Pengenalan Wajah Dengan Metode Laplacianface.
Universitas Kristen Maranatha i
PENGENALAN WAJAH DENGAN METODE LAPLACIANFACE
R. Fraya Assyifa ( 0522036 )
Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha
Jln. Prof. Drg. Suria Sumantri 65, Bandung 40164, Indonesia
Email : fraya.nabil@hotmail.com
ABSTRAK
Teknik pengenalan wajah pada saat ini sangat penting dan dapat diaplikasikan pada banyak bidang, seperti untuk keperluan penegakan hukum maupun komersial. Banyak teknik pengembangan yang dilakukan, seperti misalnya metode Laplacianface. Komputer dapat menyerupai kemampuan otak manusia dalam berbagai tugas pengenalan wajah, terutama tugas-tugas yang membutuhkan pencarian pada databasewajah yang besar.
Tujuan Tugas Akhir ini adalah untuk merealisasikan perangkat lunak pengenalan wajah dengan menggunakan metode Laplacianface. Metode
Laplacianface dibangun oleh PCA (Principal Component Analysis) dan LPP (Locality Preserving Projection). Citra dianalisa dengan training set yang berisi database gambar wajah untuk dikenali sehingga dapat diimplementasikan untuk berbagai keperluan. Dalam Tugas Akhir ini perangkat lunak dirancang menggunakan Matlab.
Hasil pengujian menunjukkan bahwa hasil analisis dapat mengenali citra wajah yang diuji.
(2)
Universitas Kristen Maranatha ii
FACE RECOGNITION USING LAPLACIANFACES
R. Fraya Assyifa ( 0522036 )
Electrical Engineering, Maranatha Christian University Jl. Prof.Drg.Suria Sumantri, MPH no.65, Bandung, Indonesia.
Email : fraya.nabil@hotmail.com
ABSTRACT
The face recognition system are very important which is be applied at many fields, such as for authentication or commercial. Any research are performed to develop face recognition technique, such as Laplacianfaces method. Computers ability is similar with human brain's in recognition face people, especially tasks that require a search on a large database of faces.
This Final Project aims to realize software face recognition by using Laplacianfaces. Laplacianfaces method are developed by PCA (Principal Component Analysis) and LPP (Locality Preserving Projection). The image was analyzed with a training set containing the facial image databases for recognition that can be implemented for various purposes. In this final task was designed using the software Matlab.
The results showed that analysis can recognize the face image being tested.
(3)
Universitas Kristen Maranatha iii
DAFTAR ISI
ABSTRAK... i
ABSTRACT…... ii
KATA PENGANTAR…... iii
DAFTAR ISI…... v
DAFTAR TABEL…...…….. vii
DAFTAR GAMBAR...…….. viii
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah... 1
1.2 Identifikasi Masalah... 2
1.3 Tujuan…...…. 2
1.4 Pembatasan Masalah…...…... 2
1.5 Sistematika Penulisan... 3
BAB 2 LANDASAN TEORI 2.1 Pengertian Citra…...….…... 4
2.1.1 Implementasi Pengolahan Citra... 5
2.1.2 Proses Pengolahan Citra…..…... 5
2.2 Pengenalan Wajah... 5
2.3 Deteksi Wajah... 7
2.2.1 Segmentasi Kulit……….…………... 7
2.2.2 Proses Morfologi……….………... 10
2.2.3 Connected Region Analysis………... 11
2.2.4 Ekstraksi Wajah………. 11
2.4 PCA...……. 11
2.5 LPP...……. 13
(4)
Universitas Kristen Maranatha iv
BAB 3 PERANCANGAN PROGRAM
3.1 Input Data Citra Wajah... 16
3.2 Deteksi Wajah... 18
3.2.1 Segmentasi Kulit………. 19
3.2.2 Prose Morfologi... 19
3.2.3 Region Analysis... 21
3.2.4 Ekstraksi Gambar Wajah... 23
3.3 Algoritma Laplacianface ... 25
3.4 Perancangan Program Aplikasi.………..……… 27
3.4.1 Pengurangan Dimensi dengan PCA ... 27
3.4.2 Pembentukan Matriks Bobot ... 31
3.4.2.1 Pembentukan Graf nearest-neighbor... 31
3.4.2.2 Pemilihan Bobot... 32
3.4.3 Laplacianface... 33
3.4.4 Tahap Pengenalan...………... 36
3.5 Diagram Alir... 37
BAB 4 DATA PENGAMATAN 4.1 Simulasi ... 40
4.2 Data Pengamatan ...………. 44
4.3 Analisa ... 56
BAB 5 KESIMPULAN DAN SARAN 5.1 Kesimpulan... 57
5.2 Saran…...…… 57
DAFTAR PUSTAKA... ... 58
LAMPIRAN A KODE PROGRAM LAMPIRAN B DATABASE WAJAH
(5)
Universitas Kristen Maranatha v
DAFTAR TABEL
Tabel 4.1 Data Pengamatan Database 1 ... 44
Tabel 4.2 Data Pengamatan Database 2 ... 47
Tabel 4.3 Data Pengamatan Database 3 ... 50
(6)
Universitas Kristen Maranatha vi
DAFTAR GAMBAR
Gambar 2.1 Proses face recognition…... 6
Gambar 2.2 Proses deteksi wajah... 7
Gambar 2.3 Korelasi antara nilai Cb dan Cr ... 9
Gambar 2.4 Nilai Cb dan Cr untuk warna kulit... 9
Gambar 2.5 Proses erosi dan dilasi …... 12
Gambar 3.1 Blok Diagram Pengenalan Wajah dengan Metode Laplacianface...……… 16
Gambar 3.2 Diagram Alir Sistem Pengenalan Wajah...…………... 17
Gamvar 3.3 Diagram Alir Poses Deteksi Wajah... 18
Gambar 3.4 Diagram Alir Pembatasan Warna dan Proses Morfologi...…... 20
Gambar 3.5 Diagram Alir Proses Region Analysis... 22
Gambar 3.6 Diagram Alir Ekstraksi Gambar Wajah... 24
Gambar 3.7 Diagram Alir Pengurangan Dimensi dengan PCA... 37
Gambar 3.8 Diagram Alir Konstruksi Laplacianface... 38
Gambar 3.9 Diagram Alir Klasifikasi...… 39
Gambar 4.1 Simulasi Train Database... 41
Gambar 4.2 Simulasi Test Database……… 41
Gambar 4.3 Simulasi Input Gambar yang akan diujikan………. 42
Gambar 4.4 Input wajah yang diujikan………. 43
(7)
LAMPIRAN A
KODE PROGRAM
(8)
A-1 function recog
% Program utama
%=================================%
% LAPLACIANFACE %
%=================================% clear
close all clc
fprintf('\n1. Pilih Folder Train Database > '); Train.Path = uigetdir('C:\');
if Train.Path==0 return
end
fprintf('%s',Train.Path);
fprintf('\n2. Pilih Folder Test Database > ');
[file path]= uigetfile({'*.jpg','JPEG files (*.jpg)';'*.gif','GIF files (*.gif)'},'*.pgm','PGM files (*.pgm)'; ... 'Input Image','C:\'); if isequal(file,0) | isequal(path,0)
return else
Recog.Path = fullfile(path,file); end
fprintf('%s',Recog.Path); fprintf('\n3. Input Image '); im = imread(TestImage);
T = CreateDatabase(TrainDatabasePath); [m, A, Laplacianface] = Laplacianface(T);
OutputName = Recognition(TestImage, m, A, Laplacianface); SelectedImage = strcat(TrainDatabasePath,'\',OutputName); SelectedImage = imread(SelectedImage);
imshow(im) title('Test Image');
figure,imshow(SelectedImage); title('Equivalent Image');
str = strcat('Matched image is : ',OutputName); disp(str)
(9)
A-2 function recog = deteksiwajah(recog,Nxt,Nyt)
% Program untuk mendeteksi posisi wajah dari gambar % Masukan dan memisahkan bagian wajah.
%======================================= rgb = imread(recog.Path);
gray = rgb2gray(rgb); [Nx Ny M] = size(rgb); if M ~=3
error(['masukan harus berupa matriks MxNx3,'... ' atau matriks dari gambar berwarna'])
end
yuv = rgb2ycbcr(rgb); y = yuv(:,:,1);
cb = yuv(:,:,2); cr = yuv(:,:,3);
%menerapkan threshold pada Cb & Cr. cbb = zeros([Nx Ny]);
crr = zeros([Nx Ny]);
i1 = find(cb>105 & cb<125); i2 = find(cr>135 & cr<160); cbb(i1) = 1;
crr(i2) = 1;
bwimage = immultiply(cbb,crr);
%menerapkan filter pada gambar biner untuk menghilangkan noise pd gambar %yaitu operasi erosi dan dilasi
filt = strel('disk',2); filt2 = strel('disk',3);
bwimage = imerode(bwimage,filt); bwimage = imdilate(bwimage,filt2);
%memeriksa nilai euler pada bagian2 gambar.
%pada dasarnya sebuah wajah terdiri minimal atas 3 hole (lubang) %jadi sebuah wajah memiliki nilai euler < -1.
(10)
A-3 i = 0;
while i~=n
i = i+1;
% mencari koordinat daerah (region). [x,y] = find(l == i);
% mengambil daerah (region) yang dipilih saja bw = bwselect(bwimage,y,x);
% mencari nilai euler dari region. eul = bweuler(bw);
% memeriksa nilai euler, sebuah wajah minimal memiliki lebih % dari 2 lubang (hole)
if (eul < -1) i = n; end; end
%mencari batas wajah bw = bwfill(bw,'holes'); bawah = 0;
atas = Ny; kanan = 0; kiri = Nx; for i = 1:Nx for j = 1:Ny if bw(i,j) == 1
if bawah < i %mencari titik atas bawah = i;
end
if atas > i %mencari titik bawah atas = i;
end
if kanan < j %mencari titik kiri kanan = j;
end
if kiri > j %mencari titik kanan kiri = j;
(11)
A-4 end
end end
panjang = (bawah-atas); lebar = (kanan-kiri); ratio = panjang / lebar; if ratio > 1.5
panjang = floor(1.5 * lebar); bw(atas+panjang:Nx,:) = 0; end
%menghitung posisi tengah wajah [cx, cy] = center(bw);
startx = cx - floor(panjang/2); starty = cy - floor(panjang/2); % memisahkan wajah dari gambar
recog.Posisi = [startx, starty, panjang, panjang]; keluaran = imcrop(gray,recog.Posisi);
(12)
A-5 function [xmean, ymean] = center(bw)
% menghitung posisi tengah wajah pada topeng area = bwarea(bw);
[m n] =size(bw); xmean =0; ymean = 0; for i=1:m,
for j=1:n,
xmean = xmean + j*bw(i,j); ymean = ymean + i*bw(i,j); end;
end;
xmean = xmean/area; ymean = ymean/area; xmean = round(xmean); ymean = round(ymean);
(13)
A-6 function [m,A,PCA] = PCA(T)
% menghitung PCA
%===================================================
[Wpca,train] = PCA(data,options);
X = double(reshape(train.Image, [irow*icol]))./255; % 1 kolom per wajah m = mean(T,2)
A = [];
for i = 1 : Train_Number
temp = double(T(:,i)) - m; % Menjumlahkan perbedaan image dari masing-masing training set Ai = Ti - m
A = [A temp]; % Menyatukan semua nilai tengah gambar End
C = A'*A; [V D] = eig(C);
% mengurutkan eigen vektor berdasarkan besar nilai eigen % dari besar ke kecil untuk mendapatkan vektor dominan [eigVal ndx] = sort(diag(D),'descend');
V = V(:,ndx);
% mengambil N-C komponen dengan nilai eigen terbesar % mencari eigen vektor
eigVec = A * V;
% normalisasi eigen vektor --> PCA(eigenface)
Wpca = eigVec./repmat(sqrt(sum(eigVec.^2)),irow*icol1); Wpca = Wpca(:,1:Mp);
(14)
A-7
function [eigvector,eigvalue] = LPP(X, W, options) % menghitung Laplacianfaces
%================================= [eigvector, eigvalue] = LPP(X, W, options);
X = double(reshape(train.Image, [irow*icol]))./255; % 1 kolom per wajah m = mean(T,2)
A = X - repmat(me,[1 M]);
D=diag(sum(W)); % L= D-W; L=W;
DPrime=transpose(new_tou)*D*new_tou; DPrime=(DPrime+transpose(DPrime))/2; LPrime=transpose(new_tou)*L*new_tou; LPrime=(LPrime+transpose(LPrime))/2; % mencari eigen vektor dan nilai eigen
[eigvector, LPPeigvalue] = eig(LPrime,DPrime); % mengurutkan vektor eigen dengan nilai eigen terbesar LPPeigvalue = diag(LPPeigvalue);
[junk, index] = sort(-LPPeigvalue); LPPeigvalue = LPPeigvalue(index); eigvector = eigvector(:,index);
LPPeigvalue = ones(length(LPPeigvalue),1) - LPPeigvalue; LPPeigvector = PCAeigvector*eigvector;
(15)
A-8 function [recog] = eudist(recog,train,W,thresh) % Klasifikasi
%=================================================
% mencari ukuran gambar, [eigenvector eigenvalue], dan banyaknya training images, M
[eigvector, eigvalue] = LPP(X, W, options); % Inisialisasi input face
Mp = length(Wp(1,:));
X2= double(reshape(recog.Image, [irow*icol] 1))./255; %input image dalam matrik kolom
A2 = X2 - train.Mean;
% Proyeksi input face ke seluruh laplacianface, mencari bobot masing2 % laplacianface
recog.Wt = Wp'*A2; % rekonstruksi input face
recog.reConstructed = Wp*recog.Wt + train.Mean;
% mencari jarak Euclidian dari input face terhadap masing2 training images recog.Dist = zeros(M,1);
for i = 1:M % banyaknya training images x = recog.Wt - train.Wt(:,i);
recog.Dist(i) = x'*x; end
% Klasifikasi menggunakan Nearest-Neighbor dengan thresholds:
% thresh => batas jarak Euclidian, untuk gambar input dapat dinyatakan % terdapat pada training images
[minDis ndx] = min(recog.Dist); if minDis > thresh
recog.classNameEst = 'Tidak Dikenali'; recog.classEst = ndx;
else
recog.classNameEst = train.NamaFile{ndx}; recog.classEst = ndx;
end
(16)
B-0
LAMPIRAN B
DATABASE WAJAH
(17)
(18)
(19)
(20)
(21)
(22)
(23)
(24)
(25)
(26)
1 Universitas Kristen Maranatha
BAB 1
PENDAHULUAN
1. 1 Latar Belakang
Saat ini perkembangan jaman menuntut berbagai aplikasi serba cepat namun tetap akurat. Permintaan kebutuhan akan kemudahan identifikasi semakin marak. Aplikasi identifikasi citra banyak diaplikasikan dalam berbagai aspek di kehidupan sehari-hari. Banyak cara dan berbagai pengembangan dilakukan untuk mendapatkan analisa sebuah citra dengan hasil maksimum, cepat dan akurat.
Teknologi biometrics adalah teknologi keamanan yang menggunakan bagian tubuh sebagai identitas. Secara medis dikatakan bahwa ada beberapa bagian tubuh kita yang sangat unik, dimana tidak dimiliki oleh lebih dari satu individu. Tujuan utama menganalisa suatu citra wajah adalah untuk mengenali siapa pemilik wajah tersebut yang kemudian bisa dikembangkan untuk mendapatkan informasi identitas data diri seseorang ataupun dapat digunakan sebagai alat verifikasi.
Pengenalan wajah dengan metode Laplacianface adalah menggabungkan dua teknik analisis, yaitu Principal Component Analysis (PCA) dan Locality Preserving Projections (LPP). PCA berfungsi untuk melestarikan struktur global, sementara LPP merupakan metode linear yang dapat mempertahankan struktur lokal untuk mendapatkan subruang wajah. Setiap gambar wajah pada ruang gambar dipetakan ke subruang wajah berdimensi rendah yang dikarakteristikan dengan sebuah set dari gambar-gambar yang diutamakan, yaitu Laplacianface.
(27)
Bab 1 Pendahuluan
Universitas Kristen Maranatha 2
1. 2 Identifikasi Masalah
Bagaimana merancang dan merealisasikan perangkat lunak untuk menganalisa citra dengan menggunakan metode Laplacianface?
Bagaimana hasil akhir citra yang keluar, apakah sesuai dengan yang diharapkan?
1. 3 Tujuan
Merealisasikan penganalisaan citra wajah dengan menggunakan metode
Laplacianface.
Memastikan hasil percobaan yang diujikan, apakah sesuai dengan yang diharapkan.
1. 4 Pembatasan Masalah
Masukan gambar berupa citra wajah.
Banyak wajah dalam gambar masukan yang akan diuji, maksimum hanya terdapat satu wajah.
Latar belakang gambar yang akan diuji sederhana atau terdiri atas satu warna (uniform).
Gambar yang diproses dalam satu database memiliki ukuran yang sama dan maksimal 200 x 200 piksel.
(28)
Bab 1 Pendahuluan
Universitas Kristen Maranatha 3
1. 5 Sistematika Penulisan
Laporan Tugas akhir ini disusun dengan sistematika sebagai berikut :
Bab I Pendahuluan
Bab ini berisi latar belakang masalah, identifikasi masalah, tujuan, pembatasan masalah dan sistematika penulisan.
Bab II Landasan Teori
Bab ini berisi penjelasan singkat mengenai referensi yang berkaitan dengan metode pengenalan wajah dengan metode Laplacianface.
Bab III Realisasi Pengenalan Wajah
Bab ini berisi perancangan program yang digunakan, penjelasan program dan diagram alir perancangan program.
Bab IV Data Pengamatan
Bab ini berisi tentang hasil data pengamatan pengenalan citra dengan pengujian program yang telah dilakukan dalam Tugas Akhir ini.
Bab V Kesimpulan dan Saran
(29)
57 Universitas Kristen Maranatha
BAB 5
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan data analisis yang telah diperoleh pada penelitian ini dapat disimpulkan sebagai berikut:
1. Proses pengenalan wajah pada sistem pengenalan wajah dengan metode
Laplacianface untuk gambar yang terdapat dalam database memiliki tingkat akurasi 100%.
2. Proses pengenalan wajah pada sistem pengenalan wajah dengan metode
Laplacianface untuk gambar yang tidak terdapat dalam database memiliki tingkat akurasi 73%
3. Tingkat akurasi keseluruhan, baik gambar yang terdapat dalam training set
maupun di luar data training set adalah 86,5%.
4. Metode Laplacianface berhasil 100% apabila gambar yang diujikan memiliki data yang sama dengan database.
5.2 Saran
Beberapa saran yang dapat diajukan untuk pengembangan program bagi para peneliti lain adalah:
1. Menambahkan modul pengenalan dengan database identitas. Sehingga bisa sekaligus menampilkan identitas dan informasi orang tersebut.
2. Menambahkan algoritma input melalui kamera. Sehingga input tidak hanya berupa foto maupun gambar.
3. Memadukan program aplikasi pengenalan wajah dengan program pengenalan lainnya, misal pengenalan sidik jari, pengenalan suara, dan lain sebagainya.
(30)
58 Universitas Kristen Maranatha
DAFTAR PUSTAKA
1. Ch. Wijaya, Marvin dan Agus Prijono. 2007. Pengolahan Citra Digital Menggunakan Matlab. Bandung : Informatika Bandung
2. Cover, T., Hart. P. “Nearest neighbor pattern classification”, IEEE Transactions on Information Theory 13, p21-27, 1997.
3. Dyah, 2007, Pengantar Pengolahan Citra Digital,
http://blog.its.ac.id/dyah03tc/2007/10/25/pengantar-pengolahan-citra-digital/
4. Hoi, Hyun., Kim, James., “Survey Paper: Face Detection And Face
Recognition”.
5. Li, Stan Z., ”Face Detection”, Handbook of Face Recognition, Des 2004. 6. M.Belkin dan Partha Niyogi. “Laplacian Eigenmaps and Spectral
Techniquesfor Embedding and Clustering”, Advances in Neural Information Processing System 15, Vancouver, British Columbia, Canada, 2001.
7. Mohsin, Waqar., Ahmed, Noman., Mar, Chung-tse., “Face Detection
Project”, Department of Electrical Engineering, Stanford University, 2003. 8. Smith, Lindsay., “Tutorial On Principal Component Analysis”, The Math
Works, Inc., 2002.
9. Xiaofei He dan Partha Niyogi. “Locality Preserving Projections”, Advances in Neural Informaton Processing Systems, Vol. 16, 2003.
10.Xiaofei He, Shuicheng Yan, Yuxiao Hu, dan Hong-Jiang Zhang., “Face Recognition Using Laplacianfaces”, 2005.
11.Yale Univ. Face Database,
http://cvc.yale.edu/projects/yalefaces/yalefaces.html. 2002
12.Zhao W., Chellapa R., Phillips P.J., “Face recognition: survey paper”, ACM Computing Surveys Vol. 35 No. 4, 2003.
(1)
(2)
1 Universitas Kristen Maranatha
BAB 1
PENDAHULUAN
1. 1 Latar Belakang
Saat ini perkembangan jaman menuntut berbagai aplikasi serba cepat namun tetap akurat. Permintaan kebutuhan akan kemudahan identifikasi semakin marak. Aplikasi identifikasi citra banyak diaplikasikan dalam berbagai aspek di kehidupan sehari-hari. Banyak cara dan berbagai pengembangan dilakukan untuk mendapatkan analisa sebuah citra dengan hasil maksimum, cepat dan akurat.
Teknologi biometrics adalah teknologi keamanan yang menggunakan bagian tubuh sebagai identitas. Secara medis dikatakan bahwa ada beberapa bagian tubuh kita yang sangat unik, dimana tidak dimiliki oleh lebih dari satu individu. Tujuan utama menganalisa suatu citra wajah adalah untuk mengenali siapa pemilik wajah tersebut yang kemudian bisa dikembangkan untuk mendapatkan informasi identitas data diri seseorang ataupun dapat digunakan sebagai alat verifikasi.
Pengenalan wajah dengan metode Laplacianface adalah menggabungkan dua teknik analisis, yaitu Principal Component Analysis (PCA) dan Locality Preserving Projections (LPP). PCA berfungsi untuk melestarikan struktur global, sementara LPP merupakan metode linear yang dapat mempertahankan struktur lokal untuk mendapatkan subruang wajah. Setiap gambar wajah pada ruang gambar dipetakan ke subruang wajah berdimensi rendah yang dikarakteristikan dengan sebuah set dari gambar-gambar yang diutamakan, yaitu Laplacianface.
(3)
Bab 1 Pendahuluan 2
1. 2 Identifikasi Masalah
Bagaimana merancang dan merealisasikan perangkat lunak untuk menganalisa citra dengan menggunakan metode Laplacianface?
Bagaimana hasil akhir citra yang keluar, apakah sesuai dengan yang diharapkan?
1. 3 Tujuan
Merealisasikan penganalisaan citra wajah dengan menggunakan metode Laplacianface.
Memastikan hasil percobaan yang diujikan, apakah sesuai dengan yang diharapkan.
1. 4 Pembatasan Masalah
Masukan gambar berupa citra wajah.
Banyak wajah dalam gambar masukan yang akan diuji, maksimum hanya terdapat satu wajah.
Latar belakang gambar yang akan diuji sederhana atau terdiri atas satu warna (uniform).
Gambar yang diproses dalam satu database memiliki ukuran yang sama dan maksimal 200 x 200 piksel.
(4)
Bab 1 Pendahuluan
Universitas Kristen Maranatha 3
1. 5 Sistematika Penulisan
Laporan Tugas akhir ini disusun dengan sistematika sebagai berikut : Bab I Pendahuluan
Bab ini berisi latar belakang masalah, identifikasi masalah, tujuan, pembatasan masalah dan sistematika penulisan.
Bab II Landasan Teori
Bab ini berisi penjelasan singkat mengenai referensi yang berkaitan dengan metode pengenalan wajah dengan metode Laplacianface.
Bab III Realisasi Pengenalan Wajah
Bab ini berisi perancangan program yang digunakan, penjelasan program dan diagram alir perancangan program.
Bab IV Data Pengamatan
Bab ini berisi tentang hasil data pengamatan pengenalan citra dengan pengujian program yang telah dilakukan dalam Tugas Akhir ini.
Bab V Kesimpulan dan Saran
(5)
BAB 5
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan data analisis yang telah diperoleh pada penelitian ini dapat disimpulkan sebagai berikut:
1. Proses pengenalan wajah pada sistem pengenalan wajah dengan metode Laplacianface untuk gambar yang terdapat dalam database memiliki tingkat akurasi 100%.
2. Proses pengenalan wajah pada sistem pengenalan wajah dengan metode Laplacianface untuk gambar yang tidak terdapat dalam database memiliki tingkat akurasi 73%
3. Tingkat akurasi keseluruhan, baik gambar yang terdapat dalam training set maupun di luar data training set adalah 86,5%.
4. Metode Laplacianface berhasil 100% apabila gambar yang diujikan memiliki data yang sama dengan database.
5.2 Saran
Beberapa saran yang dapat diajukan untuk pengembangan program bagi para peneliti lain adalah:
1. Menambahkan modul pengenalan dengan database identitas. Sehingga bisa sekaligus menampilkan identitas dan informasi orang tersebut.
2. Menambahkan algoritma input melalui kamera. Sehingga input tidak hanya berupa foto maupun gambar.
3. Memadukan program aplikasi pengenalan wajah dengan program pengenalan lainnya, misal pengenalan sidik jari, pengenalan suara, dan lain sebagainya.
(6)
58 Universitas Kristen Maranatha
DAFTAR PUSTAKA
1. Ch. Wijaya, Marvin dan Agus Prijono. 2007. Pengolahan Citra Digital Menggunakan Matlab. Bandung : Informatika Bandung
2. Cover, T., Hart. P. “Nearest neighbor pattern classification”, IEEE Transactions on Information Theory 13, p21-27, 1997.
3. Dyah, 2007, Pengantar Pengolahan Citra Digital,
http://blog.its.ac.id/dyah03tc/2007/10/25/pengantar-pengolahan-citra-digital/
4. Hoi, Hyun., Kim, James., “Survey Paper: Face Detection And Face Recognition”.
5. Li, Stan Z., ”Face Detection”, Handbook of Face Recognition, Des 2004. 6. M.Belkin dan Partha Niyogi. “Laplacian Eigenmaps and Spectral
Techniquesfor Embedding and Clustering”, Advances in Neural Information Processing System 15, Vancouver, British Columbia, Canada, 2001.
7. Mohsin, Waqar., Ahmed, Noman., Mar, Chung-tse., “Face Detection Project”, Department of Electrical Engineering, Stanford University, 2003. 8. Smith, Lindsay., “Tutorial On Principal Component Analysis”, The Math
Works, Inc., 2002.
9. Xiaofei He dan Partha Niyogi. “Locality Preserving Projections”, Advances in Neural Informaton Processing Systems, Vol. 16, 2003.
10.Xiaofei He, Shuicheng Yan, Yuxiao Hu, dan Hong-Jiang Zhang., “Face Recognition Using Laplacianfaces”, 2005.
11.Yale Univ. Face Database,
http://cvc.yale.edu/projects/yalefaces/yalefaces.html. 2002
12.Zhao W., Chellapa R., Phillips P.J., “Face recognition: survey paper”, ACM Computing Surveys Vol. 35 No. 4, 2003.