ANALISA PENERAPAN METODE FISHERFACE UNTUK PENGENALAN WAJAH (ANALYSIS OF FISHERFACE METHOD IMPLEMENTATION FOR FACE
RECOGNITION)
Cokorda Gde Nata Wikrama¹, Tjokorda Agung Budi Wirayuda², Tri Brotoharsono³
¹Teknik Informatika, Fakultas Teknik Informatika, Universitas Telkom
Abstrak
Pengenalan wajah adalah salah satu pengenalan biometrik yang populer. Teknologi pengenalan wajah berkembang pesat seiring perkembangan jaman. Berbagai metode diajukan untuk menciptakan sistem pengenalan wajah yang handal. Pengenalan wajah digunakan berbagai hal seperti pengawasan, pencarian orang hilang, identifikasi tersangka kejahatan, dan akses menuju aset-aset berharga. Melalui pengenalan wajah seseorang dapat dikenali dari “siapa orang
tersebut” bukan “apa yang dia miliki” (kunci, kartu ID) atau “apa yang dia tahu” (kata kunci, PIN).
Fisherface adalah salah satu metode yang digunakan untuk mengenali wajah. Metode ini adalah turunan dari Fisher’s Linear Disciminant (FLD) yang digabungkan dengan Principal Component Analysis (PCA). PCA bertugas untuk mereduksi data masukan agar memudahkan dan
mempercepat proses FLD. FLD bertugas untuk menghasilkan matriks sebaran untuk
memudahkan klasifikasi dan pengenalan. Pada akhirnya proyeksi PCA dan proyeksi FLD digabung untuk menghasilkan proyeksi data ke ruang fisher yang dinamakan Fisherface.
Pada penelitian yang dilakukan digunakan maksimal 11 individu dan minimal delapan individu dengan 16 citra latih dan empat citra uji per individu. Pada kelas citra yang mengalami
perubahan ekspresi dengan pencahayaan normal diperoleh akurasi sistem 97,73%. Pada kelas citra yang mengalami perubahan pencahayaan diperoleh akurasi sistem 63,64%. Pada kelas citra yang mengalami pemotongan diperoleh akurasi sistem 6,82%. Fisherface mampu memisahkan lima dari 8 individu secara sempurna pada percobaan dengan 8 individu.
Kata Kunci : pengenalan biometrik, pengenalan wajah, Fisherface, Principal Component Analysis, Fisher’s Linear Discriminant
Abstract
Face recognition is one of the most popular biometric recognition. Facial recognition technology developed rapidly as development era. Various methods proposed for creating a reliable face recognition system. Face recognition is used to things like surveillance, missing person searches, identification of crime suspects, and access to valuable assets. Through the introduction of a person's face can be recognized from the "who the person is" not "what he had" (keys, ID card) or "what he knew" (keywords, PIN).
Fisherface is one of the methods used to recognize faces. This method is derived from Fisher's Linear Disciminant (FLD), which combined with Principal Component Analysis (PCA). PCA served to reduce the input data in order to facilitate and accelerate the process of FLD. The aim of FLD is to produce a scatter matrix to facilitate the classification and recognition. In the end projection of PCA and FLD combined to produce projection data at fisher space called Fisherface.
The experiment used maximum of 11 individuals and a minimum of eight individuals with 16 train samples and four test images per individual. In the image classes that experienced changes in expression with normal lighting obtained a system accuracy of 97,73%. In the image classes that experienced changes in lighting obtained a system accuracy of 63,64%. In the image classes that experienced cropping obtained a system accuracy of 6,82%. Fisherface can classify five of eight individuals perfectly in the expriment with eight individuals.
Keywords : biometric recognition, face recognition, Fisherface, Principal Component Analysis, Fisher's Linear Discriminant
Powered by TCPDF (www.tcpdf.org)
BAB I PENDAHULUAN
1.1 Latar Belakang
Pengenalan biometrik adalah suatu cara pengenalan individu secara otomatis berdasarkan fitur-fitur fisiologis dan/atau karakteristik tingkah laku. Pengenalan biometrik harus dapat memastikan identitas seseorang secara handal. Dengan menggunakan pengenalan biometrik seseorang dapat dikenali dari “siapa orang tersebut” bukan “apa yang dia miliki” (kunci, kartu ID) atau “apa yang dia tahu” (kata kunci, PIN).
Secara luas pengenalan biometrik dapat didefinisikan sebagai sifat atau karakteristik fisik pribadi yang dapat diukur, kuat, dan khusus yang dapat digunakan untuk identifikasi atau verifikasi individu [8]. Dapat diukur artinya sifat atau karakteristik dapat diperlihatkan ke sensor secara mudah, ditemukan, dan diubah menjadi format digital. Kuat artinya seberapa signifikan perubahan sifat dan ciri berpengaruh seiring waktu. Khusus artinya ukuran variasi dan perbedaan pada pola biometrik terhadap populasi umum. Sistem pengenalan wajah memiliki ketiga sifat tersebut. Sistem pengenalan wajah adalah salah satu bagian pengenalan biometrik yang banyak dikembangkan karena wajah dapat membedakan satu individu dengan individu lainnya.
Pengenalan wajah adalah sistem pengenalan biometrik yang menggunakan wajah sebagai masukannya. Sistem ini digunakan sebagai sistem pengenalan yang dapat cukup dipercaya. Pengenalan wajah mulai digunakan secara luas karena mulai berkurangnya tingkat keamanan kata kunci (password) dan PIN dalam melindungi aset-aset berharga. Pengenalan wajah telah digunakan untuk berbagai hal seperti pengawasan, pencarian orang hilang, identifikasi tersangka kejahatan, dan akses menuju aset-aset berharga.
Sistem pengenalan wajah dapat dibagi menjadi dua jenis yaitu identifikasi dan verifikasi wajah[8]. Identifikasi bekerja dengan tujuan untuk mencari identitas siapakah orang yang citranya dimasukkan. Verifikasi wajah bekerja dengan tujuan untuk mengenali apakah citra yang dimasukkan adalah orang yang tepat. Perbedaan keduanya terdapat pada pembandingannya. Pada identifikasi wajah terjadi perbandingan satu-ke-banyak, sedangkan pada verifikasi wajah terjadi perbandingan satu-ke satu.
Sistem pengenalan wajah bekerja dengan membandingkan citra masukan dengan citra latih yang ada di dalam basis data. Citra latih dan citra masukan akan mengalami pengolahan citra dan ekstraksi fitur. Kemudian citra masukan akan dicocokkan dengan citra latih berdasarkan fitur-fitur yang telah diekstraksi. Tingkat kecocokan citra masukan dengan citra yang dikenali dari basis data tidak selalu akurat. Keakuratan pencocokan wajah tergantung dari faktor-faktor seperti pencahayaan, ekspresi, noise, dan ukuran citra. Sampai saat ini belum ada metode yang dapat melakukan pengenalan wajah secara akurat terus-menerus karena masing-masing metode masih memiliki keterbatasannya sendiri-sendiri.
Fisherface adalah salah satu metode yang digunakan untuk sistem pengenalan wajah. Metode ini adalah turunan dari Fisher’s Linear Discriminant (FLD) yang digabungkan dengan
Principal Component Analysis (PCA)[1]. Metode ini mengenali individu dengan cara
memaksimalkan rasio persebaran matriks antar kelas terhadap persebaran matriks dalam kelas. Fisherface memiliki keunggulan dalam pengenalan wajah yang memiliki perbedaan ekspresi minor dan perubahan pencahayaan.
1.2 Rumusan Masalah
Untuk tugas akhir ini beberapa masalah yang diselesaikan, sebagai berikut :
1. Seberapa besar perubahan ekspresi minor dapat mempengaruhi keakuratan pengenalan wajah?
2. Seberapa besar perubahan pencahayaan dapat mempengaruhi keakuratan pengenalan wajah?
3. Seberapa besar pemotongan citra mempengaruhi keakuratan pengenalan wajah?
1.3 Batasan Masalah
Tugas Akhir ini memiliki batasan-batasan masalah sebagai berikut : 1. Citra yang digunakan adalah citra wajah.
2. Citra berukuran 200*133 piksel untuk basis data I dan II dengan format jpg. 3. Citra wajah sudah dipersiapkan terlebih dahulu, tidak diambil secara real-time. 1.4 Tujuan
Tujuan dari pembuatan tugas akhir ini adalah :
1. Mengukur tingkat keakuratan penggunaan metode Fisherface dalam pengenalan wajah dalam kondisi citra yang berbeda-beda.
2. Meneliti pengaruh perubahan ekspresi minor dan pencahayaan terhadap keakuratan metode Fisherface.
1.5 Metodologi Penyelesaian Masalah
Metodologi dalam penyelesaian masalah pada tugas akhir ini adalah : 1. Studi literatur
Mempelajari dasar-dasar teori tentang pengenalan wajah dan metode-metodenya diantaranya :
a. Mempelajari dasar-dasar pengolahan citra digital b. Mempelajari tentang pengenalan wajah secara umum c. Mempelajari tentang PCA dan proses-prosesnya d. Mempelajari tentang FLD dan proses-prosesnya e. Mempelajari tentang Fisherface dan proses-prosesnya 2. Analisa sistem
Pada tahap ini dianalisa kebutuhan-kebutuhan untuk membentuk sistem pengenalan wajah. Fungsionalitas-fungsionalitas yang dibutuhkan dalam pembentukan sistem pengenalan wajah ini adalah :
a. Fungsi preprocessing mengolah citra menjadi lebih sederhana b. Fungsi pengenalan wajah yaitu metode Fisherface.
3. Perancangan sistem
Tahap merancang sistem yang akan digunakan untuk mengenali wajah dengan metode Fisherface. Rancangan sistem yang digunakan sebagai berikut :
4. Implementasi sistem
Tahap implementasi dari rancangan sistem yang telah dirancang sebelumnya. Implementasi dilakukan dengan mengikuti langkah-langkah dasar sistem pengenalan wajah seperti preprocessing, ekstraksi fitur, dan pengenalan. Implementasi dilakukan dengan menggunakan Matlab.
preprocessing
ekstraksi fitur pengenalan
citra uji
citra kenal
5. Pengujian sistem
Sistem yang telah diimplementasikan diujikan untuk mendapatkan data akurasi. Pengujian dilakukan dengan dua kondisi citra uji dan latih. Pertama untuk kelas citra dengan pencahayaan normal dan perubahan ekspresi minor. Kedua untuk kelas citra dengan perubahan pencahayaan.
6. Evaluasi hasil pengujian
Pengujian yang telah dilakukan sebelumnya dievaluasi untuk mendapatkan akurasi sistem. Pada tahap ini didapatkan karakteristik metode Fisherface.
7. Pembuatan laporan
Pada tahap ini disusun laporan berdasarkan hasil evaluasi sistem yang dibangun.
Powered by TCPDF (www.tcpdf.org)
BAB V PENUTUP
5.1 Kesimpulan
Berdasarkan hasil implementasi metode Fisherface, pengujian dan analisa pengujian, maka dapat diambil beberapa kesimpulan :
1. Pada kasus pengujian dengan delapan individu, Fisherface mampu memisahkan lima dari delapan individu cluster secara sempurna.
2. Pada kasus penambahan individu, Fisherface cenderung semakin sulit memisahkan individu secara sempurna ketika jumlah individu ditambahkan.
3. Untuk pengujian sistem pengenalan wajah dengan metode Fisherface pada citra wajah yang mengalami perubahan ekspresi diperoleh akurasi sebesar 97,73%. Ekspresi yang kurang dapat dikenali adalah cemberut sambil mengedipkan mata kanan. Ekspresi lainnya yaitu tersenyum, menganga, dan mengembungkan pipi sambil menutup mata dapat dikenali secara sempurna oleh sistem.
4. Untuk pengujian sistem pengenalan wajah dengan metode Fisherface pada citra wajah yang mengalami perubahan pencahayaan diperoleh akurasi sebesar 63,64%. Arah cahaya yang menyebabkan citra wajah paling sulit diidentifikasi sistem adalah dari arah depan atas dan depan kanan atas.
5. Untuk pengujian sistem pengenalan wajah dengan metode Fisherface pada citra wajah yang mengalami pemotongan citra diperoleh akurasi sebesar 6,82%. Fisherface kurang cocok digunakan untuk kasus ini karena kurang dapat mengenali citra wajah yang sudah dipotong.
5.2 Saran
1. Untuk meningkatkan akurasi penghitungan jarak dengan Euclidean Distance dapat diubah menjadi yang lebih akurat.
2. Pengambilan citra wajah sebaiknya dilakukan pada ruangan gelap total sehingga meminimalisasi gangguan cahaya luar.
Powered by TCPDF (www.tcpdf.org)
DAFTAR PUSTAKA
[1] Peter N. Belhumeur, Joao P. Hespanha, and David J. Kriegman. 1997. Eigenfaces vs. Fisherfaces: Recognition Using Class Specific Linear Projection.
[2] Welling, Max. Fisher Linear Discriminant Analysis. Department of Computer Science University of Toronto.
[3] Shiguang Shan, Bo Cao, Wen Gao, Debin Zhao. Extended Fisherface For Face Recognition From A Single Example Image Per Person. FRJDL, Institute of Computing Technology, Chinese Academy of Sciences.
[4] Yangrong Ling, Xiangrong Yin, Suchendra M. Bhandarkar. Sirface vs. Fisherface : Recognition Using Class Sepsific Linear Projection.The University of Georgia. [5] ___________. 2006. Face recognition. National Science And Technology Council
(NSTC).
[6] Lu, Xiaoguang. Image Analysis for Face Recognition. Michigan State University. [7] M. Turk and A. Pentland. Eigenface For Recognition. Massachusetts Institute of
Technology.
[8] John D. Woodward, Jr., Christopher Horn, Julius Gatune, and Aryn Thomas. Biometrics A Look at Facial Recognition. RAND Public Safety and Justice.
[9] Wenyi Zhao, Rama Chellappa. 2006. Face Processing Advanced Modeling Method. Elsevier.
[10] Munir, Rinaldi. Pengantar Pengolahan Citra.
[11] Smith, Lindsay I. 2002. A tutorial on Principal Components Analysis. [12] __________. Principal Component Analysis.
[13] __________. 2000. Moving Theory Into Practise Digital Image Tutorial. Cornell University
[14] Sibaroni, Yuliant. 2002. Buku Ajar Aljabar Linier. IT Telkom, Bandung.
[15] Filareti Tsalakanidou, Sotiris Malassiotis 2 and Michael G. Strintzis. Face Recognition - Face Detection, Global Approaches for, Feature Based Techniques, Problems and Considerations, Conclusions and Future Developments. Informatics
and Telematics Institute.
http://encyclopedia.jrank.org/articles/pages/6741/Face-Recognition.html. Diakses tanggal 11 Agustus 2010.
Powered by TCPDF (www.tcpdf.org)
