5.1 Simpulan
Penelitian terhadap perbandingan sistem pengenalan wajah berbasis fitur dan berbasis citra dengan metode AKU memperlihatkan bahwa pengenalan wajah berbasis citra memiliki rata-rata tingkat akurasi 39.14% lebih baik yang dibandingkan dengan yang berbasis fitur dengan perbedaan nilai maksimum sebesar 35%. Tingkat akurasi sistem berbasis citra mencapai 95% dengan rata-rata tingkat pengenalan wajah sebesar 93,3% sedangkan yang berbasis fitur hanya mencapai 60% dengan rata-rata tingkat pengenalan wajah hanya mencapai 54,16%.
Pemberian derau pada citra wajah tidak memberikan perubahan yang signifikan sampai pada tingkat derau tertentu. Tingkat akurasi mulai menurun pada saat pemberian derau mulai dari 0,10 dan 0,20, namun wajah seseorang masih bisa dikenali sampai variasi derau yang diberikan sebesar 0,02 yaitu sebesar 88%. Pengujian dengan sistem berbasis citra ini sangat rentan terhadap derau.
5.2 Saran
Penelitian ini masih sangat sederhana, diharapkan kelak dapat dibangun sebuah sistem pengenalan wajah yang lebih baik, antara lain:
1. Penambahan jumlah titik wajah dan garis wajah yang dapat mempengaruhi tingkat keakurasian citra wajah.
2. Klasifikasi citra wajah dapat dilakukan dengan metode pengenalan yang lain dan bukan hanya metode k-NN.
3. Pemberian noise pada penelitian ini dapat diberikan untuk tipe noise yang lainnya.
Daftar Pustaka
Alasdair M, 2004, An Introduction to Digital Image Processing with Matlab, Notes for SCM2511 Image Processing 1, School of Computer Science and Mathematics Vitoria University of Technology.
Brunelli, R and Poggio, T.1993. Face Recognition: Features versus Templates
IEEE Trans. Pattern Analysis and Machine Intelligence vol.15 pp.1042- 1052
Resmana L, Marcel J.T Reinders, Thiang. 2000. Pengenalan Citra Wajah dengan Pemrosesan Awal Transformasi Wavelet. Proceeding Digital Sinyal Processing, Technologi dan Aplikasinya (DSPTA), Surabaya, 2000
Herdiyeni Y. 2005, Metode Jarak garis Wajah Untuk Sistem Pengenalan Wajah 3D Penggunakan Probabilitay Principal Component Analysis (PPCA) Dan Jaringan Syaraf Tiruan Backpropagation [tessis]. Depok.
Universitas Indonesia
Pratiwi. 2010, Pengembangan Model Pengenalan Wajah Dengan Jarak Euclid Pada Ruana Eigen Dengan 2DPCA [tessis]. Bogor. Program Pascasarjana, Institut Pertanian Bogor
Fauzie R. 2010, Pengenalan Citra Wajah Menggunakan Algoritme VFI5 Dengan Praproses Principal Component Analysis [skripsi]. Bogor. Institut Pertanian Bogor
Sudarmilah E. 2009, Pengenalan Wajah Dengan Perbandingan Histogram.
Seminar nasional Aplikasi Teknologi Informasi
Adila AK. 2003. Optimasi PCA pada Sistem Pengenalan Wajah 3 Dimensi Menggunakan Algoritma Genetika. Jurnal Ilmu Komputer dan Teknologi Informasi. Vol. 3 pp.84 -89
Kartika G, Sonny P R. 2001. Pembuatan Perangkat Lunak Pengenalan Wajah Mengunakan Principal Component Analysis. Jurnal Informatika. Vol. 2 pp.57-61
Smith LI. 2002. A Tutorial on Principal Component Analysis, Chapter 2-3, 2002
Hinneburg A, Anggarwal C, Keim D. 2000. What is the nearest Neighbour in high Dimensional spaces?, Proceeding of the 26th VLDB Conference, Cairo, Egypt.
ENDANG WOROKESTI. The Comparation Between Feature-Based System
and Image-Based System in Face Recognation with Praprocess Principal
Component Analysis. Under the direction of AJI HAMIM WIGENA and AZIZ KUSTIYO.
Face recognition is one of many important researches and many applications have implemented it. Two different techniques have been proposed for face recognition. There are feature-based systems and image-based systems. The objective of this research is to compare two simple strategies between the systems. The first system is based on a set of geometrical features such as nose width and length, mouth position, and the second one is based on almost grey-level pixel based. The data are faces of 20 people: 3 females and 17 males with 6 images each. Face data are usually difficult to recognize, classify and analysis. This research uses as Principal Component Analysis (PCA) method to reduce face’s data. K-Nearest Neighbor algorithm is used to examine the face data’s accurate and validation from both methods.The results obtained on testing sets is about 60% correct using geometrical features and perfect recognition using image-base system is about 95%. Noise is also used in this research with several varians such as 0,02 , 0,10 , and 0,20. It is difficult to recognise image with high varians of Salt and Pepper noise in image-based systems.
Keywords: Face Recognition, Feature-bases System, Image-based System, Principal Component Analysis, k-Nearest Neighbor
PENDAHULUAN
1.1 Latar Belakang
Pengenalan wajah adalah salah satu bidang penelitian yang penting berkaitan dengan penggunaannya di bidang keamanan. Pengenalan wajah biasanya dilakukan dengan mencocokkan sebuah citra wajah pada sekumpulan citra wajah yang berada dalam suatu kelompok tertentu. Secara umum sistem pengenalan wajah dibagi menjadi dua kelompok yaitu sistem berbasis fitur dan sistem berbasis citra (Roberto & Tomaso 1993). Sistem berbasis fitur menggunakan fitur-fitur wajah yang diekstraksi dari komponen citra wajah seperti mata, hidung, mulut, dan lain-lain. Fitur-fitur wajah tersebut kemudian dihubungkan secara geometris sehingga membentuk sebuah model atau pola (Resmana et al. 2000). Berbeda dengan sistem pertama, sistem berbasis citra menggunakan informasi piksel citra wajah yang merepresentasikan semua fitur wajah.
Pada sistem berbasis fitur, data yang digunakan adalah sebelas data jarak garis wajah yang ditentukan dari sepuluh titik wajah yang dilakukan secara manual di mata, hidung dan mulut. Sedangkan pada sistem berbasis citra, data yang digunakan adalah data citra grayscale dengan ukuran 112 x 92 piksel. Jika setiap piksel pada citra merepresentasikan fitur maka akan diperoleh fitur sebanyak 10.304 piksel. Perbedaan sistem pengenalan wajah belum dapat dikarakteristikan secara spesifik dengan baik (Roberto dan Tomaso, 1993) untuk citra wajah yang biasanya berukuran besar dan menimbulkan kesulitan tersendiri dalam penanganannya seperti pengenalan pola, klasifikasi, dan analisanya. Dari permasalahan tersebut diperlukan sistem pengenalan wajah yang memiliki tingkat akurasi yang tinggi.
Sebelum melakukan pengenalan pola untuk citra wajah terlebih dahulu dilakukan teknik ekstraksi ciri untuk mendapatkan ciri penting dalam suatu citra wajah. Ciri penting pada penelitian ini diperoleh dari data pada masing-masing sistem tersebut yang akan diekstraksi oleh Analisis Komponen Utama (AKU). Pada metode ini matriks diubah menjadi vektor kolom yang berukuran cukup
besar sehingga menyulitkan dalam proses pencarian matriks peragam dan nilai eigen. Metode AKU dipilih karena dapat menemukan pola pada data berdimensi atau ukuran yang tinggi dengan cara mereduksi dimensi data tanpa kehilangan banyak informasi (Smith 2002).
Klasifikasi pada pengenalan wajah ini menggunakan algoritma k-nearest neighbor (NN). Algoritma ini mengklasifikasikan data berdasarkan k-tetangga terdekat data dengan menghitung jarak terkecil setelah data diurutkan dari kecil ke besar. Klasifikasi fitur wajah dilakukan dengan melihat data yang sering muncul pada k-tetangga tersebut. Hasil klasifikasi inilah yang dapat menentukan sistem pengenalan wajah mana yang terbaik dari dua sistem pengenalan wajah tersebut.
Penelitian terhadap pengenalan wajah sudah banyak dilakukan dengan kelebihan dan kekurangan tertentu, seperti dilakukan oleh Yeni (2005) yang menggunakan sistem berbasis fitur dan Jaringan Syaraf Tiruan untuk klasifikasi kelasnya dan menyatakan bahwa sistem berbasis fitur memiliki tingkat akurasi pengenalan wajah yang lebih baik dibandingkan dengan metode berbasis piksel. Rifkie (2010) menggunakan sistem pengenalan wajah berbasis piksel dan AKU sebagai teknik reduksi dimensi dengan hasil akurasi rata- rata sebesar 94%. Penelitian tersebut mendorong untuk melakukan penelitian terkait pencarian sistem pengenalan wajah terbaik diantara dua metode pengenalan wajah.
1.2 Tujuan Penelitian
Penelitian ini bertujuan untuk membandingkan sistem pengenalan wajah yang berbasis fitur dan berbasis citra dalam proses pengenalan wajah dengan algoritma klasifikasi k-NN. Selain itu juga untuk mengkaji efektifitas tingkat akurasi sistem pengenalan wajah berbasis citra dalam kondisi derau (noise).
1.3 Ruang Lingkup
Ruang lingkup penelitian ini mencakup teknik ekstraksi ciri wajah baik yang berbasis fitur maupun berbasis citra dengan menggunakan metode AKU dan algoritma k-NN untuk proses klasifikasinya. Penelitian ini menggunakan Salt and Pepper Noise sebagai derau yang digunakan pada data pengujian. Data citra untuk
pelatihan dan pengujian diperoleh dari basis data sekunder standar ORL (Ollivety Research Laboratory) berdimensi 119 X 92 sejumlah 120 citra wajah dari 20 individu yang terdiri dari 3 orang perempuan dan 17 orang laki-laki. Setiap individu memiliki 6 citra wajah yang berbeda dengan beragam ekspresi.
1.4Manfaat Penelitian
Penelitian ini diharapkan dapat memberikan kontribusi pada pengembangan proses pengenalan wajah dengan menentukan sistem pengenalan wajah mana yang paling baik untuk mendapatkan tingkat keakurasian yang tinggi.