LAPORAN PENELITIAN MANDIRI

PENDETEKSIAN TARGET WAJAH MANUSIA DENGAN METODE VIOLA-

JONES

Oleh :

I G.A. Widagda, S.Si, M.Kom

I Ketut Sukarasa, S.Si., M.Si

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS UDAYANA

2017

iii

ABSTRAK

Dewasa ini pendeteksi target wajah manusia menjadi salah satu bidang yang

sangat berkembang. Beberapa pemakaian alat yang mempunyai kemampuan tersebut

terbentang luas seperti : pencarian pelaku kriminal, sistem pengaksesan ruangan, interface

antara manusia dengan komputer. Banyak metode yang dapat dipakai untuk mendeteksi

target wajah pada manusia salah satunya adalah algoritma Viola-Jones.

Algoritma Viola-Jones adalah sebuah algoritma yang dapat dipakai untuk

medeteksi objek pada citra. Pada penelitian ini telah dirancang program aplikasi

pendeteksi wajah dengan algoritma Viola-Jones. Program aplikasi diimplementasikan

dengan MATLAB R2015α. Hasil penelitian menunjukkan dari 10 citra sampel maka ada

8 citra berhasil terdeteksi wajah dan 2 citra gagal. Kegagalan dua citra tersebut

disebabkan karena objek wajah yang terkandung dalam citra tersebut berada pada posisi

menghadap ke samping sekitar 45° sampai 90°.

Kata Kunci : Algoritma Viola-Jones, Wajah, Deteksi

iv

ABSTRACT

Nowadays the detection of human faces is one of the most developed fields. The

applications of tools with such capabilities extend from searching criminals, room acces

systems, to human interaction with computers. There are many ways to detect human

faces with various existing methods, one of them is the Viola-Jones algorithm.

Viola-Jones method is an algorithm that can be used to detect object in the image.

In this work, It has been designed a face detection application base on Viola-Jones

algorithm. The application is implemented by using MATLAB R2015α. The results

showed from 10 samples image the 8 images succesfully detected faces and 2 images

failed. The failure of the two images is due to the contained face object in the image being

in a side-facing position around 45° to 90°.

Keywords : The Viola-Jones algorithm, Face, Detection

v

KATA PENGANTAR

Puji syukur penulis haturkan kehadapan Tuhan Yang Maha Esa karena berkat

rahmatNya sehingga karya tulis dengan judul”Pendeteksian Target Wajah Manusia

Dengan Metode Algoritma Viola-Jones” dapat diselesaikan seperti yang diharapkan.

Penulis sadar bahwa tanpa dukungan dan saran dari beberapa pihak, maka karya

tulis ini tidak bisa penulis selesaikan. Oleh karena itu, pada kesempatan ini penulis

mengucapkan terima kasih kepada :

1. Bapak Ketua Program Studi Fisika, FMIPA, Unud

2. Teman-teman, Bapak dan Ibu Dosen Prodi Fisika, FMIPA, Unud yang telah

memberikan masukan dan saran kepada penulis.

Penulis juga sadar bahwa karya tulis ini masih banyak kekurangannya. Penulis

sangat mengharapkan kritik serta saran yang bersifat konstruktif dari semua pihak demi

penyempurnaan dari karya tulis ini.

Bukit Jimbaran, Desember 2017

Penulis

vi

DAFTAR ISI

Halaman

HALAMAN JUDUL .................................................................................................. i

LEMBAR PENGESAHAN ....................................................................................... ii

ABSTRAK .................................................................................................................. iii

ABSTRACT ................................................................................................................ iv

KATA PENGANTAR ................................................................................................ v

DAFTAR ISI .............................................................................................................. vi

DAFTAR TABEL ...................................................................................................... vii

DAFTAR GAMBAR .................................................................................................. viii

BAB I PENDAHULUAN ........................................................................................... 1

1.1 Latar Belakang ........................................................................................... 1

1.2 Rumusan Masalah ...................................................................................... 2

1.3 Batasan Masalah ........................................................................................ 2

1.4 Tujuan ........................................................................................................ 2

1.5 Manfaat ...................................................................................................... 2

1.6 Sistematika ................................................................................................. 2

BAB II TINJAUAN PUSTAKA ............................................................................... 4

2.1 Wajah ........................................................................................................ 4

2.2 Biometrik .................................................................................................. 4

2.2.1 Definisi Biometrik ......................................................................... 4

2.2.2 Penerapan Teknologi Biometrik ................................................... 5

2.3 Matlab ....................................................................................................... 6

2.4 Deteksi Wajah ........................................................................................... 6

2.5 Algoritma Viola-Jones .............................................................................. 8

2.6 Prinsip Kerja Deteksi Wajah Dengan Viola ............................................. 8

2.6.1 Haar-Like Feature ........................................................................ 10

2.6.2 Integral Image ............................................................................... 12

2.6.3 Adaptive Boosting ......................................................................... 13

2.6.4 Cascade Classifier ........................................................................ 14

vii

BAB III METODE PENELITIAN ........................................................................... 16

3.1 Waktu dan Tempat .................................................................................... 16

3.2 Sumber Data .............................................................................................. 16

3.3 Alat dan Bahan .......................................................................................... 16

3.4 Diagram Alir ............................................................................................. 17

BAB IV HASIL DAN PEMBAHASAN ................................................................... 17

4.1. Hasil .......................................................................................................... 18

4.2. Tampilan Graphical User Interface (GUI) ............................................... 18

4.3. Pengujian ................................................................................................... 18

4.4. Pembahasan ............................................................................................... 20

BAB V KESIMPULAN DAN SARAN ..................................................................... 23

5.1 Kesimpulan ............................................................................................... 23

5.2 Saran ......................................................................................................... 23

DAFTAR PUSTAKA ................................................................................................. 24

ix

DAFTAR TABEL

Halaman

Tabel 4.1 Hasil deteksi wajah dengan Viola-Jones ................................................... 20

x

DAFTAR GAMBAR

Halaman

Gambar 2.1 Pendeteksian Wajah ................................................................................. 7

Gambar 2.2 Skema Proses Pendeteksian Wajah dengan Metode Viola-Jones ............ 9

Gambar 2.3 Jenis Haar-Like Feature .......................................................................... 11

Gambar 2.4 Contoh Citra Integral ............................................................................... 12

Gambar 2.5 Perhitungan Integral Image ..................................................................... 13

Gambar 2.6 Tahap-tahap Cascade Classifier ............................................................... 14

Gambar 3.1 Diagram Alir Metode Viola-Jones ........................................................... 17

Gambar 4.1 Tampilan GUI Aplikasi Viola-Jones ....................................................... 18

Gambar 4.2 Hasil Aplikasi terhadap 1 target wajah .................................................... 19

Gambar 4.3 Hasil Aplikasi terhadap 4 target wajah .................................................... 19

Gambar 4.4 Hasil Aplikasi terhadap target wajah miring 450-900 .............................. 19

1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Dewasa ini perkembangan ilmu serta teknologi dari sistem pendeteksi objek

sudah berkembang dengan sangat pesat. Sistem pendeteksian objek ini bisa

diaplikasikan pada sebuah benda atau pada anggota tubuh manusia. Teknologi

biometrik merupakan teknologi yang memanfaatkan anggota tubuh manusia sebagai

objek pendeteksian. Teknologi inilah yang dipakai sebagai dasar sistem pendeteksi

pada anggota tubuh manusia. Dalam bidang medis sudah diketahui bahwa beberapa

anggota tubuh manusia bersifat unik atau berbeda dengan manusia lainnya. Salah

satu bagian tubuh tersebut adalah wajah. Perbedaan wajah manusia disebabkan

karena perubahan atau perbedaan ekspresi wajah seperti : tertawa, senyum, marah,

sedih, dan lain-lain.

Banyak metode-metode yang telah diaplikasikan untuk mendeteksi atau

mengenali wajah manusia. Metode-metode itu adalah Artificial Neural Network,

Fourier Decomposition, Eigenface, Fisherface, Hidden Markov Models, Principal

Component Analysis. Yanti (2013), menggunakan metode Fourier Decomposition

atau Dekomposisi Fourier untuk mengenali wajah.

Media sosial seperti Facebook merupakan salah satu media aplikasi yang

telah menerapkan pendektesian wajah manusia. Dimana sebuah foto yang di-upload

maka secara otomatis akan mendeteksi wajah manusia tersebut.

Dewasa ini banyak penelitian tentang pendeteksian wajah berkembang

dengan sangat cepat. Aplikasi komersial tentang pendeteksian wajah telah banyak

diimplementasikan tetapi teknologi ini pada dasarnya masih belum sempurna.

Berbagai riset terus dikembangkan untuk mencapai hasil yang diharapkan. Salah satu

yang dapat ditambah atau ditingkatkan dalam pengembangan teknologi pengenalan

wajah yaitu meningkatkan kecepatan atau waktu komputasi pendeteksian wajah.

Banyak metode telah diaplikasikan pada pendeteksian target wajah, salah satunya

yaitu dengan memakai algoritma Viola-Jones. Metode Viola-Jones mempunyai

tingkat keakuratan yang cukup tinggi. Hal ini karena dalam metode ini beberapa

konsep digabungkan menjadi sebuah metode untuk mendeteksi objek (wajah)

2

1.2 Rumusan Masalah

Berdasarkan uraian pada latar belakang masalah maka rumusan masalah pada

penelitian ini adalah :

1. Bagaimana merancang aplikasi yang bisa mendeteksi target wajah dengan

menggunakan algoritma Viola-Jones

2. Bagaimana cara kerja algoritma Viola-Jones dalam mendeteksi target wajah dan

penerapannya dalam sebuah aplikasi.

1.3 Batasan Masalah

Adapun batasan masalahnya adalah :

1. Wajah yang dideteksi adalah posisi tegak lurus.

2. Wajah yang dideteksi hanya meliputi mata, hidung, mulut, pipi, dagu (tidak

termasuk rambut dan telinga).

1.4 Tujuan

Adapun tujuan dari penelitian ini yaitu :

1. Untuk merancang aplikasi pendeteksi target wajah dengan metode Viola-Jones.

2. Untuk memahami cara kerja dan penerapan algoritma Viola-Jones dalam

pendeteksian target wajah.

1.5 Manfaat

Manfaat dari penelitian ini adalah dapat digunakan sebagai referensi atau

acuan untuk melakukan pendeteksian wajah menggunakan sebuah aplikasi matlab.

Selain itu, juga dapat memahami langkah-langkah, cara kerja, dan penerapan

algoritma viola-jones.

1.6 Sistematika Penulisan

Berikut ini merupakan sistematika penulisan laporan penelitian ini :

BAB I PENDAHULUAN

3

Dalam bab ini berisi tentang penjelasan umum mengenai penelitian yang penulis

lakukan. Penjelasan tersebut meliputi latar belakang, rumusan masalah, batasan

masalah, tujuan, manfaat, dan sistematika penulisan.

BAB II TINJAUAN PUSTAKA

Dalam bab ini berisi penjelasan tentang pengertian dan pemahaman penulis yang

diperoleh dari buku, makalah dan jurnal yang terkait dengan penelitian ini.

BAB III METODOLOGI PENELITIAN

Dalam bab ini berisi tentang alat, bahan serta metode atau cara penelitian

BAB IV HASIL DAN PEMBAHASAN

Dalam bab ini berisi tentang pembahasan dan hasil meliputi pembuatan tampilan

antarmuka (User Interface), kode program dan pengujian terhadap aplikasi yang

dibangun.

BAB V KESIMPULAN DAN SARAN

Dalam bab ini berisikan kesimpulan dan saran.

4

BAB II

TINJAUAN PUSTAKA

2.1 Wajah

Wajah adalah merupakan salah satu bagian dari tubuh manusia yang

menjadi pusat perhatian ketika melakukan interaksi dengan orang lain. Definisi

wajah menurut kamus besar bahasa indonesia merupakan bagian dari kepala; raut

muka. Menurut Wikipedia Indonesia, wajah atau muka merupakan bagian depan

dari kepala manusia yang terdiri dari : dahi sampai dagu, rambut, alis, hidung,

pipi, mata, mulut, bibir, gigi serta kulit. Wajah biasanya dipergunakan untuk

mengekspresikan diri, penampilan, serta identitas. Wajah bersifat unik yaitu

satupun tidak ada wajah yang mutlak serupa, sekalipun pada manusia kembar

identik.

Wajah adalah bagian tubuh manusia yang dapat dikenali menggunakan

teknologi biometrik. Pada teknologi biometrik, ciri-ciri fisik dari manusia seperti

wajah dapat dipakai sebagai informasi yang unik. Informasi unik tersebut dapat

berupa karakteristik dari pola wajah dari tiap-tiap individu. Karakteristik dari pola

wajah dapat diukur dan dianalisis untuk proses deteksi. Oleh sebab itu maka wajah

dapat dijadikan ciri (feature) atau tanda untuk pengenalan seseorang.

2.2 Biometrik

2.2.1 Definisi Biometrik

Biometrik berasal dari bahasa Yunani yaitu bios dan metron. Bios artinya

hidup dan metron artinya yaitu mengukur. Jadi Biometrik bisa diartikan dengan

metode otomatis untuk mengidentifikasi seseorang individu berdasar pada satu atau

lebih bagian tubuh dari manusia atau sikap dari manusia itu sendiri yang bersifat

khusus atau istimewa. Teknologi biometrik biasanya diaplikasikan untuk

menganalisa fisik dan sikap manusia untuk tujuan autentifikasi.

Biometrik merupakan teknologi yang bisa dipakai untuk mengindentifikasi

seseorang berdasarkan pada ciri fisiologis (physiological) yaitu ciri-ciri pada tubuh

yang bersifat unik. Kenyataannya ada beberapa bagian tubuh manusia yang tidak

5

serupa dengan manusia lainnya, seperti wajah, sidik jari, serta retina mata. Pada

dasarnya mata manusia memiliki bentuk dan warna yang sama, akan tetapi retina

umumnya tidak sama. Demikian halnya dengan dengan suara, tekstur wajah, dan

sidik jari. Bagian-bagian tubuh inilah yang selanjutnya dikembangkan dan dipakai

sebagai atribut misalnya dalam bidang keamanan.

2.2.2 Penerapan Teknologi Biometrik

Aplikasi Teknologi Biometrik untuk tiap-tiap bidang tentunya berbeda-beda.

Beberapa aplikasi sudah dapat dijumpai di pasaran akan tetapi beberapa aplikasi

lainnya masih dalam proses penelitian. Aplikasi biometrik untuk otentikasi, maka

ciri-ciri (feature) biometrik terlebih dahulu disimpan ke dalam database dari sebuah

sistem aplikasi. Kita dapat memakai teknik biometrik ini untuk berbagai aplikasi,

akan tetapi biometrik tidak dapat dipakai untuk hal-hal sifatnya rahasia. Meskipun

biometrik sangat bermanfaat tetapi biometrik bukanlah merupakan suatu kunci,

sebab tidak bisa disembunyikan, tidak bisa diacak, dan tidak bisa diubah atau

dimusnahkan.

Ada banyak penerapan teknologi biometrik yang sudah berkembang pesat

sampai saat ini. Beberapa pemakaian biometrik yang telah diterapkan pada berbagai

alat. Dampak positif dan negatifnya ketika dipakai untuk menggantikan password

atau kata sandi.

1. Pemindaian sidik jari (finger print Scanner)

Salah satu bentuk penerapan teknologi biometrik adalah alat pemindaian

sidik jari (finger print). Alat pemindai sidik jari bekerja atas dasar pemindaian pola

alur-alur dari permukaan kulit jari. Salah satu contoh aplikasi alat pemindaian sidik

jari adalah sensor sidik jari pada smartphone.

2. Pengenalan suara (Voice Recognition)

Dewasa ini pengenalan biometrik berdasarkan suara sudah banyak

dipergunakan. Namun pada dasarnya teknologi ini masih terus disempurnakan dan

diharapkan dapat lebih berkembang pesat di tahun yang akan datang. Teknik

pengenalan suara prinsipnya berbeda dengan teknik pengenalan perkataan (speech

recognition). Teknik pengenalan suara bekerja bertujuan untuk mengenali

karakteristik suara dari seseorang. Disamping itu suara benar-benar bersifat unik dan

tidak dapat ditiru ketika dipakai untuk mengidentifikasi suara pengguna. Terdapat

6

kekurangan atau kelemahan dari metode pengenalan suara diantaranya yaitu : suara

latar bisa mengganggu atau mempengaruhi tingkat keakuratan identifikasi.

Disamping itu beberapa gangguan seperti penyakit iritasi tenggorokan yang bisa

menimbulkan perubahan suara sehingga menurunkan tingkat keakuratan proses

identifikasi.

3. Pengenalan wajah (Face Recognition)

Aplikasi pengenalan wajah melakukan proses pengidentifikasian wajah

seseorang yang sebelumnya telah dilakukan proses identifikasi wajah berdasarkan

ciri-ciri (feature) tertentu yaitu : lebar hidung, jarak antar mata, dan bentuk tulang

pipi. Proses pendeteksian wajah (face detection) adalah merupakan proses awal

sebelum dilakukan proses pengenalan wajah (face recognition). Kelemahan dari

metode pengenalan wajah yaitu metode ini belum aman seratus persen. Beberapa

Sistem aplikasi tertentu bisa diretas dengan memakai foto target user. Akan tetapi

tidak semua sistem memiliki kekurangan seperti ini. Faktor kenyamanan bukanlah

masalah pada metode pengenalan wajah. Namun faktor lain yang juga sangat penting

untuk diperhatikan dari metode ini adalah pemilihan perangkat lunak yang

digunakan. Perangkat lunak aplikasi yang digunakan secara khusus masih bisa

mengenali wajah pada berbagai kondisi tertentu seperti : perbedaan intensitas

pencahayaan, wajah dilengkapi dengan berbagai aksesoris seperti kacamata dan topi.

2.3 Matlab

Matlab merupakan sebuah perangkat lunak yang memiliki lingkungan

komputasi numerik. Matlab adalah merupakan salah satu bahasa pemrograman

generasi keempat. Matlab dikembangkan oleh The MathWorks Corp. Matlab bisa

melakukan manipulasi matriks, membuat plot fungsi serta data,

mengimplementasikan algoritma, perancangan Graphical User Interface dan lain-

lain. Disamping itu matlab juga banyak mempunyai fungsi pustaka (library) yang

dapat dipakai untuk menyelesaikan kasus matematika seperti : mensimulasikan

fungsi, pemodelan matematika serta perancangan Graphical User Interface.

Sehingga, matlab banyak dipakai oleh para programmer yang menginginkan

kepraktisan dalam menuliskan kode program.

7

2.4 Pendeteksian Target Wajah

Metode pendeteksi target wajah banyak dipergunakan pada pengolahan citra

digital. Metode ini merupakan dasar untuk melacak dan mengenali (recognition)

wajah seseorang. Metode pendeteksi target wajah dapat dipakai untuk mencari lokasi

serta ukuran objek pada citra. Pendeteksian target wajah dapat dilakukan pada

kondisi variasi wajah, perbedaan tampilan, perbedaan pencahayaan, serta variasi

pose dari wajah. Aplikasi dari metode pendeteksi wajah manusia dengan

menggunakan kamera adalah pada sistem keamanan. Pendeteksian wajah awalnya

diperkenalkan oleh Haar-Like selanjutnya dikembangkan oleh Viola-Jones. Banyak

penyempurnaan dari algoritma Haar-Like. Ada 2 metode yang bisa dipergunakan

untuk meningkatkan kualitas citra wajah. Pertama adalah perbaikan atau

penyempurnaan algoritma. Kedua adalah perbaikan ciri atau fitur. Perbaikan atau

penyempurnaan tersebut menghasilkan algoritma LBP (Local Binary Pattern).

Selanjutnya Algoritma LBP ini bisa dipergunakan dalam ekstraksi fitur atau ciri

wajah.

Gambar 2.1 Pendeteksian Wajah

Tahapan pendeteksian wajah (face detection) merupakan salah satu proses

awal yang harus dilakukan sebelum dilanjutkan ke tahap pengenalan wajah (face

recognition). Untuk kasus pengambilan foto saat pembuatan SIM, KTP, serta Kartu

Kredit, maka foto atau citra yang dihasilkan umumnya hanya mengandung satu

wajah disertai latar belakang yang sama atau seragam, serta intesitas pencahayaan

yang sudah diatur sebelumnya. Dalam kondisi citra (foto) seperti ini maka proses

pendeteksian wajah bisa dilakukan dengan lebih mudah. Namun untuk citra dengan

8

kondisi seperti : mengandung lebih dari satu wajah, serta berisi latar belakang yang

beragam, intensitas pencahayaan berbeda, serta ukuran wajah yang beragam. Sebagai

contoh adalah citra yang diperoleh terminal, gedung, pasar, bandara dan lain-lain.

Proses pendeteksian wajah bisa dianggap sebagai proses pengklasifikasian pola dari

citra input dimana outputnya berupa label atau katagori kelas dari citra tersebut.

Dimana dalam kasus ini ada 2 label kelas yaitu wajah dan bukan wajah.

Ada beberapa masalah dalam proses pendeteksian wajah yang disebabkan

oleh faktor – faktor berikut :

1. Terhalangi atau tertutup objek lain. Dalam hal ini citra wajah dihalangi sebagian

oleh wajah atau objek lain. Contoh: citra yang berisi sekumpulan orang.

2. Kondisi Pencahayaan. Citra yang dihasilkan sangat dipengaruhi oleh beberapa

faktor yaitu : intensitas pencahayaan dalam ruang, karakteristik lensa kamera

atau sensor.

3. Posisi wajah. Perbedaan atau variasi posisi wajah dalam citra seperti : tegak

lurus, miring, menoleh ke samping.

4. Wajah mengandung komponen-komponen seperti : jenggot, kumis, jambang

dan kaca mata.

5. Ekspresi wajah. Ekspresi wajah sangat mempengaruhi tampilan wajah

seseorang. Ekspresi tersebut seperti : tersenyum, marah, sedih, sedang berbicara

dan lain-lain.

2.5 Algoritma Viola-Jones

Proses pendeteksian target wajah dengan metode Viola-Jones adalah dengan

mengklasifikasikan objek dalam citra dengan didasarkan pada beberapa nilai ciri atau

fitur sederhana. Ada beberapa alasan untuk menggunakan fitur-fitur tersebut

daripada melakukan proses filter secara langsung. Alasan paling mendasar yaitu

fitur-fitur tersebut bisa dipakai untuk mengkodekan pengetahuan domain ad-hoc

yang komplek pada saat proses pelatihan (training) terhadap data latih yang

jumlahnya terbatas. Alasan lainnya adalah fitur tersebut berupa sistem fitur

berdasarkan operasi sehingga jauh lebih cepat jika dibandingkan dengan sistem

berbasiskan pixel. Proses klasifikasi citra didasarkan pada nilai dari sebuah fitur.

9

Pemakaian fitur dipilih oleh karena pemrosesan fitur berjalan lebih cepat jika

dibandingkan dengan pemrosesan digital per piksel.

Ada empat kunci utama dalam metode Viola-Jones yaitu : Haar-Like Feature,

Integral Image, Adaptive Boosting, dan Casade Classifier.

2.6 Prinsip Kerja Pendeteksian Wajah Dengan metode Viola-Jones

Pada Gambar 2.2 berikut ini adalah skema proses kerja pendeteksian target

wajah menggunakan algoritma Viola-Jones.

Gambar 2.2 Skema Proses Pendeteksian target wajah dengan metode Viola-Jones

Berikut ini adalah penjelasan dari skema proses yang dilakukan dalam

pendeteksian target wajah dengan metode Viola-Jones :

1. Proses pertama adalah membaca sampel citra berisi wajah atau membaca sampel

citra wajah yang menghadap ke kamera.

2. Citra yang sudah dibaca selanjutnya ditentukan Haar-Like Feature atau Fitur

Haar. Fitur Haar digunakan dalam mendeteksi objek pada citra digital. Fitur haar

memproses citra menjadi beberapa kotak, dimana pada satu kotak terdiri dari

beberapa pixel. Selanjutnya kotak-kotak tersebut diproses dan dihasilkan selisih

atau perbedaan nilai ambang (threshold) yang mengindikasikan daerah gelap

dan daerah terang. Nilai-nilai tersebut selanjutnya akan dipakai sebagai dasar

dalam proses pengolahan citra ( image processing).

3. Kemudian Integral Image berfungsi untuk menyatakan ada atau tidaknya dari

ratusan Fitur Haar dalam citra dan pada skala yang berbeda secara efisien

digunakan. Secara umum, proses pengintegrasian citra adalah menjumlahkan

atau menambahkan unit-unit kecil secara bersamaan. Dalam hal ini yang

Citra Haar-like

feature

Integral

Image

Wajah atau

bukan wajah

Cascade

Classifier Adaptive

Boosting

10

dimaksud unit-unit kecil adalah nilai-nilai pixel. Nilai integral image pada tiap-

tiap pixel adalah hasil penjumlahan dari semua pixel-pixel dari atas sampai ke

bawah. Penjumlahan diawali dari pojok kiri atas sampai pojok kanan bawah,

keseluruhan citra itu bisa dijumlahkan dengan memakai beberapa operasi

bilangan bulat untuk tiap-tiap piksel.

4. Selanjutnya untuk memilih Fitur Haar tertentu yang nantinya akan dipakai untuk

menentukan nilai ambangnya (threshold). Dalam hal ini akan digunakan sebuah

metode machine learning untuk melakukan supervised learning yang disebut

Adaptive Boosting disingkat Ada Boost. Ada Boost menggabungkan beberapa

classifier lemah menjadi classifier yang lebih kuat. Penggabungan beberapa

AdaBoost classifier menjadi rangkaian filter, akan cukup efektif untuk

melakukan proses penggolongan pada daerah image. Tiap-tiap filter berupa

sebuah AdaBoost classifier terpisah, biasanya terdiri dari classifier lemah.

Selama proses filter, jika ada sebuah filter gagal dalam meloloskan suatu daerah

citra, maka daerah tersebut langsung diklasifikasikan sebagai bukan wajah.

Akan tetapi bila filter berhasil meloloskan semua proses pada rangkaian filter,

sehingga dapat diputuskan bahwa daerah tersebut sebagai wajah.

5. Tahapan berikutnya adalah Cascade Classifier. Urutan filter pada cascade

ditentukan dengan nilai bobot yang diberikan pada proses AdaBoost. Filter yang

memiliki nilai bobot yang paling besar akan diletakkan pada urutan pertama, hal

ini tujuannya adalah untuk menghapus daerah citra secepat mungkin.

6. Tahap terakhir yaitu menampilkan objek citra apakah terdeteksi wajah atau

bukan wajah.

Berikut ini merupakan penjelasan rinci dari masing-masing proses utama

dalam pendeteksian target wajah pada metode Viola Jones.

2.6.1 Haar-Like Feature

Pada Umumnya Haar-Like Feature dapat dipakai untuk pendeteksian objek

pada citra. Nama Haar mengacu pada sebuah fungsi matematika yaitu Wavelet Haar

yang bentuknya berupa kotak, dimana secara prinsip hampir sama dengan Fungsi

Fourier. Pada mulanya proses pengolahan citra dilakukan dengan hanya

memperhitungkan nilai RGB dari setiap pixel, tapi ternyata metode ini tidak efektif.

11

Kemudian Viola-Jones mengembangkan metode baru sehingga terbentuklah

Haar-Like Feature. Dalam metode Viola-Jones, maka Haar-like Feature terdiri dari

tiga jenis yaitu edge features, line features, four-rectangle features seperti tampak

pada Gambar 2.3.

Gambar 2.3 Jenis Haar-Like Feature

Dalam penentuan Haar-Like Feature maka citra diproses menjadi kotak-

kotak. Yang mana dalam setiap kotak terdapat beberapa pixel. Tiap-tiap kotak

kemudian diproses dan didapatkan perbedaan atau selisih nilai ambang (threshold)

yang menyatakan antara wilayah gelap (black) dan terang (white). Selanjutnya nilai-

nilai tersebut dijadikan sebagai dasar dalam pengolahan citra.

Haar-Like Feature merupakan beda atau selisih dari jumlah piksel dari

daerah-daerah yang terdapat dalam persegi panjang. Perhitungan nilai Haar-Like

Feature didapatkan dari selisih antara jumlah nilai piksel pada daerah gelap (black)

dengan jumlah piksel pada daerah terang (white) :

F(Haar) = 𝛴 F White – 𝛴 F Black (2.1)

dimana :

F(Haar) = Nilai fitur total

Σ F White = Nilai fitur pada daerah terang

Σ F Black = Nilai fitur pada daerah gelap

12

Kotak segi empat Haar-Like Feature dapat ditentukan dengan cepat lewat

pemakaian Integral Image. Untuk video, proses perhitungan atau penjumlahan pixel

dilakukan secara terus-menerus dan memerlukan waktu perhitungan yang panjang.

Sehingga, proses penjumlahan digantikan dengan perhitungan integrasi sehingga

diperoleh hasil lebih cepat. Pendeteksian dengan Haar-Like Feature hasilnya

biasanya kurang akurat jika hanya dipergunakan satu fungsi saja. Maka umumnya

dipakai beberapa fungsi secara serentak. Jadi jika semakin banyak fungsi yang

dipakai maka akan memberikan hasil yang semakin akurat. Proses penentuan Haar-

Like Feature yang banyak itu diatur atau dinyatakan dalam bentuk Cascade

Classifier.

2.6.2 Integral Image

Citra Integral (Integral Image) adalah citra dimana setiap nilai pikselnya

adalah berupa hasil penjumlahan nilai piksel dari kiri atas sampai piksel kiri bawah.

Untuk memudahkan proses perhitungan nilai dari setiap fitur Haar pada setiap lokasi

gambar digunakan teknik yang disebut citra integral. Secara umum integral

mempunyai makna menambahkan bobot, bobot merupakan nilai-nilai piksel yang

akan ditambahkan ke dalam gambar asli. Nilai integral dari setiap piksel merupakan

hasil penjumlahan dari semua piksel sebelah atasnya dan di sebelah kirinya.

Keseluruhan citra dapat diintegralkan dengan operasi bilangan bulat untuk tiap pixel.

Contoh dari perhitungan integral image diperlihatkan pada Gambar 2.4 (Ilham,

2010).

Gambar 2.4 Contoh Citra Integral

13

Dengan mendapatkan nilai dari citra integral maka jumlah dari seluruh piksel

yang ada dalam setiap persegi panjang dapat dihitung dengan empat nilai. Cara

perhitungannya, tulis angka 1 dipojok kiri atas. Lalu jumlahkan ke kanan (1+2+3)

setelah itu lakukan hal yang sama yaitu jumlahkan ke bawah (1+4+7) sehingga

masing-masing hasilnya adalah 6 dan 12. Untuk menghitung kotak lainnya adalah

pertama-tama carilah nilai di tengah piksel, caranya hitunglah angka 1+2+4+5

sehingga menghasilkan 12. Sedangkan untuk menghitung tiga kotak yang tersisa

cukup jumlahkan setiap angka yaitu (1+2+3+4+5+6); (1+2+4+5+7+8);

(1+2+3+4+5+6+7+8+9) maka masing-masing hasilnya adalah 21, 27, 45.

Dengan pemakaian integral image maka kita dapat menentukan nilai piksel

dari beberapa kotak atau segiempat (rectangular) yang lain. Seperti misalnya nilai

pixel segiempat D, seperti diperlihatkan pada Gambar 2.5, dapat ditentukan dengan

cara menjumlahkan atau menggabung jumlah piksel pada segi empat atau kotak

A+B+C+D, dikurangi hasil penjumlahan segiempat (A+B) dan (A+C), ditambahkan

dengan jumlah piksel di dalam A. Dimana hasil dari A+B+C+D adalah merupakan

nilai dari integral image pada lokasi 4. Hasil A+B adalah nilai pada lokasi 2. Hasil

perhitungan A+C adalah nilai pada lokasi 3. Dan nilai A adalah nilai pada lokasi 1.

Dengan demikian hasil dari integral image D dapat ditentukan dengan persamaan

(2.3) :

D = 1+4 – (2+3) (2.2)

D = A+(A+B+C+D) – (A+B+A+C) (2.3)

Gambar 2.5 Perhitungan Integral Image

14

Jika nilai ambang (threshold) dimisalkan adalah 40 maka untuk nilai integral image

𝑓1(x,y) < 40 maka nilainya berubah menjadi 0, dan nilai integral image 𝑓1(x,y) ≥ 40

maka nilainya menjadi 1. Perhitungan nilai integral image D pada persamaan diatas

akan menjadi :

D = 12 + (12 + 21 + 27 + 45) – (12+21+12+27)

D = 45

Ini menunjukkan bahwa nilai Integral Image berada diatas nilai ambang (threshold),

sehingga nilainya menjadi 1.

Untuk memilih fitur Haar khusus yang akan digunakan dalam proses

pendeteksian wajah dan menetapkan ambang batas maka digunakan teknik

pembelajaran yang disebut sebagai Adaptive Boosting.

2.6.3 Adaptive Boosting

Pemilihan ciri spesifik yang akan dipakai untuk mengatur nilai ambang

(threshold), Viola-Jones memakai metode machine learning yaitu Adaptive Boosting

disingkat AdaBoost. Pada metode AdaBoost beberapa classifier lemah akan

digabungkan menjadi sebuah classifier kuat. Dalam hal ini lemah mengandung arti

bahwa filter pada classifier menghasilkan jawaban benar lebih sedikit. Andaikan

semua classifier lemah digabung maka hasilnya adalah classifier yang lebih kuat.

Metode AdaBoost akan memilih beberapa classifier lemah untuk digabungkan dan

pada tiap-tiap classifier tersebut ditambahkan bobot, dan hasilnya berupa classifier

kuat. Beberapa AdaBoost classifier digabung menjadi sebuah rangkaian filter yang

dapat mengelompokkan daerah image dengan efisien. Tiap-tiap filter merupakan

sebuah AdaBoost classifier yang terpisah, yang biasanya terdiri dari classifier lemah.

2.6.4 Cascade Classifier

Proses pengklasifikasian pada metode Viola-Jones berlangsung secara

bertingkat. Proses pengklasifikasian pada algoritma Viola-Jones ini terdiri dari n

tingkatan. Dimana pada setiap tingkatan mengeluarkan sub citra yang diyakini bukan

objek (wajah). Hal ini dilakukan oleh karena akan lebih mudah menentukan sub citra

tersebut bukan objek (wajah) daripada menentukan sub citra tersebut berupa objek

(wajah).

15

Gambar 2.6 memperlihatkan proses penyeleksian keberadaan objek (wajah).

Diasumsikan suatu sub citra dievaluasi oleh classifier tahap pertama dan bisa

melewati classifier tersebut. Hal ini menandakan bahwa sub citra tersebut berpotensi

mengandung obyek (wajah) dan diteruskan pada classifier tahap kedua, ketiga, dan

seterusnya sampai classifier tahap ke-n. Apabila berhasil melewati semua tahap

classifier, maka bisa disimpulkan bahwa pada sub citra tersebut terdapat objek

(wajah). Sebaliknya jika gagal, maka proses evaluasi tidak akan diteruskan ke

classifier berikutnya dan dapat disimpulkan bahwa sub citra tersebut tidak terdapat

objek wajah (bukan wajah).

Gambar 2.6 Tahap-tahap Cascade Classifier

16

BAB III

METODE PENELETIAN

3.1 Waktu dan Tempat

Penelitian ini dilakukan di Lab. Komputasi, Program Studi Fisika, Fakultas

Matematika dan Ilmu Pengetahuan Alam, Universitas Udayana dari bulan

November-Desember 2017.

3.2 Sumber Data

Data yang akan digunakan adalah beberapa fila citra berwarna (RGB) dengan

ekstensi JPG/JPEG/PNG yang telah diunduh melalui Google Image. Pada penelitian

ini dipakai 10 citra uji untuk pendeteksian target wajah dengan Algoritma Viola-

Jones.

3.3 Alat dan Bahan

Alat dan bahan yang dipergunakan pada penelitian ini berupa perangkat keras

dan perangkat lunak, yaitu :

1. Notebook HP dengan spesifikasi:

a. Processor AMD A4 5000 1.5 Ghz

b. RAM 4 GB

2. Matlab R2016𝛼

3. Citra berwarna dengan format JPG/PNG

3.4 Diagram Alir

Rancangan diagram alir dari metode Viola-Jones adalah seperti diperlihatkan

pada Gambar 3.1 berikut ini :

17

Gambar 3.1 Diagram Alir Metode Viola-Jones

mulai

Citra Uji

Pendeteksian wajah

(algoritma Viola- Jones)

Citra target wajah

Simpan citra Hasil deteksi

selesai

18

BAB IV

HASIL DAN PEMBAHASAN

4.1 Hasil

Pada penelitian ini proses pendeteksian wajah dengan metode Viola-Jones

diimplementasikan dengan perangkat lunak MATLAB R2016a terhadap citra atau

foto yang akan dijadikan sampel uji. Citra yang digunakan adalah citra berwarna

(RGB) dengan format jpg.

4.2 Rancangan Graphical User Interface (GUI) Aplikasi Viola-Jones

Tampilan rancangan GUI aplikasi pendeteksi target wajah dengan algoritma

Viola-Jones dapat dilihat pada Gambar 4.1.

Gambar 4.1 Tampilan GUI Aplikasi Metode Viola-Jones

Pada tampilan GUI tersebut, tombol ‘Open Image’ berfungsi untuk

menampilkan citra asli (input) yang merupakan citra uji yang akan ditentukan target

wajahnya. Tombol ‘Face Detection’ berfungsi untuk menampilkan citra target wajah

hasil pendeteksian dengan metode Viola-Jones. Untuk menyimpan hasil citra yang

sudah terdeteksi dengan metode Viola-Jones dilakukan dengan meng-klik tombol

‘Save Image’.

4.3 Pengujian

Proses pengujian (testing) terhadap program aplikasi pendeteksi target wajah

Viola-Jones dilakukan dengan 10 sampel citra. Berikut ini adalah tampilan dari

19

beberapa hasil eksekusi program aplikasi. Gambar 4.2 , Gambar 4.3, dan Gambar 4.4

memperlihatkan hasil eksekusi program aplikasi.

Gambar 4.2 Hasil Aplikasi terhadap 1 target wajah

Gambar 4.3 Hasil Aplikasi terhadap 4 target wajah

Gambar 4.4 Hasil Aplikasi terhadap target wajah miring 450- 900

20

4.4 Pembahasan

Dari 10 citra yang diuji untuk mendeteksi target wajah dengan metode

algoritma Viola-Jones, maka 8 citra berhasil dideteksi dan 2 citra tidak berhasil

mensegmentasi target wajah. Tabel 4.1 dibawah ini adalah rangkuman hasil

pendeteksian dari 10 citra tersebut.

Tabel 4.1 Hasil deteksi wajah dengan Viola-Jones

NO CITRA ASLI (INPUT) CITRA HASIL DETEKSI

1

2

3

4

21

5

6

7

8

9

22

10

Dapat dilihat dari Tabel 4.1 bahwa dari 10 citra uji maka target wajah yang

terdeteksi adalah citra yang mengandung wajah dengan posisi frontal ke depan (citra

1 – 8). Walaupun beberapa wajah memakai aksesori berupa topi atau kacamata,

namun aplikasi masih dapat mendeteksi target wajah. Sedangkan 2 buah citra lainnya

(citra 9 dan 10) yang mengandung target wajah miring ke samping sekitar 45° sampai

90° maka aplikasi Viola-Jones tidak berhasil mendeteksi target wajah.

23

BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan pembahasan sebelumnya maka dapat disimpulkan :

1. Program aplikasi pendeteksi wajah dengan metode Viola-Jones dapat mendeteksi

target wajah dengan posisi pandangan lurus ke depan, sedangkan untuk posisi

wajah menghadap kesamping sekitar 45° sampai 90° program aplikasi gagal

mendeteksi wajah.

2. Hasil pendeteksian target wajah dengan 10 citra sampel maka 8 citra berhasil

terdeteksi target wajah (80 %) dan 2 citra gagal (20%).

5.2 Saran

Adapun saran-saran yang dapat diberikan apabila dilakukan penelitian lebih

lanjut mengenai pendeteksian target wajah adalah sebagai berikut :

1. Tidak hanya menggunakan citra RGB (true colour) melainkan juga citra grey

scale sebagai sampel.

2. Membandingkan dengan metode face detection lainnya.

3. Citra uji atau sampel tidak hanya berupa file, melainkan bisa langsung diambil

dari screenshot kamera laptop, smartphone, dan media lainnya.

24

DAFTAR PUSTAKA

Arihutomo,M., 2010, Rancang Bangun Sistem Penjejakan Objek Menggunakan Metode Viola-

Jones Untuk Aplikasi Eyebot, jurusan telekomunikasi, PENS-ITS, Surabaya

Kirby, M., and Sirovich, L., 1990, Application of the Karhunen-Loeve Procedure for the

Characterization of Human Face, IEEE PAMI, Volume 12

Lestari,Sir Puji, 2014, Implementasi Pengenalan Wajah Manusia Menggunakan Principal

Component Analysis (PCA), Program Studi Teknik Informatika, STMIK Budidarma, Medan

Nugroho, S., 2004, Sistem Pendeteksi Wajah Manusia pada Citra Digital, Program Studi Ilmu

Komputer, FMIPA, Universitas Gadjah Mada, Jogyakarta

Rahmantha,Nafier, 2014, Penerapan Algoritma Viola-Jones dan Eigenface pada Sistem

Pengenalan Wajah, Jurusan Teknik Elektro dan Teknologi Informasi, FT, UGM, Jogyakarta

Turk,M., and Pentland, A., 2013, Eigenface for Recognition, Journal of Cognitive Neuroscience,

Volume : 3

Yanti, Dewi, 2013, Deteksi Wajah Manusia pada Citra menggunakan Dekomposisi Fourier,

Program Studi Ilmu Komputer, FMIPA, Universitas Brawijaya, Malang

Viola, P., and Jones, M., 2004, Robust Real-time Object Detection, International Journal of

Computer Vision, Kluwer Academic, Netherlands