3.1 Pendahuluan
Penelitian pada skripsi ini akan melakukan deteksi dan rekognisi wajah menggunakan metode viola-jones dan jaringan saraf konvolusional (convolutional neural network).
Adapun langkah-langkah penelitian ini adalah sebagai berikut:
1. Metode Viola-Jones, berfungsi untuk melakukan proses deteksi wajah pada data citra.
2. Metode Jaringan Saraf Konvolusional, berfungsi untuk melakukan rekognisi wajah dari data citra hasil deteksi metode Viola-Jones.
3.2 Dataset
Dalam penelitian ini, proses pengambilan dataset ini dilakukan didalam dan diluar ruangan rumah masing-masing individu dengan menggunakan webcam internal dari Notebook ASUS dengan berbagai variasi dan sudut kemiringan posisi wajah antara lain: sisi kanan, sisi kiri, dan sisi depan secara realtime yang digunakan untuk data training sebanyak 9 individu, dimana setiap individu akan diambil 200 frame citra, sehingga total keseluruhan dataset berjumlah 1800 dataset. Dapat dilihat pada Gambar 3.1 dibawah ini. Hasil dari dataset ini, akan melalui proses deteksi sehingga didapatkan sebanyak 1468 data training.
Universitas Sumatera Utara
22
Gambar 3.1 Pengambilan Dataset
3.3 Perangkat Keras (Hardware) dan Perangkat Lunak (Software)
Sistem Rekognisi wajah yang dibangun dalam penelitian skripsi ini menggunakan perangkat pendukung seperti hardware dan software, antara lain :
1. Perangkat Keras :
a. Laptop Asus A455L dengan spesifikasi sebagai berikut :
Processore, Intel® CoreTM i7-4510U CPU @ 2.00GHz x 4
RAM, 4 GB
Hardisk, 1,0 TB
Graphics, NVIDIA Corporation GM108M [GeForce 840M]
Webcam internal, VGA Webcam Camera dengan resolusi 640x480 piksel
2. Perangkat Lunak :
a. OS Name, Ubuntu 20.04.2 LTS 64-bit b. Anaconda3, Version 4.9.2
c. Text Editor, Notepadqq d. Paket – paket pendukung :
Python 3.6.3
dlib 19.22.0
Universitas Sumatera Utara
23
face-recognition 1.3.0
face-recognition-models 0.3.0
opencv-python 4.5.2.52
PyQt5 5.15.4
keras 2.4.3
tensorflow 2.5.0
imutils 0.5.4
libopenblas-dev
3.4 Arsitektur Umum
Metode yang diajukan pada penelitian ini dapat dilihat pada Gambar 3.2 yang menunjukkan bagan penelitian pendeteksian wajah berbasis gambar. Rangkaian langkah yang dimaksud adalah sebagai berikut: input file citra; pengubahan citra warna tersebut menjadi citra abu-abu dengan proses grayscaling; perhitungan fitur dengan citra integral; pendeteksian objek dengan cascade classifier. Setelah rangkaian langkah di atas maka akan ditampilkan bagian objek yang terdeteksi sebagai wajah manusia atau bukan dan dilanjutkan dengan proses pendeteksian identitas wajah.
Universitas Sumatera Utara
24
Gambar 3.2 Arsitektur Umum Keterangan:
1. Input file citra adalah pemilihan file citra oleh user.
2. Resize citra adalah normalisasi ukuran dimensi citra (lebar x tinggi) agar sesuai dengan sistem.
3. Baca nilai piksel citra adalah pembacaan nilai intensitas piksel citra.
4. Grayscale adalah konversi piksel citra dalam intensitas keabuan.
5. Metode Viola-Jones, mendeteksi ada atau tidaknya wajah pada data citra, dengan tahapan, seperti: haar-like features, integral image, adaboost dan cascade classifier.
6. Metode Jaringan Saraf Konvolusional (convolutional neural network), melakukan proses rekognisi wajah.
Universitas Sumatera Utara
25
3.5 Pra-Proses
Pada diagram blok pra-proses dilakukan untuk pengambilan dataset citra sebanyak 200 frame dari 9 (sembilan) individu, sehingga jumlah total dataset 200 x 9 - 1800 frame citra yang berekstensi *.jpg.
3.5.1 Proses baca nilai piksel citra
Pada data inputan berupa citra warna dengan nilai intensitas warna 3 byte yaitu Red-Green-Blue (RGB) direpresentasikan dalam bentuk biner, untuk memperoleh nilainya masing-masing byte terdiri dari 8 bit sehingga jumlahnya 24 bit, sebagai contoh sebuah citra warna seperti pada gambar 3.4 dibawah ini:
Gambar 3.3 Citra Warna RGB
Pada contoh gambar diatas, komposisi intensitas warna RGB adalah 24 bit, yang masing - masing merupakan kombinasi bilangan biner 8 bit yang memiliki rentang nilai antara (0000000 sd 11111111) atau dalam bilangan desimal 0 sampai dengan 255.
3.5.2 Proses Perhitungan Piksel Citra Grayscale
Citra grayscale atau keabuan memilikin gradasi warna mulai dari putih sampai hitam dengan cara merata - ratakan nilai intensitas citra warna RGB maka didapatlah nilai intensitas citra keabuan. Dapat dilihat proses perhitungan citra grayscale pada tabel 3.1 dibawah ini:
Universitas Sumatera Utara
26
Tabel 3.1 Contoh Citra RGB 5x5 piksel
R G B R G B R G B R G B R G B
dari tabel diatas dapat dihitung perolehan nilai citra grayscale dengan menggunakan persamaan (2.3) sebagai berikut:
( ) ( ) ( ) ( ) diubah ke nilai grayscale atau keabuan seperti tabel dibawah ini:
Tabel 3.2 Hasil Perhitungan Nilai Citra RGB ke Grayscale
177 141 88 141 177
27
3.6 Viola-Jones
Konsep dalam metode viola-jones dalam penelitian tugas akhir ini digunakan untuk mengekstrak citra pada dataset untuk proses deteksi ada atau tidaknya wajah yang nantinya hasil deteksi citra wajah digunakan untuk data latih (training) dengan pemrosesan citra piksel per piksel, proses pencarian dengan menggunakan fitur persegi panjang (Haarcasecade feature). dapat dilihat pada gambar dibawah ini:
Gambar 3.4 Contoh Implementasi Haar Cascade Classifier (OpenCV, 2021)
3.6.1 Haar Cascade Classifier
Tiap feature terbagi atas dua bagian warna yaitu putih dan hitam. pemanfaatan fitur ini dikarenakan pemrosesan fitur lebih cepat dibandingkan dengan pemrosesan citra secara per piksel, sehingga cocok dan dapat dilakukan proses pendeteksian objek secara real time dengan menggunakan teknik integral image.
3.6.2 Integral Image
Digunakan untuk menentukan ada atau tidaknya fitur Haar pada sebuah citra dan pada skala yang berbeda secara efisien, adapun citra integral merupakan gambaran citra yang tersusun dari nilai piksel keabuan, misalkan pada tabel 3.2 terdapat citra ukuran 5 x 5 piksel, maka proses perhitungan integral image nya, sebagai berikut:
Tabel 3.3 Nilai Citra Grayscale 5 x 5
177 141 88 141 177
221 119 140 119 141 114 177 149 149 119 141 149 122 140 149
119 88 149 88 123
Universitas Sumatera Utara
28
proses perhitungan nilai grayscale dengan integral image pada tabel dibawah ini:
Tabel 3.4. Perhitungan Integral Image
177 177+141 177+141+88 177+141+88+141 177+141+88+141+177 177+221 177+141+221+
dari tabel 3.4 diatas, maka dapat diperoleh hasil perhitungan pada tabel dibawah ini:
Tabel 3.5 Hasil Perhitungan Integral Image
177 318 406 547 724
398 658 886 1146 1464
512 949 1326 1735 2172
653 1239 1738 2287 2873 772 1446 2094 2731 3440
Sehingga dari tabel diatas dapat dilakukan contoh perhitungan perhitungan nilai fitur citra 5 x 5, sebagai berikut:
177 318 406 547 724
398 658 886 1146 1464
512 949 1326 1735 2172
653 1239 1738 2287 2873 772 1446 2094 2731 3440
Nilai Fitur = |(Total piksel Hitam) - (Total Piksel Putih)|
= |[1239+177 - (663+318)]|
Universitas Sumatera Utara
29
= 435
3.6.3 Adaboost
Metode machine learning yang disebut Adaboost digunakan dalam memilih fitur Haar yang spesifik. Hal ini dilakukan dengan cara mengevaluasi setiap fitur terhadap data latih dengan menggunakan nilai dari fitur tersebut. Algoritma Adaboost adalah algoritma yang berusaha membangun strong classifier dengan mengkombinasikan sejumlah simple atau weak classifier dengan tujuan untuk membentuk suatu template objek yang akan dideteksi, dalam hal ini adalah wajah.
3.6.4 Cascade Classifier
Merupakan metode klasifikasi bertingkat, dimana setiap sub citra dikelompokkan menggunakan satu fitur. Jadi jika hasil perolehan nilai fitur-nya dari filter tidak termasuk kriteria yang dikehendaki, maka hasil klasifikasinya ditolak. Pada classifier tingkat pertama, yang menjadi inputan adalah seluruh citra sub-window. Semua citra sub-window yang berhasil melewati classifier pertama akan dilanjutkan ke classifier ke dua, dan seterusnya. Apabila suatu sub-window berhasil melewati semua tingkat classifier, maka sub-window tersebut dinyatakan sebagai wajah. Sedangkan untuk sub-window yang gagal melewati suatu tingkat classifier akan langsung dieliminasi dan dinyatakan sebagai bukan wajah (tidak akan diproses lagi).
3.7 Proses Deteksi Wajah
Proses pendeteksian wajah pada citra dilakukan dengan pelacakan dan yang menerapkan kondisi posisi wajah, tingkat pencahayaan, perbedaan ukuran citra yang dipengaruhi oleh jarak objek wajah menghadap kamera, sehingga akan diketahui sejauh pendeteksian berhasil dilakukan, memanfaatkan library openCV yakni:
Haarcascade_classifier_frontalface_default.xml, yang ditunjukkan fdiagram alir deteksi wajah pada gambar 3.6 dibawah ini:
Universitas Sumatera Utara
30
Ya
Gambar 3.5 Diagaram Alir Proses Deteksi Wajah
3.8 Perancangan Antarmuka Sistem
Perancangan antarmuka sistem dalam penelitian ini, sebagai berikut :
1. Halaman Utama, bagian ini memuat dua menu tab yaitu : Webcam dan Local.
Dalam proses Deteksi dan Rekognisi Wajah Menggunakan Metode Viola-Jones dan Jaringan Saraf Konvolusional (Convolutional Neural Network).
2. Tombol RealTime, berfungsi untuk menjalan rekognisi wajah secara realtime.
3. Tombol Training Wajah, berfungsi untuk melakukan pelatihan dataset yang diambil dari webcam untuk mendapatkan model yang nantinya digunakan dalam rekognisi wajah secara realtime.
Mulai
31
4. Tombol Ambil Dataset, berfungsi untuk melakukan pengambilan dataset dari webcam sejumlah 200 frame citra per individu.
Gambar 3.6 Rancangan Tampilan Halaman Menu Local
Gambar 3.7 Rancangan Tampilan Halaman Menu Webcam
Universitas Sumatera Utara
32 BAB 4