SISTEM PENGENALAN WAJAH DENGAN MENGGUNAKAN METODE LINEAR DISCRIMINANT ANALYSIS (LDA)

Firman Brilian1, Arief Fatchul Huda2, Ichsan Taufik3

1, 2,3 Jurusan Teknik Informatika, Fakultas Sains dan TeknologiUniversitas Islam Negeri Sunan Gunung Djati BandungJl. A.H. Nasution 105, Bandungfirman.brilian@gmail.com, arvada@yahoo.com, ichsan@if.uinsgd.ac.id

ABSTRAK: Pengenalan wajah merupakan salah satu pengolahan citra yang telah berhasil dan telah diaplikasikan dalam berbagai bidang baik yang bersifat komersial maupun digunakan untuk kepentingan pemerintahan. Masalah pada pengenalan wajah manusia ini adalah pada perubahan sudut, cahaya dapat mempengaruhi proses pengenalan wajah manusia. Pada sistem ini data yang dapat dikenali berasal dari data wajah yang sebelumnya melakukan foto kepada orang dengan beberapa variasi. Data wajah yang akan dikenali melalui proses pengolahan citra, dimana citra data awal berformat RGB terlebih dahulu merubah format menjadi grayscale, setelah itu data citra akan mengalami proses cropping dengan melakukan pemotongan bagian gambar yang tidak diperlukan dalam proses pelatihan, setelah itu data wajah selanjutnya akan mengalami proses resize agar pada saat sistem melakukan proses tidak terlalu berat. Data citra ini memiliki 2 tahapan yaitu pelatihan dan pengetesan. Pada proses pelatihan metode yang digunakan adalah Linear Discriminant Analysis dimana data akan mengalami pengurangan dimensi dan dimana data akan dipelajari oleh sistem yang kemudian informasi pelatihan ini digunakan sebagai data input pada saat klasifikasi menggunakan K-NN untuk digunakan untuk mengenali wajah manusia pada saat pengetesan. Berdasarkan hasil penelitian metode ini dapat melakukan pengenalan wajah manusia dengan komposisi data pelatihan sebanyak 6 variasi dan data pengujian sebanyak 4 variasi dengan mengambil nilai karakteristik atau nilai eigen sebanyak 80 dapat melakukan pengenalan wajah manusia dengan keakuratan sebesar 70 % dalam melakukan pengenalan wajah manusia.

Kata Kunci: LDA, K-NN, Pengenalan Wajah

1

1. PENDAHULUANBeberapa tahun terakhir perkembangan teknologi berkembang sangat pesat dari perkembangan tersebut memunculkan beberapa perkembangan yang baik terhadap teknologi pengenalan wajah manusia yang mendapatkan perhatian serius dari beberapa peneliti dibidang face localization yaitu pendeteksian wajah manusia namun dengan asumsi hanya ada satu wajah manusia di dalam citra, penjejakan wajah (face tracking) untuk memperkirakan lokasi suatu wajah manusia dalam video secarareal time, dan pengenalan ekspresi wajah (facial expression recognition) untuk mengenali kondisi emosi manusia [16]. Selain itu dalam bidang penelitian pemrosesan wajah (face processing), pendeteksi wajah manusia (face detection) adalah salah satu tahap awal yang sangat penting di dalam proses pengenalan wajah manusia (face recognition). Sistem pengenalan wajah manusia digunakan untuk membandingkan satu citra wajah manusia masukan dengan suatu database wajah dan menghasilkan wajah yang paling cocok dengan citra tersebut. Dengan berkembangnya teknologi yang berkembang pesat dan beberapa penelitian tentang pengenalan wajah, hal tersebut dapat diimplementasikan pada pembuatan sistem keamanan suatu perusahaan, dengan sistem pengenalan wajah manusia seseorang yang tidak memiliki hak akses tidak dapat masuk ke dalam ruangan tersebut. Dalam pengenalan wajah terdapat beberapa metode yang biasa digunakan antara lain Principal Component Analysis , Linear Discriminant Analysis dan Edge detection. Linear Discriminant Analysis merupakan sebuah metode dalam mengekstraksi ciri suatu objek. Dalam mengekstraksi ciri, LDA membagi beberapa kelas dalam pencarian ciri, misalnya ada data enam orang, dimana setiap orang terbagi menjadi setiap kelas. Jika dibandingkan dengan metode-metode lain, LDA memiliki ketepatan yang sangat tinggi dalam mengenali wajah seseorang, dikarenakan dalam metode LDA ini memiliki banyak data dalam pengenalan wajah seseorang.

2. TINJAUAN PUSTAKASistem Pengenalan WajahPengenalan wajah manusia adalah bidang penelitian penting dengan banyak aplikasi yang dapat menggunakannya. Penelitian terhadap pengenalan wajah manusia sudah banyak dilakukan dengan kelebihan dan kekurangan tertentu. Hal ini disebabkan karena wajah manusia merepresentasikan sesuatu yang kompleks dan mengembangkan model komputasi untuk pengenalan wajah manusia adalah hal yang sulit. [8]

Pengenalan wajah ini dibagi menjadi dua bagian yaitu: dikenali dan tidak dikenali, setelah dilakukan perbandingan dengan pola yang sebelumnya disimpan di dalam database. Perhitungan model pengenalan wajah memiliki beberapa masalah. Kesulitan muncul ketika wajah dipresentasikan dalam suatu pola yang berisi informasi unik yang membedakan dengan wajah lain. Metode pengenalan wajah memiliki dua prosedur, yaitu :a. Pengenalan kontur wajah dengan mengenali bentuk hidung, mata dan mulut dan bentuk korelasi diantara keduanya. Karakteristik organ tersebut kemudian dinyatakan dalam bentuk vektor.b. Analisis komponen yang prinsipil, berdasarkan informasi dari konsep ini, mencari perhitungan model terbaik yang menjelaskan bentuk wajah dengan mengutip informasi yang paling relevan yang terkandung didalam wajah tersebut.Dibalik kemudahan pengenalan wajah, ada beberapa masalah yang mungkin timbul dalam proses pengenalan wajah yang biasa disebut dengan robust, yaitu:a) Perubahan skala Citra seseorang dapat dipresentasikan berbeda diakibatkan perbedaan jarak antara wajah dengan kamera. Semakin dekat jarak maka citra akan semakin besar.b) Perubahan posisi Citra seseorang dapat dipresentasikan berbeda diakibatkan perubahan posisi seseorang ataupun perubahan sudut pengambilan wajah.c) Perubahan cahaya Citra seseorang dapat dipresentasikan berbeda diakibatkan perubahan intensitas cahaya yang terjadi pada saat pengambilan citra.Perubahan detail dan ekspresi Citra seseorang dapat dipresentasikan berbeda diakibatkan perubahan detail seperti adanya janggut, kumis, pemakaian aksesoris, perubahan gaya, perubahan ekspresi wajah menjadi tertawa, tersenyum, muram, menangis dan lain sebagainya yang dapat mengakibatkan perubahan citra.

Linear Discriminant AnalysisLinear Discriminant Analysis (LDA) merupakan metode klasik untuk analisis multivariat. Dimana bertujuan untuk mendapatkan cara yang efisien dalam menyajikan ulang ruang wajah dengan data pelatihan dibagi dalam beberapa kelas atau kategori wajah. Data gambar dalam data pelatihan dibagi ke dalam beberapa kelas sesuai dengan kelompoknya dengan mengunakan informasi ini LDA mempunyai ketepatan yang lebih tinggi dalam proses pengenalan data wajah dibandingkan dengan beberapa metode yang lain dalam ekstraksi ciri. Dimana perbedaan dengan yang lain terdapat pada arah optimal vector w sehingga jarak antar mean maksimal dan lebar varian minimal tersebut dapat dilihat pada Gambar 1

Gambar 1 Arah optimal vector w sehingga jarak antar mean maksimal dan lebar varian minimal [7]

a. Mencari matriks scatter between classSB disebut matriks scatter between class atau penyebaran data antar kelas yang berbeda. Bila pada PCA dicari rata-rata seluruh image saja, rnaka pada LDA juga harus dicari lebih dulu rata-rata image yang terdapat dalam satu kelas. Berikut rumus mencari matriks scatter between class :SB = Ni i i TDimana Ni = Jumlah Image pada kelas ke i i = rata rata kelas ke i = rata-rata totalC = Jumlah kelas yang ada

b. Mencari scatter within class SW disebut matriks scatter within class atau penyebaran data dalam satu kelas yang sama. Berikut rumus mencari matriks scatter within class : SW = Ni( Xk - i) ( Xk - i) TDimanaXk = Image ke kC = Jumlah kelas yang ada I = rata-rata kelas ke I

c. Mencari Covarian matriks LDABerbeda dari PCA yang mendapatkan covarian matrix dari seluruh image dikurangi rata-rata totalnya, covarian Matrix LDA didapatkan dari operasi antara Sb dan Sw. dimana C adalah covarian matrix LDA. Maka Rumus dari covarian matriks LDA sebagai berikut :C = SBSW-1d. Mencari Eigen vector dan Eigen valueYang dimaksud dengan eigenvalue adalah sebuah bilangan skalar dan eigenvector adalah sebuah matriks yang keduanya dapat mendifinisikan matriks A.

e. Mencari Feature LDAFeature LDA dicari dengan cara yang sama seperti pada PCA.Feature dapat dicari dengan persamaan sebagai berikut

I= data tiap pixel dari image training ke-I m = jumlah image training

Klasifiksi K-NNK-Nearest Neighbor(K-NN) adalah suatu metode yang menggunakan algoritma superviseddimana hasil dariquery instance yang baru diklasifikan berdasarkan mayoritas dari kategori pada K-NN. Tujuan dari algoritma ini adalah mengklasifikasikan obyek baru bedasarkan atribut dan training sampleLangkah 0 Tentukan k, siapkan data training dan data testingLangkah 1Cari jarak antara data baru dengan data training menggunakan Euclidean distance Langkah 2Urutkan jarak data secara menaik (ascending) dan pilih data sejumlah k dengan jarak terdekatLangkah 3Data baru diklasifikasikan ke kelas terbanyak data sejumlah k

3. Analisis dan perancangan Sistem

Gambar 2 menerangkan bagaimana sistem pengenalan wajah manusia bekerja sehingga dapat mengetahui identitas data yang akan dikenali

Gambar 2 Skema Sistem Pengenalan Wajah

Di dalam arsitektur sistem terdapat beberapa tahap yaitu :a. Pada tahap pertama data gambar yang sudah dalam bentuk grayscale akan mengalami ekstraksi ciri dengan metode LDA buat mencari nilai karakteristik dan mengurangi dimensi diproyeksikan terhadap nilai normalisasi gambar yang akan diujikan.b. Selanjutnya gambar yang akan diujikan dicari nilai normalisasi dan diproyeksikan hasil terhadap gambar hasil pelatihan sebagai matriks proyeksi.Lalu hasil matriks proyeksi diklasifikasikan menggunakan KNN setelah diklasifikasi maka akan mengetahui wajah yang kita cari itu akan mengetahui pemilik data wajah yang kita cari. Alur dari LDA bisa dilihat pada Gambar 3 berikut.

Gambar 3 Alur LDA

Pada proses LDA memiliki beberapa tahap dalam proses seperti pada Gambar 3 adapun tahap LDA sebagai berikut :a. Tahap pertama siapkan data wajah dengan beberapa variasi disiapkan misalnya yang digunakan adalah 2 orang dengan 10 variasi. Setelah data disiapkan selanjutnya akan mengalami proses Preprocessing dimana dalam proses preprocessing tersebut data wajah akan mengalami beberapa pase yaitu RGB to Grey merubah data gambar ke bentuk keabuan, selanjutnya proses cropping yaitu memotong gambar yang tidak diperlukan dan resize yaitu memperkecil ukuran gambar.b. Setelah didapatkan data wajah hasil dari preprocessing selanjutnya data tersebut diubah dengan menjadi matriks vector dan nanti hasilnya berupa matriks dengan dimensi 20 x 896 selanjutnya hasil dari matriks vector lalu membentuk kelas karena ada dua wajah manusia yang berbeda dengan demikian kelas ada dua.c. Tahap selanjutnya mencari ukuran gambar tersebut yang dimana akan digunakan dalam mencari matriks scatter within class. Dan pada proses selanjutnya mencari nilai normalisasi dimana nilai tersebut didapat dari nilai matriks vector dikurangi matriks gambard. Kemudian mencari nilai rata-rata setiap kelasnya dan rata totalnya yang akan digunakan dalam mencari matriks scater between class.e. Pada tahap selanjutnya mencari matriks scatter within class dengan maksud mencari jarak di antara kelas dan mencari matriks scatter between class dengan maksud mencari jarak di dalam kelas sendiri.f. Lalu mencari nilai covarian yang merupakan inputan dari nilai matriks scatter betwenn class dikalikan invers dari matriks scatter within class. Selanjutnya mencari nilai eigen vector dan eigen value g. Setelah didapat nilai eigen value selanjutnya diurutkan dari terbesar sampai terkecil yang bersesuaian dengan indeks eigen vector dan diambil beberapa saja misalnya mengambil 60 variabel dari 896 variabel yang kemudian diproyeksikan terhadapa nilai normalisasi sebagai matriks proyeksi.h. Data hasil matriks proyeksi sebagai inputan dalam mengklasifikasi dengan menggunakan K-NN dengan maksud mencari nilai ketetanggaan dan mencari nilai minimum yang paling dekat. i. Lalu didapatkan gambar wajah yang kita tes

Pemodelan Sistem Dalam Pemodelan sistem citra wajah digunakan untuk memberikan gambaran tentang sistem yang akan dibuat yaitu penggambaran sistem dalam bentuk diagram konteks ini menggambarkan seluruh sistem yang akan dibuat dan akan diimplementasikan dalam sebuah program.

Diagram KonteksBerikut merupakan Diagram Konteks Pengenalan Wajah Manusia yang terlihat pada Gambar 4 :

Gambar 4 Diagram Context Sistem Pengenalan Wajah

4. Implementasi Sistem

Persiapan SistemBeberapa hal yang harus dipersiapkan dalam pengimplementasian adalah sebagai berikut :Spefikasi Perangkat LunakAdapun spesifikasi perangkat lunak yang digunakan untuk mengimplementasikan sistem ini adalah:1. Sistem operasi yang digunakan adalah Windows 7 Ultimate SP 1 2. Matlab Digunakan untuk membuat sistem Pengenalan wajah Implementasi AntarmukaPada Gambar 5 merupakan hasil implementasi antarmuka dari penerapan metode LDA pada sistem pengenalan wajah manusia secara offline:

Gambar 5 Implementasi Antarmuka secara offline

Sedangkan pada Gambar 6 berikut merupakan hasil implementasi antarmuka dari penerapan metode LDA pada Sistem pengenalan wajah manusia secara online

Gambar 6 Implementasi Antarmuka secara online

5. Pengujian SistemPengujian adalah suatu proses pengeksekusian program yang bertujuan untuk menemukan kesalahan. Pengujian sebaiknya menemukan kesalahan yang tidak disengaja dan pengujian dinyatakan sukses jika berhasil memperbaiki kesalahan tersebut. Selain itu, pengujian juga bertujuan untuk menunjukkan kesesuaian fungsi-fungsi perangkat lunak dengan spesifikasinya. Gambar 7 merupakan langkah-langkah dalam pengujian sistem pengenalan wajah

Gambar 7 Skema Pengujian

Tabel 1 merupakan hasil sebuah test telah dilakukan dengan melakukan dengan beberapa data pelatihan dan data pengetesan

Tabel 1 Hasil percobaan

6. Kesimpulan dan saran

KesimpulanSetelah melakukan penelitan ini maka dapat ditarik kesimpulan sebagai berikut :a. Bahwa metode Linear Discriminant Analysis diterapkan pada proses extraction fiture dimana proses ini diterapkan ketika proses preprocessing telah dilakukan.b. Data yang telah didapatkan dari extraction fiture tersebut diklasifikasi dengan langkah-langkah mengetes gambar yang akan diuji dengan beberapa kali iterasi,mencari jarak terdekat dan mencari nilai minimal dimana proses tersebut dipakai dalam pengenalan suatu wajah.

SaranSistem pengenalan wajah yang menggunakan metode Linear Disciminant Analysis tersebut dapat diterapkan pada berbagai aplikasi seperti absensi yang mengunakan wajah sebagai pengenalan ataupun sistem keamanan yang mengunakan wajah sebagai data inputannya.Daftar Pustaka

[1] Afdal, 2011, Penentuan kateristik batuan dengan metode linear discriminant analysis.

[2] Azizah, R., 2005, Pengenalan wajah dengan metode subspace LDA, Insitut teknologi sepuluh November.

[3] Damayanti, F., 2010, Pengenalan citra wajah dengan menggunakan metode Linear Discriminant Analysis dan support vector marchine..

[4] Kendall, E.K., 2010, Systems Analysis and Design 8th Edition, Prentice Hall.

[5] Ganaphthiraju, Linear discriminant brief tutorial, Institute for Signal and Information Processing Department of Electrical and Computer Engineering Mississippi State University.

[6] Guitierez, R., Linear Discriminant Analysis,Two Classes.

[7] Huda, A.F., 2008, Pengenalan wajah 3d, Gambar berkualitas rendah mengunakan kernel linear discriminant, Universitas Indonesia, Depok

[8] Lukas, S., 2010, System Pengenalan Citra Wajah Berbasis Transformasi Wavelet Diskrit Dan Teori Rough Set, Universitas Pelita Harapan, Tangerang

[9] Mario, 2009, State Of The Art Face Recognition, Penerbit IN-The, Vienna Austria

[10] Munir, R., 2004, Pengolahan citra digita, Penerbit Informatika, Bandung

[11] Pressman, R.S., 2002, Rekaya Perangkat Lunak, Penerbit McGrawHill Translate Andi Publisher[12] Prijono, A., 2007, Pengolahan citra digital menggunakan Matlab, Penerbit Informatika, Bandung[13] Putra, D., 2010, Pengolahan citra digital, Penerbit Andi, Yogyakarta[14] Shirren. (2008). A tutorial on reduction data linear discriminant analysis.University Lioussivile[15] Stanz. ,2011, Handbook Of face recognition, Penerbit Springer

[16] Yang, T. T., Menon, V., Eliez, S., Blasey, C., White, C. D., Reid, A. J.,& Reiss, A. L. (2002). Amygdalar activation associated with positive and negative facial expressions. Brain Imaging, 13(14), 1737-1741.Pengguna

SISTEM PENGENALAN WAJAH

Citra Wajah

Text

Data Presentase Ketepatan Pengenalan Wajah

Admin

Data wajah