SIMULASI DAN ANALISIS SISTEM PENGENALAN WAJAH TAMPAK SAMPING MENGGUNAKAN METODE LOCAL BINARY PATTERN (LBP)
Ardy Dwi Caesaryanto¹, Bambang Hidayat², Ratri Dwi Atmaja³
¹Teknik Telekomunikasi, Fakultas Teknik Elektro, Universitas Telkom Abstrak
Face recognition merupakan salah satu teknik biometrik yang sering digunakan karena tingkat akurasinya yang tinggi. Metode ini sering digunakan sebagai sistem keamanan pada suatu instansi. Akan tetapi pada situasi seperti kehidupan sehari-hari, penerapan face recognition dengan citra wajah tampak depan sulit dilakukan karena masalah privasi. Karena itu untuk tetap menjaga privasi dapat dilakukan pengambilan citra wajah dari samping untuk membatasi citra wajah yang dapat terlihat. Pada tugas akhir ini dirancang sebuah sistem yang mampu mengenali wajah dari samping.
Sistem ini menggunakan metode Local Binary Pattern (LBP) untuk mendapatkan ciri dari setiap wajah. Dengan menggunakan LBP akan didapatkan sebuah nilai dari setiap pixel dengan cara membandingkan nilai pixel tersebut dengan nilai pixel tetangga-tetangganya. Kemudian nilai baru yang didapatkan dari setiap pixel itu akan dijadikan sebuah histogram yang akan dijadikan ciri dari suatu wajah. Untuk proses klasifikasi digunakan metode regresi logistik. Alasan
penggunaan metode ini adalah implementasinya yang cukup sederhana dan performansinya yang baik.
Pada penelitian ini didapat akurasi sebesar 95% menggunakan jenis LBP biasa dengan P=8 dan R=19 dan waktu komputasi rata-rata sistem 0,1 detik. Akurasi terbesar sistem setelah diberi noise Gaussian, noise salt & pepper, dan noise poisson secara berturut-turut adalah 27%, 56%, dan 79%. Sedangkan akurasi tertinggi sistem untuk mengenali citra wajah yang blur adalah 95%. Kata Kunci : Kata kunci : side-view face recognition, LBP, regresi logistik
Abstract
Face recognition is one of the most used biometric method because of its high accuracy. This method often used for security system of some organization. But in everyday life, the frontal face recognition system is hard to implement because of privacy. Because of that, for privacy reason we propose a side view face recognition system to limit part of the face which can be seen. In this final project we implemented a system which can recognize side view face.
This system uses Local Binary Pattern (LBP) method to obtain features from each faces. By using LBP some values from each pixels will be obtained by comparing the pixel with its neighbors. Then from those values will be created a histogram which will be made a feature from a face. For the classification system logistic regression is used. The reason is because of the ease of
implementation and good performance from the method.
From this research we obtained the highest accuracy of 95% using normal LBP with P=8 and R=19 and the average computation system is 0.1 seconds. The system’s accuracy after given Gaussian noise, salt & pepper, and passion are respectively 27%, 56%, and 79%. And the highest accuracy to recognize blurred images is 95%.
Keywords : Keywords : side-view face recognition, LBP, logistic regression
Powered by TCPDF (www.tcpdf.org)
BAB I
PENDAHULUAN
1.1 Latar Belakang
Seiring perkembangan zaman, teknik biometrik semakin bervariasi. Salah satu teknik biometrik yang sering digunakan adalah face recognition. Face
recognition merupakan suatu sistem yang dapat mengenali wajah seseorang.
Teknik ini banyak digunakan sebgai sistem presensi, keamanan, dan lain-lain. Akan tetapi, kebanyakan sistem face recognition hanya mampu mengenali wajah tampak depan. Pada kehidupan sehari-hari, sistem face recognition tersebut akan mengalami masalah karena sulitnya mengambil citra wajah tampak depan dan masalah privasi. Untuk mengatasi masalah tersebut dapat dibuat sebuah sistem yang mampu mengenali wajah tampak samping. Sistem ini dapat dipasang pada sisi pintu, sisi dari suatu koridor sempit, sisi jalan, dan sebagainya.
Untuk membangun sistem ini dapat digunakan metode Local Binary
Pattern (LBP). LBP merupakan metode operator tekstur yang simpel tetapi sangat
efisien yang melabelkan setiap pixel dari sebuah citra dengan memberikan
threshold pada tetangga lokal dari setiap pixel dan menjadikan hasilnya menjadi
sebuah bilangan biner. Metode LBP dapat dilihat sebagai pendekatan pemersatu dari metode tradisional seperti statistik yang bersifat menyebar dan model struktural dari analisis tekstur. Salah satu sifat paling penting dari operator LBP dari aplikasi nyata ialah kesederhanaan perhitungannya. Untuk proses klasifikasi digunakan metode regresi logistik. Alasan penggunaan metode ini adalah implementasinya yang cukup sederhana dan performansinya yang baik.
Pada penilitian ini penulis membuat simulasi sistem identifikasi wajah tampak samping menggunakan metode LBP. Didapat akurasi sebesar 95% menggunakan jenis LBP biasa dengan P=8 dan R=19 dan waktu komputasi rata-rata sistem 0,1 detik. Akurasi terbesar sistem setelah diberi noise Gaussian, noise salt & pepper, dan noise poisson secara berturut-turut adalah 27%, 56%, dan 79%. Sedangka akurasi tertinggi sistem untuk mengenali citra wajah yang blur adalah 95%.
.
1.2 Rumusan Masalah
Permasalahan – permasalahan yang menjadi objek dalam Tugas Akhir ini antara lain sebagai berikut:
1. Bagaimana membuat simulasi sistem identifikasi wajah tampak samping menggunakan metode LBP.
2. Bagaimana mencari ciri histogram dari wajah yang berbeda. 3. Bagaimana tingkat akurasi sistem tersebut.
1.3 Tujuan Penelitian
Tujuan dari Tugas Akhir ini antara lain sebagai berikut:
1. Membuat simulasi sistem identifikasi wajah tampak samping menggunakan metode LBP.
2. Mencari ciri histogram yang cocok untuk identifikasi wajah yang berbeda.
3. Mendapatkan akurasi minimal 80% untuk pengenalan wajah tampak samping.
1.4 Batasan Masalah
Untuk mengantisipasi meluasnya materi pembahasan, batasan makalah dalam Tugas Akhir ini adalah:
1. Format penyimpanan file citra adalah *.jpg.
2. Metode yang digunakan dalam proses ekstraksi ciri adalah LBP. 3. Citra wajah tidak menggunakan aksesoris.
4. Citra wajah berjumlah 30 sample dengan tiap sample terdiri atas 4 citra uji dan 6 citra latih.
5. Metode yang digunakan dalam proses klasifikasi adalah regresi logistik.
1.5 Metodologi Penelitian
Metode yang diterapkan dalam pelaksanaan Tugas Akhir ini adalah antara lain sebagai berikut:
1. Studi Literatur
Bertujuan untuk mempelajari dasar-dasar teori yang akan digunakan untuk simulasi dan analisis sistem.
2. Pengumpulan data
Bertujuan untuk mendapatkan data yang akan diteliti. 3. Studi pengembangan aplikasi
Bertujuan untuk menentukan rancangan suatu sistem dan melakukan pengujian terhadap sistem tersebut.
4. Analisis performansi
Bertujuan untuk melakukan analisis performansi yang dapat dicapai oleh sistem.
5. Pengambilan simpulan
Bertujuan untuk mengambil simpulan berdasar analisis yang sudah didapatkan.
1.6 Sistematika Penulisan
Penelitian ini disusun dengan rincian sebagai berikut:
BAB I PENDAHULUAN
Berisi tentang latar belakang masalah, manfaat, perumusan masalah, batasan masalah, tujuan, metode penelitian dan sistematika penulisan.
BAB II DASAR TEORI
Berisi tentang dasar teori dan literatur-literatur pendukung dalam penelitian ini.
BAB III PERANCANGAN SISTEM
Membahas tentang pemodelan dan perancangan sistem dalam penelitian.
BAB IV PENGUJIAN SISTEM DAN ANALISIS
Menjelaskan dan menganalisis hasil keluaran dari sistem dan perfomansi sistem.
BAB V PENUTUP
Berisi simpulan akhir dan saran pengembangan untuk penelitian selanjutnya.
Powered by TCPDF (www.tcpdf.org)
BAB V
PENUTUP
5.1 Simpulan
Dari hasil pengujian dan analisis yang telah dilakukan pada penelitian ini, maka dapat diambil beberapa simpulan sebagai berikut :
1. Akurasi tertinggi sistem sebesar 95% didapat pada jenis LBP biasa dengan radius 19 dan sampling point 8.
2. LBP Uniform hanya membutuhkan waktu pelatihan selama 4 detik dan mendapatkan akurasi sebesar 92%.
3. LBP Rotation Invariant dan LBP Rotation Invariant Uniform secara berturut-turut memiliki akurasi 82% dan 46%.
4. Segmentasi tidak terlalu meningkatkan akurasi sistem pada beberapa kasus malah menurunkan akurasi sistem (93% pada jenis LBP biasa).
5. Waktu komputasi rata-rata sistem adalah 0.1 detik. 6. Fitur LBP sangat sensitif terhadap noise.
7. Pengujian terhadap citra blur tidak menurunkan akurasi sistem pada LBP dengan radius 18 keatas.
5.2 Saran
Adapun saran untuk pengembangan tugas akhir selanjutnya adalah :
1. Sistem pengenalan wajah manusia ini dibuat lebih aplikatif (dari segi perangkat keras) dengan interface langsung ke user.
2. Menggunakan bahasa pemrograman lain seperti JAVA, C++, Visual Basic, dll. 3. Menggunakan varian LBP yang lain seperti LBPM dan FLBP untuk menguji
ketahanan terhadap noise.
4. Menggunakan face detection pada pre-processing. 5. Penggunaan filter pada proses pre-processing,
Powered by TCPDF (www.tcpdf.org)
DAFTAR PUSTAKA
[1] Z. Li, Stan. (2009). Encyclopedia of Biometrics. Springer.
[2] Boulgouris, N.K., Plataniotis, K.N., and Micheli-Tzanakou, E. (2010).
Biometrics Theory, Methods, and Applications. Wiley.
[3] Putra, Darma. (2010). Pengolahan Citra Digital, Yogyakarta: Penerbit Andi.
[4] Burger, W. and J. Burge, M. (209). Principles of Digital Image
Processing, London: Springer.
[5] Ng, Andrew. Video Lecture: Stanford University Machine Learning. Retrieved January 2012, from Stanford University Machine Learning: https://class.coursera.org/ml/lecture/index
[6] Pietikäinen, M., Hadid A., Zhao G., and Ahonen, T. (2010). Computer
Vision Using Local Binary Patterns, London: Springer.
[7] Imanudin, M. (2008, 10 08). Model Warna HSV. Retrieved 2 2012, from Digital Libary Institut Teknologi Telkom:
http://digilib.ittelkom.ac.id/index.php?option=com_content&view=article &id=195:model-warna-hsv-&catid=20:informatika&Itemid=14
[8] Oliveira, V., & Conci, A. (n.d.). Skin Detection using HSV Color Space.
Powered by TCPDF (www.tcpdf.org)
