penerapan face recognition dengan metode eigenface dalam

6
Penerapan Face Recognition Dengan Metode Eigenface Dalam Intelligent Home Security Setya Bayu 1 , Akhmad Hendriawan 2 , Ronny Susetyoko 2 [email protected] 1 Mahasiswa Jurusan Teknik Elektronika 2 Dosen Jurusan Teknik Elektronika PENS-ITS Politeknik Elektronika Negeri Surabaya Institut Teknologi Sepuluh Nopember(ITS) Surabaya. Kampus ITS, Sukolilo, Surabaya 60111 Abstrak Pengenalan wajah adalah salah satu teknologi biometrik yang telah banyak diaplikasikan dalam sistem security selain pengenalan retina mata, pengenalan sidik jari dan iris mata. Dalam aplikasinya sendiri pengenalan wajah menggunakan sebuah kamera untuk menangkap wajah seseorang kemudian dibandingkan dengan wajah yang sebelumnya telah disimpan di dalam database tertentu. Ada beberapa macam metoda pengenalan wajah yaitu neural network, jaringan syaraf tiruan, neuro fuzzy adaptif dan eigenface. Secara khusus dalam paper ini metoda yang akan dijelaskan adalah metoda eigenface. Pada paper tugas akhir ini menawarkan metode Eigenface, dan menggunakan webcam untuk menangkap gambar secara real-time. Metode ini mempunyai komputasi yang sederhana dan cepat dibandingkan dengan penggunaan metode yang memerlukan banyak pembelajaran seperti jaringan syaraf tiruan. Secara garis besar proses dari aplikasi ini adalah kamera melakukan capture pada wajah. Kemudian didapatkan sebuah nilai R,G,B. Dengan menggunakan pemrosesan awal, dilakukan resize, RGB ke Gray,dan histogram equalisasi untuk perataan cahaya. Metode eigenface berfungsi untuk menghitung eigenvalue dan eigenvector yang akan digunakan sebagai fitur dalam melakukan pengenalan. Metode Euclidean distance digunakan untuk mencari jarak dengan data fitur yang telah didapat , dan jarak terkecil adalah hasilnya. Dari percobaan dan pengujian yang dilakukan, alat dapat mengenali citra wajah dengan tingkat keberhasilan sampai 87%. Hal ini membuktikan alat ini cukup baik dalam pengenalan wajah. Katakunci: eigenface, gambar, pengenalan wajah, keamanan rumah 1. Pendahuluan Sistem keamanan rumah pada saat ini lebih banyak memanfaatkan tenaga manusia dari pada sistem otomatis. Sistem keamanan rumah dengan alarm telah banyak diterapkan untuk mendeteksi adanya pencuri. Tetapi sistem tersebut tidak bisa membedakan antara pemilik rumah dan pencuri, sehingga tingkat keamanannya sangat rendah. Penggunaan face recognation pada proyek akhir ini adalah untuk mengenali wajah pemilik rumah dan membedakannya dengan wajah pencuri. Pengenalan wajah manusia dalam gambaran visual dapat di implementasikan ke dalam banyak aplikasi yang mencakup pengenalan wajah dengan menggunakan metode eigenface, yang mengisyaratkan pemahaman, pengawasan oleh aplikasi tersebut. Konsep dari eigenface adalah serangkaian eigenvektor yang digunakan untuk mengenali wajah manusia dalam suatu computer vision. Eigenvektor berasal dari covariance matrix yang memiliki distribusi probabilitas yang tinggi dan dimensi ruang vector untuk mengenali kemungkinan sebuah wajah. 2. Latar Belakang Face recognition yang pernah dilakukan oleh Mukti [6] menggunakan metode fractal neighbor distance. Metode fractal neighbor distance disini digunakan untuk menyamakan sebuah gambar yang belum teridentifikasi dengan salah satu gambar yang ada pada database. Input yang diperlukan pada aplikasi ini adalah berupa citra wajah dengan ukuran dan resolusi yang sama.Output aplikasi ini adalah hasil pencocokan informasi byte pixel yang didapat dari hasil pemindaian dengan informasi byte pixel gambar yang ada dalam database . Penelitian lain dari Ika [3] tentang face recognition dengan menggunakan metode Principal Component Analysis (PCA) yang digunakan untuk mereduksi dimensi Untuk mengahasilkan vector basis orthogonal yang disebut eigenface. Dewi AR [1] memanfaatkan teknologi biometrik pada kehidupan untuk mengidentifikasi dan mengenal karakteristik wajah manusia. Penelitian ini mengembangkan sistem yang memisahkan citra wajah ke dalam komponen wajah, kemudian mengekstraksinya ke dalam fitur mata, hidung, mulut, dan batas wajah pada citra diam tunggal yang diambil dari posisi tampak depan. Antara tiap komponen diukur jaraknya, kemudian dikombinasikan dengan fitur lainnya untuk membentuk semantik wajah. Penelitian dari Jelita [4] yang berjudul Aplikasi Jaringan Syaraf Tiruan Untuk Mengenali Wajah Seseorang merupakan sebuah penelitian

Upload: lamminh

Post on 12-Jan-2017

224 views

Category:

Documents


7 download

TRANSCRIPT

Page 1: Penerapan Face Recognition Dengan Metode Eigenface Dalam

Penerapan Face Recognition Dengan Metode Eigenface DalamIntelligent Home Security

Setya Bayu 1, Akhmad Hendriawan 2 , Ronny Susetyoko 2

[email protected] Mahasiswa Jurusan Teknik Elektronika

2 Dosen Jurusan Teknik Elektronika PENS-ITSPoliteknik Elektronika Negeri Surabaya

Institut Teknologi Sepuluh Nopember(ITS) Surabaya.Kampus ITS, Sukolilo, Surabaya 60111

AbstrakPengenalan wajah adalah salah satu teknologi biometrik yang telah banyak diaplikasikandalam sistem security selain pengenalan retina mata, pengenalan sidik jari dan iris mata.Dalam aplikasinya sendiri pengenalan wajah menggunakan sebuah kamera untukmenangkap wajah seseorang kemudian dibandingkan dengan wajah yang sebelumnyatelah disimpan di dalam database tertentu. Ada beberapa macam metoda pengenalanwajah yaitu neural network, jaringan syaraf tiruan, neuro fuzzy adaptif dan eigenface.Secara khusus dalam paper ini metoda yang akan dijelaskan adalah metoda eigenface.Pada paper tugas akhir ini menawarkan metode Eigenface, dan menggunakan webcamuntuk menangkap gambar secara real-time. Metode ini mempunyai komputasi yangsederhana dan cepat dibandingkan dengan penggunaan metode yang memerlukan banyakpembelajaran seperti jaringan syaraf tiruan. Secara garis besar proses dari aplikasi iniadalah kamera melakukan capture pada wajah. Kemudian didapatkan sebuah nilai R,G,B.Dengan menggunakan pemrosesan awal, dilakukan resize, RGB ke Gray,dan histogramequalisasi untuk perataan cahaya. Metode eigenface berfungsi untuk menghitungeigenvalue dan eigenvector yang akan digunakan sebagai fitur dalam melakukanpengenalan. Metode Euclidean distance digunakan untuk mencari jarak dengan data fituryang telah didapat , dan jarak terkecil adalah hasilnya. Dari percobaan dan pengujian yangdilakukan, alat dapat mengenali citra wajah dengan tingkat keberhasilan sampai 87%. Halini membuktikan alat ini cukup baik dalam pengenalan wajah.Katakunci: eigenface, gambar, pengenalan wajah, keamanan rumah

1. PendahuluanSistem keamanan rumah pada saat ini

lebih banyak memanfaatkan tenaga manusia daripada sistem otomatis. Sistem keamanan rumahdengan alarm telah banyak diterapkan untukmendeteksi adanya pencuri. Tetapi sistemtersebut tidak bisa membedakan antara pemilikrumah dan pencuri, sehingga tingkatkeamanannya sangat rendah. Penggunaan facerecognation pada proyek akhir ini adalah untukmengenali wajah pemilik rumah danmembedakannya dengan wajah pencuri.Pengenalan wajah manusia dalam gambaranvisual dapat di implementasikan ke dalambanyak aplikasi yang mencakup pengenalanwajah dengan menggunakan metode eigenface,yang mengisyaratkan pemahaman, pengawasanoleh aplikasi tersebut. Konsep dari eigenfaceadalah serangkaian eigenvektor yang digunakanuntuk mengenali wajah manusia dalam suatucomputer vision. Eigenvektor berasal daricovariance matrix yang memiliki distribusiprobabilitas yang tinggi dan dimensi ruang vectoruntuk mengenali kemungkinan sebuah wajah.

2. Latar BelakangFace recognition yang pernah dilakukan

oleh Mukti [6] menggunakan metode fractal

neighbor distance. Metode fractal neighbordistance disini digunakan untuk menyamakansebuah gambar yang belum teridentifikasidengan salah satu gambar yang ada padadatabase. Input yang diperlukan pada aplikasi iniadalah berupa citra wajah dengan ukuran danresolusi yang sama.Output aplikasi ini adalahhasil pencocokan informasi byte pixel yangdidapat dari hasil pemindaian dengan informasibyte pixel gambar yang ada dalam database .Penelitian lain dari Ika [3] tentang facerecognition dengan menggunakan metodePrincipal Component Analysis (PCA) yangdigunakan untuk mereduksi dimensi Untukmengahasilkan vector basis orthogonal yangdisebut eigenface. Dewi AR [1] memanfaatkanteknologi biometrik pada kehidupan untukmengidentifikasi dan mengenal karakteristikwajah manusia. Penelitian ini mengembangkansistem yang memisahkan citra wajah ke dalamkomponen wajah, kemudian mengekstraksinyake dalam fitur mata, hidung, mulut, dan bataswajah pada citra diam tunggal yang diambil dariposisi tampak depan. Antara tiap komponendiukur jaraknya, kemudian dikombinasikandengan fitur lainnya untuk membentuk semantikwajah. Penelitian dari Jelita [4] yang berjudulAplikasi Jaringan Syaraf Tiruan Untuk MengenaliWajah Seseorang merupakan sebuah penelitian

Page 2: Penerapan Face Recognition Dengan Metode Eigenface Dalam

yang memerlukan banyak training data. Tapidalam pengenalan masih banyak terjadikesalahan seperti yang tertulis dalam batasanmasalah. Sistem ini mengambil masukan berupavideo dan diharuskan mempunyai latar belakangyang sama antara data training dan pelatihan,untuk melakukan background removal. Sistemhome security yang dikembangkan oleh Kouma[5] dalam thesisnya menggunakan facerecognition untuk mengenali wajah siapa sajayang tinggal di rumah. Jika sistem mendeteksisuatu pengganggu, system akan mengirim MMSwajah pengganggu kepada pemilik rumah.Sistem akan otomatis mati jika mengenali salahsatu wajah pemilik rumah,dan akan aktif ketikasemua penghuni meninggalkan rumah.

Kelemahan dari beberapa penelitian diatasadalah system tidak real-time [5],komputasiterlalu berat dan membutuhkan background yangkhusus [4], ekspresi wajah harus selalu sama[6].Maka paper yang berjudul “Penerapan FaceRecognition dengan Metode Eigenface dalamIntelligent Home Security “ akan mengaplikasikanface recognition dengan metode eigenfacesebagai sarana pengenalan wajah antara pemilikrumah dan pencuri secara real-time. Pemilikrumah dan pencuri dimasukkan ke dalam classyang berbeda sehingga akan lebih mudah dalampengenalan. Diharapkan dengan aplikasi inidapat membuat suatu sistem yang handal danaman.

3. Perancangan SistemBerikut adalah penjelasan tentang perancangansystem secara keseluruhan. Pertama adalahberikut proses untuk perancangan dalammelakukan pengenalan wajah pada systemIntelligent home security. Tahap - tahap tentangpengenalan wajah seperti yang ditunjukkan padabagan.

Gambar 1 Block diagram system pengenalan wajah

Gambar 1 merupakan block diagram softwareuntuk melakukan pengenalan dari sistem yangdigunakan, dimana jalannya sistem dibagimenjadi 2, yaitu block pengambilan data danblock pengenalan wajah. Jalannya sistem blockpengambilan data adalah sebagai berikut :

1. Aktifkan webcam untuk menampilkan gambaryang ditangkap webcam kedalam aplikasi.

2. Penangkapan citra wajah (image capturing)dapat dilakukan secara langsung (real time)menggunakan webcam, setelah terdeteksiadanya gambar wajah pada tampilan windowdari webcam.

3. Kemudian dilakukan proses pemrosesan awalyang meliputi, normalisasi ukuran citra, RGBke grayscale, histogram equalization untukmemperbaiki kualitas citra input agarmemudahkan proses pengenalan tanpamenghilangkan informasi utamanya, resizeuntuk membuang bagian daerah selain wajahsehingga hanya bagian wajah saja yangdiproses dan normalisasi pencahayaan ketikamengambil citra input.

4. Simpan data wajah yang diambil dalambentuk*.pgm.

5. Kemudian dilakukan proses PCA untukmengutip bagian terpenting dengan metodeeigenface sehingga didapatkan eigenvectordan eigenvalue dari gambar tersebut.

6. Proses penyimpanan kedalam data wajahuntuk setiap citra wajah yang telah digunakandalam proses PCA dalam bentuk *.xml ,semakin kompleks dan sering maka prosespengenalan wajah akan semakin baik.

7. Data yang telah disimpan nantinya digunakansebagai nilai pembanding pada prosespenghitungan jarak untuk pengenalan wajah.

Sedangkan untuk proses pengenalan adalahsebagai berikut :1. Aktifkan webcam untuk menampilkan gambar

yang ditangkap webcam kedalam aplikasi.2. Penangkapan citra wajah (image capturing)

dapat dilakukan secara langsung (real time)menggunakan webcam, setelah terdeteksiadanya gambar wajah pada tampilan windowdari webcam.

3. Kemudian dilakukan proses pemrosesan awalyang meliputi, normalisasi ukuran citra, RGBke grayscale, histogram equalization untukmemperbaiki kualitas citra input agarmemudahkan proses pengenalan tanpamenghilangkan informasi utamanya, resizeuntuk membuang bagian daerah selain wajahsehingga hanya bagian wajah saja yangdiproses dan normalisasi pencahayaan ketikamengambil citra input.

4. Kemudian dilakukan proses PCA untukmengutip bagian terpenting dengan metodeeigenface sehingga didapatkan eigenvectordan eigenvalue dari gambar tersebut.

5. Proses pengenalan wajah denganmenghitung jarak antara fitur wajah yang adadalam data dan fitur wajah yang baru. Jarakyang didapat di cari yang terkecil untukidentifikasi.

Page 3: Penerapan Face Recognition Dengan Metode Eigenface Dalam

3.1 Pemrosesan AwalPada proses deteksi wajah sekaligus langsungdilakukan pemrosesan awal saat citra wajahdalam frame terdeteksi. Hal ini dilakukan untukmembuat software yang realtime dan lebihefisien. Gambar 2 menunjukkan bagaimanaproses awal dilakukan.

Gambar 2 Block diagram system pemrosesan awal

Proses pendeteksian adanya citrawajah dalam gambar dengan detektor wajahOpenCV, menggunakan sebuah metodaViola-Jones.

Capture wajah secara otomatis setelahwajah dideteksi.

Citra wajah yang diperoleh dariberbagai sumber memiliki ukuran yangberagam, karena itu harus diseragamkansehingga memiliki ukuran 50 x50 piksel.

Citra wajah diubah kedalam grayscalesebelum dilakukan histogram equalization.

Pada tahap ini citra yang telah diubahdalam grayscale diperbaiki distribusi nilaiderajat keabuan dengan cara dibuat rata.

3.2 Proses Penyimpanan Data WajahUntuk proses pengambilan data. Jumlah datayang diambil untuk setiap wajah adalah dari 2pemilik rumah diambil sebanyak masing-masing5 kali, dengan posisi yang berbeda-beda, jarakyang juga berbeda, kemiringan wajah yangberbeda pula. Dari setiap capture akan dilakukanproses awal seperti yang telah dijelaskan diatas.Kemudian hasil pemrosesan awal akan disimpandalam format *.pgm, dikarenakan untukmemudahkan dalam perhitungan eigenvalue daneigenvector untuk proses pembelajaran. Format*.pgm adalah sebuah matriks wajah yangberukuran 50 x 50. Matriks yang terdapat dalamfitur wajah pada gambar 3 bernilai antara 0 –255.Penyimpanan data wajah ini akan digunakandalam proses pembelajaran untuk mendapatkannilai eigenvalue dan eigenvektor dari gambar.Setiap nilai dicatat. Kemudian dijumlahkan dandibagi jumlah berapa kali melakukan percobaanuntuk diambil rata rata untuk setiap wajah. Jadiada 1 nilai hasil rata rata dari 10 kali percobaanuntuk setiap wajah pemilik. Nilai inilah yangdigunakan sebagai nilai acuan.

Gambar 3 Wajah dalam bentuk *.pgm

Setiap pemilik atau penghuni rumah telahdisimpan data wajahnya dalam berbagai posisidan ekspresi, dari frontal mengahadap ke depansampai sudut kemiringan 5˚ dan disimpan dalamsatu class pemilik rumah. Sedangkan dalamclass berbeda yaitu class bukan pemilik rumahterdapat banyak data wajah yang diambil secaraacak. Jadi wajah yang tersimpan bukan hanyapemilik rumah saja, tetapi wajah bukan pemilikrumah sebagai sample dan pembanding.Pengambilan data wajah dalam class yangberbeda ini berguna untuk proses pengenalanwajah selanjutnya.

3.3 Proses Penghitungan EigenfacePada langkah ini informasi - informasi yangrelevan dari data yang disimpan akan dilakukantahap penghitungan eigenvalue dan eigenvektorbaik dari citra wajah keseluruhan maupun darielemen wajah. Jadi pada tahap ini dilakukanproses lokalisasi elemen wajah.Sifat simetriwajah dapat digunakan membantu proses PCAini. Eigenvector masing-masing memiliki nilaiyang sama seperti aslinya gambar itu sendiri dandapat dipandang sebagai sebuah gambar.Eigenvector ini merupakan covariance matrikskarena itu disebut eigenface. Arah darieigenvector itu dimana gambar dalam pelatihanditetapkan berbeda dari gambar yangasli. Secara umum ini akan menjadi langkahkomputasi mahal (bila keadaan memungkinkan),tetapi praktek penerapan eigenface berasal darikemungkinan untuk menghitung eigenvectoryang efisien, tanpa pernah dilakukan komputasisecara rinci.

Gambar 4 Proses penghitungan Eigenface

Proses PCA dilakukan dengan :1. Mengambil data dari hasil training.2. Melakukan proses perhitungan dengan

menggunakan PCA untuk menemukan

Page 4: Penerapan Face Recognition Dengan Metode Eigenface Dalam

subspace. Cari matriks covariance :S = T T x T

3. Menghitung gambar hasil pelatihan kedalam PCA subspace denganmenggunakan eigenvalue dan eigenvektor(eigenface). dan

.4. Mendapatkan nilai eigenface.

5. Menyimpan semua informasi hasil pelatihandalam *.xml.

3.4 Proses PengenalanDalam proses pengenalan wajah inimenggabungkan antara metode Euclideandistance dan k-nearest neighbor. K-nearestneighbor disini akan berguna dalam pembuatanclass antara pemilik dan pencuri. Diagram alurkeseluruhan dalam proses pengenalan wajahdapat dilihat pada gambar.

Gambar 5 Proses Pengenalan Wajah

Pada gambar diatas adalah proses dimanapengenalan wajah dilakukan. Prosespengenalannya antara lain :

1. Pertama adalah Ambil sebuah citra (*.pgm) .2. Kedua, Tentukan nilai mean dan

eigenvaluenya.3. Ketiga, Hitung rata-rata perbedaan antara fitur

input (Xi) dan fitur hasil pelatihan (Yi).4. Jika jarak dari fitur input (Xi) lebih kecil dari

pada rata –rata perbedaan dan nilai tersebutmasuk kedalam class pemilik makaidentifikasikan sebagai pemilik.

5. Jika jarak dari fitur input (Xi) lebih besar daripada rata –rata perbedaan dan berada diluarclass pemilik maka identifikasikan sebagaipencuri atau bukan pemilik.

4. Hasil percobaanPengujian dilakukan menggunakan webcamlogitech quickcam S-5500 dengan resolusi 1,3megapixel yang dihubungkan dengan komputerintel pentium dualcore dengan clock CPUsebesar 2.66 GHz dengan RAM sebesar 512mbRAM dan OS windows XP servicepack 2

4.1 Pengujian Deteksi WajahPada tahap pengujian deteksi wajah ini akan diujiberdasarkan tingkat ketepatan hasil capturedalam mendapatkan lokasi wajah denganmenggunakan metode viola-jones untukmendeteksi objek pada gambar dengandidasarkan pada Wavelet Haar.

Gambar 6 Jumlah wajah terdeteksi

Dengan 100 kali ujicoba untuk mendeteksi wajahberhasil terdeteksi sebanyak 92 kali dan 8 kalitidak terdeteksi. Sedangkan gambar selain wajahterdeteksi sebagai wajah sebanyak 3 kali dan 17kali tidak terdeteksi sebagai wajah. Sehinggatingkat keberhasilan akurasi wajah ini sangattinggi yaitu mencapai 90,833%.

Gambar 7 Grafik fps terhadap jarak

Pengukuran frame per second ini bertujuan untukmengetahui kehandalan sistem pendeteksianwajah, yaitu dengan cara mencari tau berapaframe yang dapat diambil dalam waktu satu detik.Contoh :Jika diketahui nilai fps = 80 msMaka frame yang dapat di ambil dalam 1 detik :1 detik = 1000 ms,

Jumlah frame = 1000ms/80ms = 12,5 frame

Jadi dalam waktu satu detik bisa mengambil 12,5frame, sehingga sistem cukup handal.

4.2 Pengujian Pemrosesan Awal WajahSetelah wajah terdeteksi, langkah-langkahselanjutnya adalah proses awal wajah yangmeliputi capture wajah, memotong lokasiwajahnya saja dari keseluruhan gambar yangtercapture, konversi ke gray scale, Histogram

Page 5: Penerapan Face Recognition Dengan Metode Eigenface Dalam

equalization untuk memperbaiki citra gambar darinoise. Proses awal dilakukan untuk masukandalam proses penghitungan eigenface sebelumdilakukan proses pengenalan.

Tabel 1 Hasil uji pemrosesan awalNo. Obyek Proses

sempurnaProsestidak

sempurna1 Gambar

wajah86 kali 14 kali

2 Gambarselain wajah

1 kali 19 kali

Dari tabel 1 dilakukan pengukuran performasistem pemrosesan awal wajah, dengan uji cobasebanyak 100 kali dengan gambar wajah makadidapatkan proses sempurna sebanyak 86 kalisedangkan proses tidak sempurna sebanyak 14kali. Sedangkan performa dengan gambar selainwajah didapatkan proses sempurna hanya 1 kalidari 20 kali pengukuran dan proses tidaksempurna terdapat 19 kali. Sehingga didapatkanakurasi dari pemrosesan awal wajah sebanyak87,5% . Dengan akurasi yang cukup besar inimaka dapat dikatakan sistem dapat bekerjadengan baik pada tahap pemrosesan awal,karena keberhasilan tahapan ini akanmenentukan untuk tahap pengenalan wajahselanjutnya.

4.3 Pengujian Pengenalan WajahDalam pengujian ini dilakukan untuk mengetahuikeberhasilan sistem pengenalan wajah. Dengandata wajah yang telah dilakukan pembelajaransebelumnya dengan metode eigenface makatahap pengenalan wajah ini dapat dilakukandengan menguji gambar wajah dengan mencarigambar pelatihan yang terdekat kedalam PCAsubspace.

Gambar 8 Hasil pengenalan wajah

Sistem pengenalan wajah ini digunakan untukmembedakan antara pemilik rumah denganbukan pemilik. Pengenalan dilakukan denganmemasukkan data pemilik wajah kedalam satuclass, masing-masing pemilik 5 data wajah.Sehingga data selain dalam kelompok pemilik diidentifikasi sebagai pencuri. Seperti pada gambar8 pengenalan menghasilkan bahwa wajah adalahpemilik.

Tabel 2 Hasil uji pengenalan wajahDikenalipemilik

Pencuri

Pemilik 1 87 13Pemilik 2 89 11Wajah random 14 86

Akurasi pengenalan : Wajah Pemilik 1 : wajah random

dikenali pemilik((87+86)/(87+86+13+14) )*100% = 86,5%

Wajah Pemilik 2 : wajah randomdikenali pemilik

((89+86)/(89+86+11+14) )*100% = 87,5% Wajah random : wajah Pemilik 1 &

Pemilik 2 dikenali pemilik ((13+11+14)/(13+11+14+87+86+89))*100% =12,66 %

4. KesimpulanDari hasil perancangan sampai dengan pengujiandidapatkan kesimpulan bahwa : Tinggi rendahnya unsur pencahayaan yang

berada di sekitar obyek sangatmempengaruhi proses pendeteksian.

Jarak antara wajah dengan webcam sangatberpengaruh dalam proses pendeteksianwajah.

Kombinasi – kombinasi dari metode viola-jones dapat mendeteksi wajah dengan tepat.

Proses pengenalan akan berjalan denganbaik bila capture wajah hasil deteksi jelasdan tidak kabur.

Penyimpanan data hasil pemrosesan awaldalam bentuk *.pgm untuk memudahkandalam proses penghitungan PCA.

Sesuai permasalahan, alat berhasil dapatmelakukan pengenalan meskipun posisinyaberdeda beda. Karena yang digunakanadalah nilai dari eigenface tiap citra wajahyang dibandingkan.

Tingkat keberhasilan pengenalan wajahmenggunakan euclidean distance dan k-Nearest neighbour sangat dipengaruhi olehdeteksi wajah,pemrosesan awal, danpenghitungan dengan PCA(eigenface)sebelumnya.

Pengguanaan class untuk pengelompokandata pemilik rumah dan bukan pemilik rumahsangat efektif digunakan dalam prosesverifikasi antara pemilik atau pencuri

5. Pustaka[1] A.R. Dewi, “Ekstraksi Fitur dan Segmentasi

Wajah Sebagai Semantik Pada SistemPengenalan Wajah”, Makalah SkripsiUniversitas Gunadarma, Jakarta, 2005.

[2] H. A. Rowley, S. Baluja, and T. Kanade,“Neural network-based face detection,”IEEE Trans. PAMI, vol. 20, pp. 23–38,Madison, USA, January 1998

[3] Ika made, “Face Recognition denganMenggunakan Metode Principal ComponentAnalysis (PCA)”, Makalah Skripsi UniversitasGunadarma, Jakarta, 2003.

Page 6: Penerapan Face Recognition Dengan Metode Eigenface Dalam

[4] Jelita Raisa, ”Aplikasi Jaringan Syaraf TiruanUntuk Mengenali Wajah Seseorang”, TugasAkhir Politeknik Elektronika Negeri SurabayaInstitut Sepuluh Nopember, Surabaya, 2008.

[5] Kouma Jean-Paul, “Intelligent home securitysystem”, Tesis Umeå university, Swedia,2006.

[6] Mukti Garilbaldy W, “Implementasi AlgoritmaFractal Neighbour Distance untuk FaceRecognition ” , Makalah Skripsi InstitutTeknologi Bandung, Bandung, 2006.

[7] Prasetyo Eri, Rahmatun Isna, “DesainVariasi Wajah dengan Variasi Ekspresi danPosisi Menggunakan Metode Eigenface”,Makalah Skripsi Universitas Gunadarma,Jakarta, 2005.

[8] Rinaldi Munir, “Pengolahan Citra Digitaldengan Pendekatan Algoritmik”, PenerbitInformatika , Bandung , 2004.

[9] Reference manual OpenCv, 2001.[10] Active WebCam Software Manual

(Copyright PY Software, (www.pysoft.com)[11] Bluekid,

(http://derindelimavi.blogspot.com/2008/05/yz-tanma-2.html )

[12] DigitalCamera,(http://www.bhinneka.com/bhindexpc)

[13] Romdhani s. “Face Recognition UsingPrincipal Component Analysis”,http://eeapp.elec.gla.ac.uk/~romdhani/pca_doc/pca_doc_toc.htm

[14] Seeing with OpenCv,(http://www.cognotics.com/opencv/servo_2007_series/part_5/index.htm )

[15] Webcam,(http://id.wikipedia.org/wiki/Webcam)