vol. 7; No. 1; Hal. 28-35
121 frame dan jumlah frame yang sudah terekstrak
dari face detection adalah 69 buah. Jika dibagikan
antara jumlah frame yang terekstrak dan jumlah
frame keseluruahan maka akan didapatkan 57%
dari total frame dapat di identifikasi fitur-fiturnya.
Gambar 9. Contoh Hasil Fitting ASM
Agar dapat merepresentasikan bentuk wajah
dengan tepat, proses fitting dilakukan secara
iteratif hingga jumlah iterasi yang telah ditentukan,
selama jalannya iterasi, tingkat error akan semakin
berkurang sehingga pada iterasi terakhir, titik-titik
fitur dapat membentuk wajah pada citra dengan
tepat. Jumlah iterasi yang biasanya dilakukan
adalah 20 (dua puluh) iterasi. Dengan
menggunakan ASMLibrary, proses fitting yang
menggunakan 20
(dua puluh) iterasi dapat
dilakukan dalam waktu kurang dari satu detik.
UJI COBA
Uji coba dilakukan dengan dua skenario, yaitu uji
coba terhadap video yang berisikan satu wajah.
Dari video ini diekstrak framenya secara otomatis
dengan metode sampling frame. Skenario kedua
adalah melakukan proses dari 105 gambar yang
telah disediakan dengan variasi 31 wajah.
Pada skenario 1 dilakukan dengan 3 jenis yang
berbeda pada jumlah sampling framenya tiap detik.
Spesifikasi yang dilakukan yaitu: 1 frame tiap
detik, 5 frame tiap detik, 15 frame tiap detik. Hasil
dari ekstraksi ini dilihat pada gambar 10 yang
berisikan diagram batang antara jumlah frame yang
tersedia dan frame yang berhasil diekstrak.
Pada Gambar 10 terdapat dua diagram batang yang
menyatakan jumlah frame dan frame terekstrak.
Jumlah frame merupakan total frame yang tersedia
dari video sedangkan frame terekstrak menyatakan
bahwa frame yang dinyatakan memenuhi syarat,
yaitu terdeteksi mata, hidung, mulut, dan lain-lain.
Pertama-tama akan dibahas mengenai skenario 1.
Hasil dari skenario 1 terdapat total frame sebesar
34
Dinamika Teknologi
Gambar 10. Hasil Ekstraksi Frame
Selanjutnya dibahas mengenai skenario 2. Hasil
dari skenario 2 terdapat total frame sebesar 601
frame dan jumlah frame yang sudah terekstrak
adalah 355 buah. Jika dibandingkan antara total
frame dan jumlah frame yang dapat diekstrak
fiturnya adalah 59% frame dapat diektrak.
Pembahasan yang terakhir adalah skenario yang ke
3. Hasil dari skenario 3 terdapat total frame sebesar
1803 frame dan jumlah frame yang sudah
terekstrak adalah 1063 buah. Jika dibandingkan
jumlah frame yang dapat diektrak adalah 58.95%.
Rata-rata waktu yang butuhkan untuk mendeteksi
wajah dan melakukan proses fitting dari tiap frame
rata-rata membutuhkan waktu 128 CPU time.
Sehingga untuk memproses pada skenario 3
membutuhkan waktu lebih dari 136000 CPU time
yang didapatkan dari waktu rata-rata dikalikan
dengan jumlah frame yang terekstrak.
Berbeda dengan Uji coba pada video frame
otomatis. Uji coba denga banyak variasi wajah
memiliki nilai yang sangat baik. Dari 105 gamar
yang diujikan terdapat 99 gambar dapat diekstrak.
Jika dibandingkan antara jumlah gambar yang
terekstrak dan jumlah gambar yang tersedia
94.28% gambar dapat diekstrak komponen
DINAMIKA TEKNOLOGI Oktober 2015 Vol. 7; No. 1; Hal. 28-35
wajahnya. Hal ini dikarenakan pada video terdapat
wajah bayi yang tidak mengarah secara frontal atau
pada pemilihan samplingnya mengambil pada
frame yang buram (blur) dikarenakan pergerakan
bayi yang ada didalam video atau dikarenakan
komponen wajah yang tertutup oleh benda lain
seperti tangan atau lain lain.
Baby Caregiver. Int Journal of Advanced
Robotic System , 86.
8. T. F. Cootes, E. R. (2000). An introduction to
active shape models. 223-248.
9. Tim Cootes, C. J. (1995). Active shape modelstheir training and application. Computer vision
and image understanding, vol. 61, no. 1, pp. 38–
59.
KESIMPULAN
Adapun beberapa kesimpulan yang didapatkan
antara lain:
1. Komponen wajah bayi dapat diekstrak dengan
menggunakan algoritma ASM. Nilai akurasi
komponen yang dihasilkan 94% gambar dapat
diekstrak komponen wajahnya.
2. Model wajah bayi yang diusulkan mampu
menangani variasi wajah. Dari proses uji coba
yang terdiri dari 31 wajah, keseluruhan data
yang diujikan dapat diekstrak.
3. Berdasarkan skenario uji coba pemotongan
frame secara otomatis, frame yang dapat
diekstrak adalah 59%. Oleh karena itu
disimpulkan algoritma sampling frame pada
video tidak efektif, diperlukan algoritma
tambahan untuk mencari frame yang memenuhi
kriteria proses pencarian komponen wajah.
DAFTAR PUSTAKA
1. Hanindito, E. (2013). Validasi Dinamika Pola
Akustik Tangis Sebagai Indikator Nyeri Akut
Pasca Bedah Pada Bayi. Surabaya: Disertasi
Doktor Universitas Airlangga.
2. Jones, P. V. (2001). Rapid Object Detection
Using a Boosted Cascade of Simple Features.
Vomputer Vision and Pattern Recognition (pp.
I-511). IEEE Computer Society Conference.
3. Jones, P. V. (2004). Robust real-time Face
Detection. International journal of computer
vision vol. 57, no. 2, 137–154.
4. Lucey, P. (2010). Automatically Detecting Pain
in Video Through. IEEE Systems, Man, and
Cybernetics Society , 664 - 674.
5. Pu, B. (2010). Video Facial Feature Tracking
with Enhanced ASM and Predicted Meanshift.
2010 Second International Conference on
Computer Modeling and Simulation, 151-155.
6. Schiavenato, M. B. (2008). Neonatal pain facial
expression: Evaluating the primal face of pain.
Pain 138, no. 2, 461-471.
7. Shota Yamamoto, Y. Y. (2013). Recognition of
a Baby's Emotional Cry Towards Robotics
Dinamika Teknologi
35
PEMODELAN WAJAH BAYI DENGAN MENGGUNAKAN ACTIVE
SHAPE MODEL UNTUK PENDETEKSI KOMPONEN WAJAH
Reddy Alexandro Harianto(1), Handayani Tjandrasa(2)
Jurusan Teknik Informatika, Fakultas Teknologi Informasi
Institut Teknologi Sepuluh Nopember, Surabaya
e-mail: reddy13@mhs.if.its.ac.id(1), handatj@its.ac.id(2)
ABSTRAK
Cara berkomunikasi dari seorang bayi yang paling efektif adalah dengan cara menangis. Sebelum
penelitian ini dilakukan, sudah terdapat beberapa penelitian yang membuat sistem pendeteksi pada bayi
menangis dari suaranya. Masalah yang timbul adalah jika terdapat seorang bayi yang mengalami
gangguan dengan pita suaranya sehingga tidak dapat mengeluarkan suara tangisan. Oleh karena itu,
diusulkan sebuah sistem untuk mendeteksi komponen wajah bayi dari gambar menggunakan Active
Shape Model. Penelitian ini bertujuan membentuk sebuah model dari wajah bayi agar hasilnya nanti dapat
digunakan pada penelitian terkait dengan wajah bayi. Komponen-komponen wajah yang didapatkan dari
model ini adalah lokasi mata, alis, hidung, mulut, serta beberapa titik pendukung lain. Uji coba pada
penelitian ini menggunakan video yang di ekstrak framenya secara otomatis dan dicari komponen
wajahnya. Hasilnya 59% dari keseluruhan frame yang ada, dapat di ekstrak komponen wajahnya. Pada
skenario uji coba yang lain dimana terdapat 31 variasi wajah bayi yang framenya dipilih secara manual,
sistem dapat mendeteksi 94.28% dari jumlah frame yang tersedia.
Kata kunci: Active Shape Model, Wajah Bayi, Komponen Wajah
ABSTRACT
The most effective way to communicate from the baby is through crying. In the past, there were many
researches about systems that could detect whether a baby was crying. the system had limitation
especially when the baby could not cry because of the broken vocal cord. This research suggests a system
that can detect baby facial components on the image using Active Shape Model. The extracted
components, like eyes, eyebrows, nose and mouth are calculated. Testing process of this research will use
videos which frames will be extracted in order to get the face components. The result is that the system
can extract face components from 59% of all frames. If the frames were chosen manually with 31
different faces, the system can detect 94.28% of all frames.
Keywords: Active Shape Model, facial Component, Active Contour.
PENDAHULUAN
Penelitian computer vision pada wajah bayi pada
awalnya bermula pada penelitian apakah bayi yang
sedang menangis merasakan rasa nyeri atau tidak
(Schiavenato, 2008). Dalam berkomunikasi dengan
orang lain bayi sering mengungkapkannya dengan
cara menangis, karena bayi bayi tersebut belum
bisa mengekspresikan kebutuhan dan keinginannya
melalui bahasa.
Pada kenyataannya tangisan bayi memiliki banyak
makna, tetapi yang paling berbahaya ketika
tangisan bayi karena nyeri (pain). Sebenarnya pada
28
Dinamika Teknologi
penelitian-penelitian
sebelumnya
(Shota
Yamamoto, 2013) dan (Hanindito, 2013). Sudah
diteliti tentang sistem yang mampu mendeteksi
bayi menangis melalui suaranya. Kondisi rumah
sakit yang menempatkan beberapa bayi dalam satu
ruang akan sangat sulit untuk mengisolasi suara
tangis bayi terutama saat ada beberapa bayi yang
menangis. Kondisi lain yang juga harus
diperhitungkan adalah bagaimana menangani bayi
yang memiliki kelainan pita suara (bisu) sehingga
saat menangis tidak mengeluarkan suara.
Salah satu penelitian terkait dengan deteksi bayi
adalah penelitian dari Schiavenato yang meneliti
DINAMIKA TEKNOLOGI Oktober 2015 Vol. 7; No. 1; Hal. 28-35
tentang perubahan komponen wajah bayi pada saat
bayi mengalami rasa nyeri (Schiavenato, 2008).
Pada penelitian ini titik-titik penting wajah bayi
diamati secara manual. Kemudian hasil
pengukuran jaraknya saat bayi mengalami
kesakitan dan akan dibandingkan dengan saat bayi
tidak mengalami kesakitan. Contoh titik-titik yang
diamati tampak dari hasil pendeteksian wajah.
Beberapa titik yang digunakan dapat dilihat pada
Gambar 1.
ACTIVE SHAPE MODEL
Active Shape Model (ASM) merupakan suatu
model statistik yang dicetuskan pada tahun 1990an oleh Tim Cootes (Tim Cootes, 1995) dan telah
digunakan dalam berbagai keperluan. Sebagai
contoh, ASM telah digunakan dalam bidang
kedokteran untuk menganalisa hasil MRI
(Magnetic Resonance Imaging) otak dan
mengidentifikasi tulang dari hasil X-Ray dari sendi
pinggul (Taylor C. J., 1997). Selain itu contoh
penggunaan ASM yang lain adalah penggunaannya
untuk segementasi citra otak yang diambil melalui
MRI (Duta, 1998 ) serta klasifikasi tanaman dari
gambar (Persson, 2008).
Pada implementasinya terdapat dua buah tahapan
dalam algoritma ASM, yaitu tahap training dan
tahap fitting. Tahap training merupakan tahap
pengekstraksian data dan pengetahuan dari data
training, sementara tahap training merupakan tahap
yang akan menghasilkan informasi dari data input
yang diberikan sesuai dengan hasil pembelajaran
dari tahap training.
Gambar 1. Titik-Titik Penting Penelitian Schiavenato
Pada tahun 2010 (Lucey, 2010), telah dilakukan
penelitian untuk menganalisa wajah orang dewasa
sedang mengalami nyeri atau tidak dengan
menggunakan Active Appearance Model (AAM).
Ada penelitian lain (Pu, 2010) yang meneliti
tracking fitur-fitur wajah orang dewasa pada video
dan ekstrasi fiturnya menggunakan Active Shape
Model (ASM).
Oleh karena banyaknya penelitian terkait pada
wajah dan tidak adanya penelitian wajah pada bayi
yang dilakukan secara otomatis, dalam penelitian
ini diusulkan sebuah sistem yang dapat melakukan
pencarian komponen wajah bayi secara otomatis.
Pendekatan yang dilakukan dengan menggunakan
metode-metode yang digunakan pada wajah orang
dewasa. Sistem ini diharapkan dapat menghasilkan
lokasi komponen-komponen wajah bayi, sehingga
model wajah bayi yang didapat pada peneletitian
ini bisa digunakan untuk mendeteksi nyeri pada
bayi atau permsalahan yang lebih sederhana adalah
untuk mendeteksi tangisan pada bayi.
Gambar 2. Data training dengan titik keterangannya
(Lanitis, 1997)
1. ASM TRAINING
Tahap training membutuhkan sekumpulan citra
yang relevan dengan objek yang akan dikenali.
Sebagai contoh, jika tujuan objek yang akan
dikenali adalah wajah manusia maka sekumpulan
citra yang harus disediakan untuk proses training
adalah citra wajah. Pada data training harus
terdapat citra dengan tingkat keragaman yang
relevan dengan objek yang akan dikenali, sehingga
variasi bentuk objek dapat dimodelkan dengan
Dinamika Teknologi
29
DINAMIKA TEKNOLOGI Oktober 2015 Vol. 7; No. 1; Hal. 28-35
baik. Model yang sederhana dapat dibentuk dari
data training yang sedikit, hanya sekitar 10
(sepuluh) sampai 20 (dua puluh) citra saja.
Dalam membentuk data training, selain dibutuhkan
citra yang relevan dengan objek yang akan
dikenali, untuk setiap citra tersebut juga
dibutuhkan keterangan mengenai titik-titik yang
sesuai untuk merepresentasikan bentuk objek
tersebut. Titik-titik ini akan digunakan untuk
memperoleh shape atau bentuk yang sesuai untuk
objek yang akan dikenali. Pada Gambar 2
merupakan contoh data citra training beserta
dengan titik-titik keterangannya. Tidak terdapat
aturan mengenai jumlah titik-titik harus dimiliki
oleh setiap citra training, tetapi untuk setiap citra
training harus memiliki jumlah titik-titik yang
sama.
Data training berupa citra dua dimensi. Oleh
karena itu sekumpulan titik-titik untuk data
training tersebut dapat direpresentasikan dengan
vektor 2n-dimensi, dimana n merupakan jumlah
titik yang ditandai untuk setiap citra training. Jadi
untuk setiap titik yang direpresentasikan dengan
maka vektor tersebut dapat ditulis dengan cara:
dan rotasi sebesar θ. Dengan tujuan untuk
mengetahui ketepatan sebuah model, diperlukan
fungsi untuk mengukurnya. Fungsi ini dapat
dibentuk dengan mendeteksi tepi citra atau edge
detection dan menghitung jumlah jarak kuadrat
antara setiap titik pada bentuk terhadap titik tepi
terdekat dari citra tersebut.
Gambar 3. Pengukuran Akurasi Model (T. F. Cootes
E. R., 2000)
x ( x1 ,..., xn , y1 ,..., yn )
Setiap kumpulan titik akan merepresentasikan
sebuah bentuk. Mean shape atau bentuk rata-rata
diperoleh dengan menghitung rata-rata dari N
vektor, dimana N adalah jumlah citra pada data
training, bentuk rata-rata ini akan digeser dan
diletakkan pada pusat dengan melakukan translasi,
serta diperbesar sehingga jumlah kuadrat dari
setiap titik-titiknya akan berjumlah 1.
2. FITTING ASM
Ketika ASM telah dibentuk dari kumpulan data
training,
model
dapat
digunakan
untuk
menyesuaikan citra yang baru. Tujuan dasar dari
proses fitting adalah mencari parameter vektor, b,
rotasi , θ, perbesaran, s dan vektor translasi,
(x_t,y_t). Hal ini bertujuan agar bentuk x sedapat
mungkin merepresentasikan objek dalam citra
sebagai berikut:
x Txt , yt ,s , ( x Ab)
Dimana T merepresentasikan transformasi dengan
translasi terhadap (x_t,y_t), perbesaraan sebesar s,
30
Dinamika Teknologi
Gambar 4. Contoh Proses Fitting ASM (T. F. Cootes
E. R., 2000)
Proses fitting akan dilakukan secara berulangulang. Pada citra yang baru, bentuk yang pertama
kali digunakan adalah bentuk rata-rata (mean
shape). Jika fitting dilakukan pada video, maka
bentuk yang digunakan sebagai bentuk awal untuk
proses fitting adalah bentuk yang didapat setelah
DINAMIKA TEKNOLOGI Oktober 2015 Vol. 7; No. 1; Hal. 28-35
proses fitting pada frame sebelumnya. Bentuk awal
ini akan dilambangkan dengan x. Kemudian akan
ditarik sebuah garis yang tegak lurus dengan setiap
titik model akan diperpanjang hingga menemukan
tepi objek dari citra seperti yang terlihat pada
Gambar 3. Sedangkan hasil proses fitting tiap
iterasi dapat dilihat pada gambar 4.
METODOLOGI
Pada bagian ini akan dijelaskan mengenai usulan
metode yang akan digunakan untuk mendapatkan
komponen wajah bayi. Terdapat beberapa tahap
sebelum dapat mendapatkan komponen wajah
bayi. Tahapannya adalah pemilihan frame dari
video atau gambar yang digunakan sebagai input.
Dari video input yang didapatkan, dilakukan
proses face detection untuk menghasilkan ROI
(Region of Interest) wajah bayi. Setelah lokasi
wajah bayi ditemukan maka tahap terakhir adalah
mencari lokasi komponen wajah dari model yang
telah ditraining sebelumnya. Secara skema alur
kerja ini dapat dilihat pada gambar 5.
metode ini lebih banyak digunakan untuk
mendeteksi wajah. Pada algoritma ini terdapat
beberapa konsep utama, yaitu: haar-like feature,
integral image agar proses pendeteksian berjalan
dengan cepat, metode machine-learning AdaBoost,
dan cascaded classifier untuk mengkombinasikan
banyak fitur dengan efektif dan efisien.
Fitur yang digunakan pada algoritma Viola-Jones
merupakan fitur yang berbasis haar wavelets. Haar
wavelets adalah gelombang tunggal yang
berbentuk segiempat yang hanya mempunyai
interval tinggi dan interval rendah. Jika
digambarkan dalam dua dimensi, sebuah
gelombang segiempat digambarkan dengan
sepasang
segiempat
yang
berdekatan-satu
berwarna terang dan satunya lagi berwarna gelap.
Sesungguhnya kombinasi bidang segiempat yang
digunakan untuk deteksi objek visual bukanlah
haar wavelets yang sebenarnya, tetapi lebih cocok
untuk digunakan sebagai deteksi objek visual. Oleh
karena itu, fitur-fitur ini disebut haar-like features,
dan bukan haar wavelets (Jones P. V., 2001). Nilai
nilai fitur Haar ini disimpan pada xml yang
nantinya digunakan untuk melakukan proses
pencarian ROI wajah bayi. Hasil dari tahap ini
dapat dilihat pada gambar 6.
Gambar 6. Hasil Face Detection
Gambar 5. Tahapan Metode Usulan
Tahap pertama pada penelitian ini adalah frame
selection. Frame selection jika pada video yang
dilakuakan adalah dengan cara sampling framenya.
Sedangkan jika pemilihan frame secara manual
dilakukan dengan mencari wajah bayi yang tampak
depan dan seluruh komponen wajahnya terlihat
dengan jelas.
Tahap selanjutnya adalah face detection. Proses
Face detection wajah bayi ini yang akan dipakai
adalah algoritma Viola Jones yang digagas pada
tahun 2001. Algoritma ini merupakan metode
untuk mendeteksi objek dalam gambar jadi tidak
hanya pada wajah saja. Akan tetapi penggunaan
Setelah ROI wajah bayi ditemukan tahap terakhir
adalah melakukan proses fitting ASM. Dimana
ASM modelnya telah ditraning terlebih dahulu.
Setelah melewati proses ini maka akan didapatkan
lokasi komponen wajah bayi yang nantinya dapat
digunakan sebagai input pada penelitian terkait
dengan wajah bayi.
BABY FACE MODELING
Proses Baby Face Modeling dibagi menjadi dua
bagian yaitu bagian training dan bagian fitting
sesuai dengan algoritma ASM yang digunakan.
Tahap training pada fase baby face modeling
merupakan tahap yang akan dilakukan untuk
Dinamika Teknologi
31
DINAMIKA TEKNOLOGI Oktober 2015 Vol. 7; No. 1; Hal. 28-35
menghasilkan sebuah file ASM model dengan
format AMF yang akan digunakan dalam tahap
fitting.
1. Training Baby Face Model
Sebelum program melakukan proses training pada
fase face modeling, sebelumnya telah harus
disediakan sekumpulan citra wajah bayi.
Sekumpulan citra wajah bayi ini akan menjadi
dataset untuk proses training. Menurut Cootes,
yang menciptakan algoritma Active Shape Model
ini, variasi dari dataset harus mampu
melambangkan jenis-jenis objek yang diinginkan
agar dapat dikenali. Oleh sebab itu, dataset pada
penelitian ini memanfaatkan beraka ragam orang
dan juga dari satu orang yang sama diambil
beberapa ekpresi dan dalam berbagai sudut
pemotretan.
Dataset
Bayi
Face
Detection
(perangkat lunak) yang diciptakan oleh Tim Cootes
sendiri yang dapat di download pada halaman
publikasi Tim Cootes. Pertama-tama, file dengan
ekstensi “*.smd” yang berisikan daftar data
training. file yang kedua adalah file dengan
ekstensi “*.part” yang berisikan daftar titik
yang hendak dikenali. Pada file yang terakhir
dengan ekstensi “*.aamprops” berisikan
parameter-parameter untuk trainingnya. Ketiga file
ini akan digunakan sebagai input dari aplikasinya
yang nanti akan menghasilkan model dari ASM
atau juga bisa titik-titik acuan disimpan menjadi
format point.
Haar
Cascade
XML
ASM Training
ASM Model
Gambar 7 Alur Kerja Proses Training Pada
Baby Face Modeling
Selanjutnya jika telah terkumpul citra wajah bayi,
maka citra bayi tersebut akan ditandai satu persatu.
Tanda akan dibubuhkan pada setiap citra pada
dataset. Tanda ini berupa titik-titik yang akan
menandai fitur-fitur yang terdapat pada wajah.
Tidak terdapat aturan mengenai jumlah titik yang
harus ditandai pada suatu wajah, namun untuk
setiap citra pada dataset, harus memiliki jumlah
titik fitur yang sama. Titik-titik ini harus
melambangkan fitur-fitur yang terdapat pada
wajah. Pada penelitian ini, akan digunakan 68
(enam puluh delapan) titik fitur wajah untuk
setiap citra dataset yang digunakan. Titik-titik fitur
wajah ini nantinya akan digunakan oleh program
untuk pembuatan ASM model. Daftar titik yang
digunakan dapat dilihat pada tabel 1.
Pemberian titik fitur wajah pada citra dapat
dilakukan secara manual menggunakan software
32
Dinamika Teknologi
Gambar 8 Aplikasi ASM_Tools beserta Citra
Wajah bayi beserta Titik-Titik Fitur
Pada Gambar 8 terlihat terdapat nomor-nomor
pada wajah, nomor tersebut yang merupakan titiktitik penting yang akan ditrainingkan. Urutan dari
titik-titik fitur wajah ini harus memiliki urutan dan
jumlah yang sama pada setiap citra dalam dataset.
Artinya, jika pada gambar pertama titik ke-0
menandakan posisi bola mata kiri wajah bayi,
maka pada semua citra yang akan digunakan dalam
proses training, titik ke-0 juga harus menandakan
posisi bola mata kiri wajah bayi. Jika jumlah titik
tidak sama maka model yang hendak di training
akan gagal dan tidak dapat menghasilkan model
wajah yang diharapkan.
DINAMIKA TEKNOLOGI Oktober 2015 Vol. 7; No. 1; Hal. 28-35
Titik fitur wajah ke-0 hingga titik fitur wajah ke-14
menandai area batas luar wajah bagian depan.
Namun titik-titik ini tidak menandai semua bagian
frontal wajah, hanya menandai bagian frontal
wajah dari dekat telinga kiri menuju dagu
kemudian menuju dekat telinga kanan.
Titik fitur wajah ke-15 hingga titik fitur wajah ke36 menunjukkan bagian alis dan mata. Titik fitur
wajah ke-15 hingga titik fitur wajah ke-20
menandai alis kanan wajah sedangkan titik fitur
wajah ke-21 hingga titik fitur wajah ke-26
menandai alis kiri wajah. Kemudian titik fitur
wajah ke-27 hingga titik fitur wajah ke-30
menandai area kiri, atas, kanan dan bawah mata
kiri sementara titik fitur wajah ke-31 menandai
posisi bola mata kiri. Demikian juga dengan titik
fitur wajah ke-32 hingga titik fitur wajah ke-35
menandai area kanan, atas, kiri, dan bawah mata
kanan sementara fitur ke-36 menandai posisi bola
mata kanan.
Tabel 1. Daftar Titik Fitur Wajah
Indeks Titik Fitur
Penjelasan Area
Wajah
Titik ke-0 hingga titik
ke-14
Titik ke-15 hingga
titik ke-20
Titik ke-21 hingga
titik ke-26
Titik ke-27 hingga
titik ke-31
Titik ke-32 hingga
titik ke-36
Titik ke-37 hingga
titik ke-47
Titik ke-48 hingga
titik ke-59
Titik ke-60 hingga
titik ke-66
Titik ke-67
Batas luar wajah
Alis kanan
Alis kiri
Mata kiri
Mata kanan
Hidung
Mulut bagian luar
Mulut bag. dalam
Tengah wajah
Titik fitur wajah ke-37 hingga titik fitur wajah ke47 menandai area hidung, dimana titik fitur wajah
ke-37 hingga titik fitur wajah ke-45 menunjukkan
bentuk hidung sementara titik fitur wajah ke-46
dan ke-47 menunjukkan lokasi lubang hidung kiri
dan kanan. Area mulut dibagi menjadi dua bagian,
yaitu bagian luar dan bagian dalam. Area mulut
bagian luar dapat juga disebut area bibir bagian
luar, ditandai oleh titik fitur wajah ke-48 hingga
titik fitur wajah ke-59. Titik-titik fitur ini menandai
hampir seluruh bagian luar bibir sehingga dapat
digunakan untuk mengetahui bentuk bibir bagian
luar.
Terdapat 2 (dua) buah titik untuk menandai ujung
mulut kanan dan ujung mulut kiri. Sementara
bagian luar bibir atas dan bawah ditandai masingmasing sebanyak 5 (lima) titik. Sementara bagian
dalam mulut ditandai oleh titik fitur wajah ke-60
hingga titik fitur wajah ke-65. Baik bagian dalam
bibir atas maupun bawah ditandai dengan 3 (tiga)
titik
pada
masing-masing
bibir
untuk
menggambarkan bagian dalam mulut. Titik fitur
ke-66 digunakan untuk menandai bagian tengah
mulut. Yang terakhir adalah titik fitur wajah ke-67
yang menandai bagian pusat wajah. Biasanya titik
terakhir fitur wajah ini terletak pada tengah hidung.
Setelah semua dataset citra di bubuhi titik-titik
fitur, tahap selanjutnya adalah mentraining data
tersebut dijadikan ASM Model. Proses ini
merupakan proses untuk mendapatkan shape
(bentuk) rata-rata dari kumpulan citra yang
terdapat dalam dataset beserta kumpulan titik-titik
fitur wajahnya. Proses ini akan menghasilkan
sebuah file ASM model yang akan digunakan
dalam proses ASM fitting pada fase face modeling
fitting. Pada penelitian ini proses ASM training
akan dilakukan dengan bantuan ASMLibrary milik
Yao Wei yang dibuat pada bulan November 2009.
Setelah melakukan proses training menggunakan
ASMLibrary, akan diperoleh sebuah file berformat
AMF yang berisi model dari hasil training.
2. Fitting Baby Face Model
Tahap fitting pada fase baby face modeling
merupakan tahapan proses yang akan dilakukan
setelah mendeteksi wajah bayi. Pada tahap ini, file
ASM model yang dihasilkan dari proses training
akan digunakan untuk menentukan titik-titik fitur
untuk citra yang baru. Diharapkan untuk setiap
citra wajah input, akan didapatkan titik-titik fitur
wajah seperti yang terdapat pada dataset citra pada
proses training.
Proses fitting dalam algoritma Active Shape Model
ini juga akan dilakukan dengan bantuan
ASMLibrary. Pada prosesnya, akan digunakan
hasil dari proses ASM training. Proses fitting
bertujuan agar bentuk yang disusun dari titik-titik
fitur wajah dapat dengan tepat merepresentasikan
bentuk wajah yang terdapat pada citra yang sedang
diproses.
Dinamika Teknologi
33
DINAMIKA TEKNOLOGI Oktober 2015 Vol. 7; No. 1; Hal. 28-35
121 frame dan jumlah frame yang sudah terekstrak
dari face detection adalah 69 buah. Jika dibagikan
antara jumlah frame yang terekstrak dan jumlah
frame keseluruahan maka akan didapatkan 57%
dari total frame dapat di identifikasi fitur-fiturnya.
Gambar 9. Contoh Hasil Fitting ASM
Agar dapat merepresentasikan bentuk wajah
dengan tepat, proses fitting dilakukan secara
iteratif hingga jumlah iterasi yang telah ditentukan,
selama jalannya iterasi, tingkat error akan semakin
berkurang sehingga pada iterasi terakhir, titik-titik
fitur dapat membentuk wajah pada citra dengan
tepat. Jumlah iterasi yang biasanya dilakukan
adalah 20 (dua puluh) iterasi. Dengan
menggunakan ASMLibrary, proses fitting yang
menggunakan 20
(dua puluh) iterasi dapat
dilakukan dalam waktu kurang dari satu detik.
UJI COBA
Uji coba dilakukan dengan dua skenario, yaitu uji
coba terhadap video yang berisikan satu wajah.
Dari video ini diekstrak framenya secara otomatis
dengan metode sampling frame. Skenario kedua
adalah melakukan proses dari 105 gambar yang
telah disediakan dengan variasi 31 wajah.
Pada skenario 1 dilakukan dengan 3 jenis yang
berbeda pada jumlah sampling framenya tiap detik.
Spesifikasi yang dilakukan yaitu: 1 frame tiap
detik, 5 frame tiap detik, 15 frame tiap detik. Hasil
dari ekstraksi ini dilihat pada gambar 10 yang
berisikan diagram batang antara jumlah frame yang
tersedia dan frame yang berhasil diekstrak.
Pada Gambar 10 terdapat dua diagram batang yang
menyatakan jumlah frame dan frame terekstrak.
Jumlah frame merupakan total frame yang tersedia
dari video sedangkan frame terekstrak menyatakan
bahwa frame yang dinyatakan memenuhi syarat,
yaitu terdeteksi mata, hidung, mulut, dan lain-lain.
Pertama-tama akan dibahas mengenai skenario 1.
Hasil dari skenario 1 terdapat total frame sebesar
34
Dinamika Teknologi
Gambar 10. Hasil Ekstraksi Frame
Selanjutnya dibahas mengenai skenario 2. Hasil
dari skenario 2 terdapat total frame sebesar 601
frame dan jumlah frame yang sudah terekstrak
adalah 355 buah. Jika dibandingkan antara total
frame dan jumlah frame yang dapat diekstrak
fiturnya adalah 59% frame dapat diektrak.
Pembahasan yang terakhir adalah skenario yang ke
3. Hasil dari skenario 3 terdapat total frame sebesar
1803 frame dan jumlah frame yang sudah
terekstrak adalah 1063 buah. Jika dibandingkan
jumlah frame yang dapat diektrak adalah 58.95%.
Rata-rata waktu yang butuhkan untuk mendeteksi
wajah dan melakukan proses fitting dari tiap frame
rata-rata membutuhkan waktu 128 CPU time.
Sehingga untuk memproses pada skenario 3
membutuhkan waktu lebih dari 136000 CPU time
yang didapatkan dari waktu rata-rata dikalikan
dengan jumlah frame yang terekstrak.
Berbeda dengan Uji coba pada video frame
otomatis. Uji coba denga banyak variasi wajah
memiliki nilai yang sangat baik. Dari 105 gamar
yang diujikan terdapat 99 gambar dapat diekstrak.
Jika dibandingkan antara jumlah gambar yang
terekstrak dan jumlah gambar yang tersedia
94.28% gambar dapat diekstrak komponen
DINAMIKA TEKNOLOGI Oktober 2015 Vol. 7; No. 1; Hal. 28-35
wajahnya. Hal ini dikarenakan pada video terdapat
wajah bayi yang tidak mengarah secara frontal atau
pada pemilihan samplingnya mengambil pada
frame yang buram (blur) dikarenakan pergerakan
bayi yang ada didalam video atau dikarenakan
komponen wajah yang tertutup oleh benda lain
seperti tangan atau lain lain.
Baby Caregiver. Int Journal of Advanced
Robotic System , 86.
8. T. F. Cootes, E. R. (2000). An introduction to
active shape models. 223-248.
9. Tim Cootes, C. J. (1995). Active shape modelstheir training and application. Computer vision
and image understanding, vol. 61, no. 1, pp. 38–
59.
KESIMPULAN
Adapun beberapa kesimpulan yang didapatkan
antara lain:
1. Komponen wajah bayi dapat diekstrak dengan
menggunakan algoritma ASM. Nilai akurasi
komponen yang dihasilkan 94% gambar dapat
diekstrak komponen wajahnya.
2. Model wajah bayi yang diusulkan mampu
menangani variasi wajah. Dari proses uji coba
yang terdiri dari 31 wajah, keseluruhan data
yang diujikan dapat diekstrak.
3. Berdasarkan skenario uji coba pemotongan
frame secara otomatis, frame yang dapat
diekstrak adalah 59%. Oleh karena itu
disimpulkan algoritma sampling frame pada
video tidak efektif, diperlukan algoritma
tambahan untuk mencari frame yang memenuhi
kriteria proses pencarian komponen wajah.
DAFTAR PUSTAKA
1. Hanindito, E. (2013). Validasi Dinamika Pola
Akustik Tangis Sebagai Indikator Nyeri Akut
Pasca Bedah Pada Bayi. Surabaya: Disertasi
Doktor Universitas Airlangga.
2. Jones, P. V. (2001). Rapid Object Detection
Using a Boosted Cascade of Simple Features.
Vomputer Vision and Pattern Recognition (pp.
I-511). IEEE Computer Society Conference.
3. Jones, P. V. (2004). Robust real-time Face
Detection. International journal of computer
vision vol. 57, no. 2, 137–154.
4. Lucey, P. (2010). Automatically Detecting Pain
in Video Through. IEEE Systems, Man, and
Cybernetics Society , 664 - 674.
5. Pu, B. (2010). Video Facial Feature Tracking
with Enhanced ASM and Predicted Meanshift.
2010 Second International Conference on
Computer Modeling and Simulation, 151-155.
6. Schiavenato, M. B. (2008). Neonatal pain facial
expression: Evaluating the primal face of pain.
Pain 138, no. 2, 461-471.
7. Shota Yamamoto, Y. Y. (2013). Recognition of
a Baby's Emotional Cry Towards Robotics
Dinamika Teknologi
35